Skip to content
BranchesTags

Repository files navigation

interview_exp - AI 面试准备助手

License: MIT Python 3.11 FastAPI Tests

一站式 AI 面试准备系统：自动复盘分析、知识积累归档、智能问答、语音输入、用户画像，帮助持续提升面试表现。

核心价值

  • 自动化复盘：输入面试原始问题，自动生成结构化复盘报告（含面试官画像分析）
  • 面试反思：多轮对话收集实际回答表现，AI 自主提问直到信息覆盖度达标，增强复盘质量
  • 知识积累：面试问题自动分类归档到 5 个问题库，形成个人知识资产
  • 智能问答：Web 界面随时查询知识库，支持面试话术 / 详细解释 / 快速回答三种模式
  • 语音输入：集成讯飞 ASR，支持边说边转的实时语音识别
  • 会话管理：多会话支持，每个会话独立存储为 JSON 文件
  • 智能辅助：网络搜索增强、追问预测、分层项目理解、用户画像分析
  • 岗位备战：联网搜 JD + LLM 出题，写入题库供模拟面试检索
  • Obsidian 知识管理：自动打 frontmatter 元数据 + 每题 mastery 掌握度标记 + wikilink 知识图谱关联，支持 Obsidian Graph View 可视化与 Dataview 薄弱点查询

功能概览

功能模块 说明 入口
面试复盘流水线 原始问题 → 抽取 → 反思 → 复盘 → 归档 CLI sync / sync --reflect / 单步命令 / Web API
问题抽取与归档 LLM 自动分类到 5 个问题库（八股、项目、AI_Coding 等） CLI extract / archive
智能问答 基于知识库的 RAG 问答，3 种回答模式，流式响应 Web 界面
语音输入 讯飞 ASR WebSocket 流式语音识别，边说边转 Web 界面麦克风按钮
会话历史 一个会话一个 JSON 文件，支持新建 / 切换 / 删除 Web 界面
追问预测 回答后后台静默生成深入追问与相关问题 Web 界面卡片
用户画像 综合简历、面试记录、投递情况生成画像摘要 / 建议 / 鼓励 Web API
网络搜索 问答与复盘时自动搜索公司信息和技术概念 自动触发
分层项目理解 4 层渐进式文档读取，智能构建项目上下文 问答时自动调用
投递状态追踪 Excel 颜色自动识别投递状态（红 / 橙 / 黄 / 绿） Web 画像面板
多轮截断 自动保留最近 N 轮对话，控制上下文长度 自动
岗位针对性备战 面试前 Agent 自主搜 JD（可选多轮补充搜索）→ 结合画像/项目出题 → 自评迭代优化 → 写入 岗位预测/ 且自动入题库 CLI prepare / Web
统计面板 题库统计、面试次数、投递情况汇总 Web API
空对话自动清理 启动时自动删除无消息空会话（保护 60 秒内新建） 自动
历史对话批量处理 删除 / 一条龙（导出 → 复盘 → 入库）历史会话 Web 左侧边栏
会话导出 从 session 导出面试问题（支持 LLM 上下文感知改写） CLI export-session
Obsidian 知识图谱 wikilink 双向链接 + Graph View 可视化知识点关联 Obsidian UI
掌握度追踪 复盘后自动打 mastery:: 标记 + 复习时间记录 自动（reflector）
元数据增强 面试/预测文件自动打 YAML frontmatter（company/date/round 等） 自动（preparer/reflector）

仓库结构

interview_exp/
├── AAA_manager/                # 主程序（FastAPI Web + CLI）
│   ├── api/routes/             # FastAPI 路由（qa / profile / history / followup / asr / sync / stats / prepare）
│   ├── core/                   # web_searcher.py / asr_xunfei.py / prepare_agent.py
│   ├── knowledge/              # question_bank / project_reader / resume_reader / excel_reader
│   ├── profile/                # 用户画像
│   ├── frontend/static/        # Web 前端
│   ├── prompts/                # LLM Prompt 模板
│   ├── tests/                  # pytest 单元 + API 冒烟测试
│   ├── data/                   # 会话与画像（gitignore）
│   ├── logs/                   # 运行日志（gitignore）
│   ├── app.py main.py          # Web / CLI 入口
│   ├── config.py llm_client.py # 配置 / LLM 调用
│   ├── extractor.py archiver.py reviewer.py reflector.py preparer.py
│   ├── frontmatter_utils.py obsidian_reader.py # Obsidian 元数据读写 + CLI 加速层
│   ├── core/                   # web_searcher.py / asr_xunfei.py / prepare_agent.py
│   ├── .env.example            # 环境变量模板
│   ├── projects.yaml.example   # 项目元信息模板（单一真相源）
│   └── requirements.txt
├── 面试原始问题/               # 原始面试问题（个人数据，gitignore）
├── 面试复盘/                   # 自动生成的复盘报告（个人数据）
├── 问题库/                     # 分类问题库（个人数据）
├── 个人情况/                   # 简历、画像（个人数据）
├── 公司投递情况/               # 投递记录（个人数据）
├── 岗位预测/                   # 岗位针对性预测题（个人数据）
├── .rules.example              # 项目规则模板
├── .pre-commit-config.yaml     # 提交前自动跑 pytest
├── LICENSE                     # MIT
├── CONTRIBUTING.md             # 贡献指南
├── SECURITY.md                 # 安全策略
├── CODE_OF_CONDUCT.md          # 行为准则
└── README.md                   # 本文件

中文目录均存放个人面经数据，已在 .gitignore 中排除，仅保留 .gitkeep 占位。

快速开始

1. 克隆并准备环境

git clone https://github.com/evob-z/interview_exp.git
cd interview_exp

conda create -n interview_exp python=3.11 -y
conda activate interview_exp

2. 安装依赖

cd AAA_manager
pip install -r requirements.txt

3. 配置环境变量

cp .env.example .env
# 编辑 .env，最少需要配置：
# - DEEPSEEK_API_KEY（必需，核心 LLM 调用）
# - INTERVIEW_REPO_PATH（必需，指向本仓库根目录）
# - SEARCH_API_KEY（推荐，启用网络搜索增强）
# - XUNFEI_APP_ID/API_KEY/API_SECRET + ENABLE_VOICE_INPUT=true（可选，启用语音输入）

4. 配置项目元信息

cp projects.yaml.example projects.yaml
# 编辑 projects.yaml：声明你的项目名称、本地路径、文档清单、别名
# 这是配置项目识别 / 归档分类 / 文档检索的【单一真相源】

projects.yaml 含本地路径与项目别名，已在 .gitignore 中排除，不会被提交。 项目分类、归档目标文件、抽取 prompt 的项目枚举均由此文件自动派生，无需再手工同步多个文件。

5. 配置项目规则（可选）

cd ..
cp .rules.example .rules
# 编辑 .rules：仅声明 IDE Agent 工作时可访问的本地项目根路径
# （项目别名映射已迁移至 projects.yaml，.rules 不再承担该职责）

.rules 含本地路径，已在 .gitignore 中排除，不会被提交。

6. 启动 Web 服务

cd AAA_manager
python app.py
# 浏览器访问 http://127.0.0.1:8000

7. 第一次使用

  1. 将面试原始问题文件放入 面试原始问题/ 目录（文件名格式：公司_类型_YYMMDD_轮次.md）
  2. 运行 python main.py sync 文件名.md 执行全流程
  3. 查看 面试复盘/ 目录下生成的复盘文件
  4. 打开 Web 界面进行快速问答

使用方式

Web 界面

三栏布局：

区域 宽度 内容
左侧边栏 260px 会话历史 + 新对话 + 批量操作（删除 / 一条龙）
中间主区域 flex:1 聊天消息区 + 模式切换（面试话术 / 详细解释 / 快速回答）
右侧边栏 300px 统计概览 + 个人画像 + 快捷操作（岗位备战等）
  • 响应式：768px 以下左侧边栏自动隐藏，通过汉堡菜单唤出
  • 流式响应：基于 SSE，逐字输出
  • 语音输入：点击麦克风边说边转
  • 追问预测：回答后自动生成深入追问与相关问题卡片
  • 空对话自动清理：启动时自动删除无消息空会话（保护 60 秒内新建会话）

CLI 命令

文件命名要求：面经记录文件需遵循 公司_类型_YYMMDD_轮次.md 格式（如 字节跳动_大厂_260513_技术一面.md），程序从文件名自动解析公司、日期、轮次等元信息。sync 命令要求文件位于 面试原始问题/ 目录；reflect 命令可接受任意路径。

# 抽取问题（支持指定输入类型）
python main.py extract <file> [--type transcript|chat|structured]
python main.py extract --from-session <session_id>          # 从模拟面试会话导出

# 复盘 / 归档（file 必须在 面试原始问题/ 目录）
python main.py review <file>
python main.py archive <file>

# 全流程串联：extract → review → archive（自动检测 面试原始问题/ 下新增文件）
python main.py sync
python main.py sync <file>          # 或指定文件路径

# 全流程 + 反思：extract → reflect (交互) → review (增强) → archive
python main.py sync --reflect       # 自动检测新增文件
python main.py sync <file> --reflect  # 或指定文件路径

# 单独面试反思（单文件交互）
python main.py reflect <file>

# 岗位针对性备战：Agent 模式，自主搜索 + 出题 + 自评迭代（异常时自动降级线性流程）
python main.py prepare 字节跳动_AI应用开发实习生-AI数据与安全_260512
# 或显式参数
python main.py prepare --company 字节跳动 --position "AI应用开发实习生" --date 260512 --count 15

# 会话导出
python main.py export-session <session_id> [--name 文件名] [--rewrite]

配置说明

新用户只需修改 2 个文件即可完成配置：

文件 作用 是否必需
AAA_manager/.env API Key、本地路径、功能开关 必需
AAA_manager/projects.yaml 项目元信息（别名、文档路径、题库分类） 必需（决定归档分类与项目识别）
.rules IDE Agent 项目路径声明 可选

.env 配置项

配置项 说明 默认值
DEEPSEEK_API_KEY （必需） DeepSeek API 密钥 -
DEEPSEEK_BASE_URL DeepSeek API 地址 https://api.deepseek.com/v1
DEEPSEEK_MODEL DeepSeek 模型 deepseek-chat
QWEN_API_KEY Qwen API 密钥（备选） -
QWEN_BASE_URL Qwen API 地址 https://dashscope.aliyuncs.com/compatible-mode/v1
QWEN_MODEL Qwen 模型 qwen-plus
DEFAULT_PROVIDER 默认 LLM 提供商 deepseek
INTERVIEW_REPO_PATH （必需） 面经仓库根目录 项目上级目录
PROJECT_PATHS 项目代码路径（逗号分隔） -
RAW_INPUT_DIR 原始问题输入目录 面试原始问题
REVIEW_OUTPUT_DIR 复盘输出目录 面试复盘
RESUME_DIR 简历所在目录 个人情况/简历
COMPANY_EXCEL_PATH 投递记录 Excel 路径 -
PREP_OUTPUT_DIR 岗位预测题库目录 岗位预测
PREP_QUESTION_COUNT 岗位预测默认题数 20
PREP_AGENT_MAX_ITERS Agent LLM 请求上限（含工具调用轮次） 8
PREP_AGENT_FALLBACK Agent 异常时回退线性流程 true
REFLECT_MAX_ROUNDS 反思对话最大轮次（强制停止上限） 8
REFLECT_COVERAGE_THRESHOLD 反思覆盖度停止阈值（5 维度全部≥此值自动停止） 70
PROJECT_CONFIGS 项目文档配置（名称:路径:文件;...），留空则自动从 projects.yaml 派生 -
ENABLE_WEB_SEARCH 是否启用网络搜索 true
SEARCH_API_KEY 搜索 API 密钥 -
SEARCH_API_PROVIDER 搜索提供商（tavily / bing / serper） tavily
XUNFEI_APP_ID / XUNFEI_API_KEY / XUNFEI_API_SECRET 讯飞 ASR 凭证 -
WEB_HOST / WEB_PORT Web 服务监听 127.0.0.1:8000

projects.yaml 详解

projects.yaml 是项目元信息的唯一真相源，用一个文件统一表达：

  • 项目识别别名：归档时用于把"晓海"、"MLAW" 这类口头/简称映射到 项目-law_sea
  • 题库目标文件：每个项目对应 问题库/项目-<name>.md，由 yaml 自动派生
  • 抽取 Prompt 项目枚举：extract_system.md 中的项目分类清单由 yaml 渲染注入
  • PROJECT_CONFIGS 派生源：若 .env 未显式提供 PROJECT_CONFIGS，则由 yaml 中的 path + docs 自动拼装

最小示例：

projects:
  - name: my_project              # 题库文件名将是 项目-my_project.md
    display: 我的项目（用于展示）
    path: D:/code/my_project      # 项目本地根路径
    docs: [README.md, ARCHITECTURE.md]
    aliases: [我的项目, MyProj]    # 归档时用这些别名识别
    description: 一句话项目简介

generic_categories:
  - name: AI_Coding
    description: AI 编程题
  - name: 八股
    description: 通用技术问题

修改 projects.yaml 后无需重启脚本即可生效（每次进程启动时加载）。新增项目只需在此处加一项即可，无需再改 config.py / archiver.py / extract_system.md。

PROJECT_CONFIGS 详解（自动派生 / 手动覆盖）

PROJECT_CONFIGS 是项目理解能力的入口。注册后，ProjectReader 会对每个项目自动执行 4 层渐进式文档发现：

层级 内容 加载时机
Tier 1 AI 工具总结（.qoder/repowiki/、.cursor/rules/、.rules） 启动时
Tier 2 设计文档（README.md、ARCHITECTURE.md、docs/） 启动时
Tier 3 零散文档（根目录其他 .md） 按需加载
Tier 4 代码文件（.py、.js 等） 锁定，需用户批准

格式：项目名:路径:向后兼容文件列表，多个项目用 ; 分隔

PROJECT_CONFIGS=project_a:/path/to/project_a:README.md;project_b:/path/to/project_b:README.md

推荐留空 PROJECT_CONFIGS，由 projects.yaml 统一管理；只有需要覆盖 yaml 的特殊场景才在 .env 中显式设置。

配置开关（在 config.py 中）

配置项 说明 默认值
ENABLE_FOLLOWUP_PREDICTION 是否启用追问预测 False
ENABLE_VOICE_INPUT 是否启用语音输入 False
MAX_CONTEXT_TURNS 多轮截断保留轮数 6
FOLLOWUP_COUNT 追问预测生成数量 3

API 接口

端点 方法 功能
/api/qa / /api/qa/stream POST 智能问答（非流式 / SSE 流式）
/api/profile GET 完整用户画像
/api/profile/summary / advice / encouragement GET 摘要 / 建议 / 鼓励
/api/profile/initialize POST 初始化 / 重建用户画像
/api/history/sessions GET / POST 会话列表 / 创建
/api/history/sessions/{id} GET / DELETE 详情 / 删除
/api/history/sessions/cleanup-empty DELETE 清理空会话
/api/followup/predict POST 触发追问预测
/api/followup/result/{id} GET 获取追问结果
/api/asr/ws WebSocket 语音识别（讯飞流式）
/api/sync/run POST 触发全流程同步
/api/sync/session-pipeline/{session_id} POST 会话一条龙处理
/api/sync/status GET 同步状态
/api/prepare/run / list POST / GET 岗位预测题生成 / 列出
/api/stats GET 综合统计

请求示例：

{
  "question": "什么是 RAG？",
  "mode": "interview",
  "session_id": "optional-session-uuid"
}

测试

项目内置 pytest 单元测试 + FastAPI 冒烟测试，离线可跑、不依赖任何 API Key：

cd AAA_manager
pytest

覆盖模块：config / detector / extractor / archiver / profile_manager + 主要 API 路由。外部依赖（LLM、讯飞 ASR、Git 远程、网络搜索）全部 mock，测试在 tmp_path 中执行，不会写入真实 data/ 与 问题库/。

提交前自动跑测试（推荐）

pip install pre-commit
pre-commit install

之后每次 git commit 若触及 AAA_manager/ 会自动运行 pytest。

技术栈

Python 3.11 · FastAPI + Uvicorn · OpenAI SDK（DeepSeek / Qwen 兼容）· PydanticAI（反思 Agent）· websockets（讯飞 ASR）· pdfplumber · openpyxl · httpx · GitPython · python-dotenv · PyYAML（frontmatter 读写 + Obsidian 元数据）

贡献

欢迎 PR！请先阅读 CONTRIBUTING.md。

  • 报 Bug / 提需求：打开 Issue（模板在 .github/ISSUE_TEMPLATE/）
  • 安全问题：参见 SECURITY.md，请勿在公开 Issue 中披露
  • 行为准则：CODE_OF_CONDUCT.md

免责声明

本工具仅用于面试结束后的复盘分析与知识管理，旨在帮助使用者梳理、归纳和巩固所学知识。

本工具不得用于：

  • 面试过程中的实时作弊（如边面试边查询答案）
  • 任何违反面试评估公平性的行为
  • 代替真实学习与能力提升

作者不对滥用本工具导致的任何后果承担责任。请在遵守相关法律法规和职业道德的前提下使用。

许可证

本项目以 MIT 协议开源。

About

一站式 AI 面试准备系统：自动复盘分析、知识积累归档、智能问答、语音输入。

Topics

ai-assistantinterview

Resources

Readme
MIT license

Code of conduct

Code of conduct

Contributing

Contributing

Security policy

Security policy
Activity

Stars

2 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

Packages

Contributors

Languages