Skip to content

Snailclimb/interview-guide

BranchesTags

Repository files navigation

智能 AI 面试官平台 - 基于大语言模型的简历分析和模拟面试系统

Java Spring Boot React TypeScript PostgreSQL

项目介绍

InterviewGuide 是一个集成了简历分析、模拟面试（文字 + 语音）和知识库管理的智能面试辅助平台。系统利用大语言模型（LLM）、向量数据库和实时语音技术，为求职者和 HR 提供智能化的简历评估和面试练习服务。

系统架构

系统架构图

异步处理流程：

简历分析、知识库向量化和面试报告生成采用 Redis Stream 异步处理，这里以简历分析和知识库向量化为例介绍一下整体流程：

上传请求 → 保存文件 → 发送消息到 Stream → 立即返回
                              ↓
                      Consumer 消费消息
                              ↓
                    执行分析/向量化任务
                              ↓
                      更新数据库状态
                              ↓
                   前端轮询获取最新状态

状态流转： PENDING → PROCESSING → COMPLETED / FAILED。

配套教程

本项目承诺完整功能免费开源，也不会做所谓的 Pro 版或“付费解锁核心功能”之类的设计。

如果你想学习这个项目，或者希望把它作为个人项目经历 / 毕设选题，我也整理了一套相对细致的教程：从基础设施搭建、核心业务实现，到最后如何在面试中讲清楚思路与亮点，尽量把容易卡住的地方讲透。

如果你确实需要更系统的辅导，可以点这里了解详情（教程为付费内容，主要是想覆盖一些时间成本，望理解，感谢支持）：《SpringAI 智能面试平台+RAG 知识库》。

技术栈

后端技术

技术 版本 说明
Spring Boot 4.0.1 应用框架
Java 21 开发语言（虚拟线程）
Spring AI 2.0.0-M4 AI 集成框架
PostgreSQL + pgvector 14+ 关系数据库 + 向量存储
Redis + Redisson 6+ / 4.0.0 缓存 + 消息队列（Stream）
Apache Tika 2.9.2 文档解析
iText 8 8.0.5 PDF 导出
MapStruct 1.6.3 对象映射
SpringDoc OpenAPI 3.0.2 API 接口文档
DashScope SDK 2.22.7 语音识别/合成（Qwen3 ASR/TTS）
WebSocket - 语音面试实时双向通信
Gradle 8.14 构建工具

技术选型常见问题解答：

  1. 数据存储为什么选择 PostgreSQL + pgvector？PG 的向量数据存储功能够用了，精简架构，不想引入太多组件。
  2. 为什么引入 Redis？
    • Redis 替代 ConcurrentHashMap 实现面试会话的缓存。
    • 基于 Redis Stream 实现简历分析、知识库向量化等场景的异步（还能解耦，分析和向量化可以使用其他编程语言来做）。不使用 Kafka 这类成熟的消息队列，也是不想引入太多组件。
  3. 构建工具为什么选择 Gradle？个人更喜欢用 Gradle，也写过相关的文章：Gradle核心概念总结。

前端技术

技术 版本 说明
React 18.3 UI 框架
TypeScript 5.6 开发语言
Vite 5.4 构建工具
Tailwind CSS 4.1 样式框架
React Router 7.11 路由管理
Framer Motion 12.23 动画库
Recharts 3.6 图表库
Lucide React 0.468 图标库
React Big Calendar 1.19 面试日历组件

功能特性

简历管理模块

  • 多格式解析：支持 PDF、DOCX、DOC、TXT 等多种简历格式。
  • 异步处理流：基于 Redis Stream 实现异步简历分析，支持实时查看处理进度（待分析/分析中/已完成/失败）。
  • 稳定性保障：内置分析失败自动重试机制（最多 3 次）与基于内容哈希的重复检测。
  • 分析报告导出：支持将 AI 分析结果一键导出为结构化的 PDF 简历分析报告。

模拟面试模块

  • Skill 驱动出题：内置 10+ 面试方向（Java 后端、阿里/字节/腾讯专项、前端、Python、算法、系统设计、测开、AI Agent 等），每个方向由 SKILL.md 定义考察范围、难度分布和参考知识库。
  • 历史题目去重：出题时自动排除已有会话中问过的题目，避免重复考察。
  • 面试阶段时长联动：总时长滑块拖动后，各阶段（自我介绍、技术考察、项目深挖、反问环节）按时比自动分配。
  • 智能追问流：支持配置多轮智能追问（默认 1 条），模拟多轮问答场景。
  • 统一评估架构：文字面试和语音面试共用同一套评估引擎（分批评估 + 结构化输出 + 二次汇总 + 降级兜底），评估结果可对比。
  • 报告一键导出：支持异步生成并导出详细的 PDF 模拟面试评估报告。
  • 面试中心入口：面试中心页整合文字面试和语音面试入口，支持继续面试和重新面试。

面试安排模块 📅

智能面试日程管理，支持自动解析面试邀请：

  • 智能邀请解析：

    • 规则解析：支持飞书、腾讯会议、Zoom 等主流会议平台格式
    • AI 解析：复杂文本自动提取公司、岗位、时间、会议链接等信息
    • 自动识别面试形式（现场/视频/电话）和轮次

  • 日历视图管理：

    • 多视图切换：日/周/月视图，灵活查看面试安排
    • 拖拽调整：支持拖拽面试卡片快速调整时间
    • 列表视图：提供简洁的列表展示方式

  • 状态自动更新：

    • 定时任务自动更新过期面试状态
    • 手动标记面试状态（待面试/已完成/已取消）

  • 集成提醒：支持配置面试提醒，避免错过重要面试

语音面试模块 🎤

实时语音对话面试，基于 WebSocket 双向通信 + 千问3语音模型：

  • ASR (语音识别): qwen3-asr-flash-realtime

    • 实时流式识别，服务端 VAD（Voice Activity Detection）
    • 400ms 断句延迟（比传统方案快 50%）
    • 准确率提升 5%+，达到 ~95%+

  • TTS (语音合成): qwen3-tts-flash-realtime

    • Cherry 音色（温柔女声）
    • 流式合成，中文优化
    • 首包延迟 200ms（快 60%）

  • 核心特性:

    • LLM 流式输出 + 句子级并发 TTS：AI 回复边生成边合成语音，首句音频可以更快推送到前端
    • 分块音频推送：TTS 合成的音频按句分块实时推送到前端，实现"边说边播"
    • 实时字幕显示（支持中间结果）
    • 自动断句检测（基于服务端 VAD）
    • 手动提交模式 + 回声防护：用户主动点击提交答案，避免 AI 语音被误录入
    • 多轮对话管理（上下文记忆）
    • 会话暂停/恢复（超时自动暂停）
    • 多种开场话术（不同面试方向对应不同开场白）
    • 统一 API Key（LLM + ASR + TTS 共用一个密钥）
    • Micrometer 指标埋点（TTS/ASR 延迟、会话时长等）

已知体验问题

  1. 端到端延迟偏高：当前方案是 ASR → 文本 → LLM → 文本 → TTS → 音频，音频需经服务端中转，弱网环境下延迟感知明显。
  2. 回声泄漏：虽有回声防护，但在无耳机场景下，AI 语音仍可能被麦克风拾取导致误识别。
  3. TTS 音色单一：目前仅支持 Cherry 一种音色，用户无法选择面试官风格。
  4. 弱网音频断续：流式 TTS 在高丢包率环境下可能出现播放卡顿。

后续改进方向

  • 探索 WebRTC 替代 WebSocket，减少音频中转延迟
  • 引入客户端 VAD + 降噪预处理，降低嘈杂环境下的误识别
  • 支持更多 TTS 音色和语速调节
  • 接入端到端语音模型（如 OpenAI Realtime API），省去 ASR→LLM→TTS 的串行管道
  • 音频缓冲策略优化，弱网环境下平滑播放

知识库管理模块

  • 文档智能处理：支持 PDF、DOCX、Markdown 等多种格式文档的自动上传、分块与异步向量化。
  • RAG 检索增强：集成向量数据库，通过检索增强生成（RAG）提升 AI 问答的准确性与专业度。
  • 流式响应交互：基于 SSE（Server-Sent Events）技术实现打字机式流式响应。
  • 智能问答对话：支持基于知识库内容的智能问答，并提供直观的知识库统计信息。

TODO

  • 问答助手的 Markdown 展示优化
  • 知识库管理页面的知识库下载
  • 异步生成模拟面试评估报告
  • Docker 快速部署
  • 添加 API 限流保护
  • 前端性能优化（RAG 聊天 - 虚拟列表）
  • 模拟面试增加追问功能
  • 语音面试功能（基于 Qwen3 实时语音模型）
  • 面试安排管理（智能解析 + 日历视图）
  • Skill 驱动出题（10+ 面试方向 + 参考知识库）
  • 统一面试评估架构（文字/语音共用评估引擎）
  • 面试历史题目去重
  • 面试中心页（整合文字/语音入口）
  • 语音面试 LLM 流式输出 + 句子级并发 TTS
  • 语音面试暂停/恢复 + 手动提交 + 回声防护
  • 打通模拟面试和知识库
  • 语音面试接入 WebRTC 降低延迟
  • 语音面试支持更多 TTS 音色
  • 多 LLM Provider 路由与动态切换

效果展示

简历与面试

简历库：

简历上传分析：

简历分析详情：

面试记录：

面试详情：

模拟面试：

面试安排（日历视图）：

面试安排（列表视图）：

知识库

知识库管理：

问答助手：

page-qa-assistant

项目结构

interview-guide/
├── app/                              # 后端应用
│   ├── src/main/java/interview/guide/
│   │   ├── App.java                  # 主启动类
│   │   ├── common/                   # 通用模块
│   │   │   ├── config/               # 配置类
│   │   │   ├── exception/            # 异常处理
│   │   │   └── result/               # 统一响应
│   │   ├── infrastructure/           # 基础设施
│   │   │   ├── export/               # PDF 导出
│   │   │   ├── file/                 # 文件处理
│   │   │   ├── redis/                # Redis 服务
│   │   │   └── storage/              # 对象存储
│   │   └── modules/                  # 业务模块
│   │       ├── interview/            # 模拟面试模块
│   │       ├── interviewschedule/    # 面试安排模块
│   │       ├── voiceinterview/       # 语音面试模块
│   │       ├── knowledgebase/        # 知识库模块
│   │       └── resume/               # 简历模块
│   └── src/main/resources/
│       ├── application.yml           # 应用配置
│       └── prompts/                  # AI 提示词模板
│
├── frontend/                         # 前端应用
│   ├── src/
│   │   ├── api/                      # API 接口
│   │   ├── components/               # 公共组件
│   │   ├── pages/                    # 页面组件
│   │   ├── types/                    # 类型定义
│   │   └── utils/                    # 工具函数
│   ├── package.json
│   └── vite.config.ts
│
└── README.md

快速开始

环境要求：

依赖 版本 必需
JDK 21+ 是
Node.js 18+ 是
PostgreSQL 14+ 是
pgvector 扩展 - 是
Redis 6+ 是
S3 兼容存储 - 是

1. 克隆项目

git clone https://github.com/Snailclimb/interview-guide.git
cd interview-guide

2. 配置数据库

-- 创建数据库
CREATE DATABASE interview_guide;

-- 连接数据库并启用 pgvector 扩展（可选，启动后端SpringAI框架底层会自动创建）
CREATE EXTENSION vector;

3. 配置环境变量

# AI API 密钥（阿里云 DashScope）
export AI_BAILIAN_API_KEY=your_api_key

4. 修改应用配置

编辑 app/src/main/resources/application.yml：

spring:
  # PostgreSQL数据库配置
  datasource:
    url: jdbc:postgresql://${POSTGRES_HOST:localhost}:${POSTGRES_PORT:5432}/${POSTGRES_DB:interview_guide}
    username: ${POSTGRES_USER:postgres}
    password: ${POSTGRES_PASSWORD:password}
    driver-class-name: org.postgresql.Driver

  jpa:
    hibernate:
      ddl-auto: update # 首次启动自动创建表，后续保留数据并增量更新

  # Redisson配置 (使用 spring.redis.redisson，参考官方文档)
  redis:
    redisson:
      config: |
        singleServerConfig:
          address: "redis://${REDIS_HOST:localhost}:${REDIS_PORT:6379}"
          database: 0
          connectionMinimumIdleSize: 10
          connectionPoolSize: 64
          subscriptionConnectionMinimumIdleSize: 1
          subscriptionConnectionPoolSize: 50

# RustFS (S3兼容) 存储配置
app:
  # 面试配置
  interview:
    follow-up-count: ${APP_INTERVIEW_FOLLOW_UP_COUNT:1}    # 每个主问题生成追问数量
    evaluation:
      batch-size: ${APP_INTERVIEW_EVALUATION_BATCH_SIZE:8} # 回答评估分批大小
  storage:
    endpoint: ${APP_STORAGE_ENDPOINT:http://localhost:9000}
    access-key: ${APP_STORAGE_ACCESS_KEY:minioadmin}
    secret-key: ${APP_STORAGE_SECRET_KEY:minioadmin}
    bucket: ${APP_STORAGE_BUCKET:interview-guide}
    region: ${APP_STORAGE_REGION:us-east-1}

⚠️注意：

  1. JPA 的 ddl-auto 已配置为 update（智能模式），首次启动会自动创建表，后续重启保留数据。
  2. 如果本地有 Minio 的话，可以用其替换 RustFS。

5. 启动服务

若使用本仓库的 Docker 只启动依赖（PostgreSQL / Redis / MinIO），可先执行 docker compose up -d postgres redis minio createbuckets，将根目录 .env.example 复制为 .env 并填写 AI_BAILIAN_API_KEY，再运行后端；默认账号与 docker-compose.yml 一致。需要显式启用 application-dev.yml 时，可使用 ./gradlew bootRun --args='--spring.profiles.active=dev'。

后端：

./gradlew bootRun

后端服务启动于 http://localhost:8080

前端：

cd frontend
pnpm install
pnpm dev

前端服务启动于 http://localhost:5173

Docker 快速部署

本项目提供了完整的 Docker 支持，可以一键启动所有服务（前后端、数据库、中间件）。

1. 前置准备

  • 安装 Docker 和 Docker Compose
  • 申请阿里云百炼 API Key（用于 AI 对话功能）

2. 快速启动

在项目根目录下执行：

.env.example 中的 PostgreSQL、Redis、MinIO 已与 docker-compose.yml 对齐（数据库用户 postgres / 密码 password，MinIO minioadmin / minioadmin）。复制为 .env 后主要填写 AI_BAILIAN_API_KEY；若你曾在旧版本中使用过不同的库密码或对象存储密钥，请同步修改 .env，必要时重建 Postgres 卷以免旧数据与密码不一致。

# 1. 复制环境变量配置文件
cp .env.example .env

# 2. 编辑 .env 文件，填入 AI 配置
# vim .env
# 必填：AI_BAILIAN_API_KEY=your_key_here
# 可选：AI_MODEL=qwen-plus        # 默认值为 qwen-plus
#        # 也可以改为 qwen-max、qwen-long 等其他可用模型
#
# 多 LLM 提供商支持（可选）：
# APP_VOICE_INTERVIEW_LLM_PROVIDER=dashscope  # 默认使用 DashScope
#        # 也支持：minimax, openai, deepseek, lmstudio
#        # 如需使用其他提供商，请参考 .env.example 中的配置说明
#
# 面试参数配置（可选）：
# APP_INTERVIEW_FOLLOW_UP_COUNT=1         # 每个主问题生成追问数量（默认 1）
# APP_INTERVIEW_EVALUATION_BATCH_SIZE=8   # 回答评估分批大小（默认 8）

# 3. 构建并启动所有服务
docker-compose up -d --build

3. 服务访问

启动完成后，您可以通过以下地址访问各个服务：

服务 地址 默认账号 默认密码 说明
前端应用 http://localhost - - 用户访问入口
后端 API http://localhost:8080 - - RESTful API
接口文档 http://localhost:8080/swagger-ui.html - - SpringDoc/Swagger UI
MinIO 控制台 http://localhost:9001 minioadmin minioadmin 对象存储管理
MinIO API localhost:9000 - - S3 兼容接口
PostgreSQL localhost:5432 postgres password 数据库 (包含 pgvector)
Redis localhost:6379 - - 缓存与消息队列

4. 常用运维命令

# 查看服务状态
docker-compose ps

# 查看后端日志
docker-compose logs -f app

# 停止并移除所有服务
docker-compose down

# 清理无用镜像（构建产生的中间层）
docker image prune -f

使用场景

用户角色 使用场景
求职者 上传简历获取分析建议，进行模拟面试练习
HR/招聘人员 批量分析简历，评估候选人能力
培训机构 提供面试培训服务，管理知识库资源

常见问题

Q: 数据库表创建失败/数据丢失

检查 JPA 的 ddl-auto 配置。ddl-auto 模式对比：

模式 行为 适用场景 数据保留
update 智能模式：表不存在自动创建，存在则增量更新 开发环境（推荐） ✅ 保留
create 无条件删除并重建所有表 仅首次建表时使用 ❌ 删除
validate 只验证，不修改 生产环境 ✅ 保留
none 什么都不做 生产环境 ✅ 保留

推荐配置（已默认）：

jpa:
  hibernate:
    ddl-auto: update  # 首次启动自动创建表，后续保留数据并增量更新

⚠️ 注意：避免使用 create 模式，否则每次重启都会删除所有数据！

Q: 知识库向量化失败

当 initialize-schema: false 时，Spring AI 不会自动创建 vector_store 表。

spring:
  ai:
    vectorstore:
      pgvector:
        initialize-schema: true

建议开发环境设置为 true，方便快速启动。生产环境设置为 false，手动管理数据库 schema，避免意外变更。

Q: 简历分析失败

检查一下阿里云 DashScope API KEY 是否配置正确（申请地址：https://bailian.console.aliyun.com/）。

Q: 简历分析一直显示"分析中"？

检查 Redis 连接和 Stream Consumer 是否正常运行。查看后端日志确认是否有错误。

Q: PDF 导出失败或中文显示异常？

项目已内置中文字体（珠圆玉润仿宋），支持跨平台导出。如遇到问题，请检查：

  • 字体文件是否存在：app/src/main/resources/fonts/ZhuqueFangsong-Regular.ttf
  • 检查日志中的字体加载信息
  • 确认 iText 依赖是否正确

Q: Windows PowerShell 下后端日志中文乱码？

原因简述：后端与 Logback 按 UTF-8 输出日志；中文 Windows 下控制台默认多为 GBK（代码页 936），且 PowerShell 的 $OutputEncoding、控制台编码若未统一为 UTF-8，显示时就会把同一串字节解释错，出现乱码。

本项目已做的配置（一般无需再改）：根目录 gradle.properties（Gradle 进程 UTF-8）、app/src/main/resources/logback-spring.xml（控制台日志 UTF-8）、app/build.gradle 中 bootRun 的 JVM 参数（含 file.encoding / stdout.encoding / stderr.encoding）。

仍乱码时（PowerShell 侧）：在启动 ./gradlew bootRun 的同一终端先执行下面一段；或写入 PowerShell 配置文件（$PROFILE）以便每次自动生效：

chcp 65001 | Out-Null
[Console]::OutputEncoding = [System.Text.UTF8Encoding]::new($false)
[Console]::InputEncoding  = [System.Text.UTF8Encoding]::new($false)
$OutputEncoding = [System.Text.UTF8Encoding]::new($false)

新建或编辑配置文件：if (!(Test-Path $PROFILE)) { New-Item -Path $PROFILE -ItemType File -Force }，再 notepad $PROFILE 将上述内容粘贴保存；新开终端后生效，或执行 . $PROFILE 立即加载。若提示脚本无法执行，可执行一次：Set-ExecutionPolicy -Scope CurrentUser -ExecutionPolicy RemoteSigned。

在 PowerShell 中建议使用 .\gradlew.bat :app:bootRun（或仓库根目录的 .\gradlew.bat），避免与执行策略、路径解析相关的问题。

贡献

欢迎提交 Issue 和 Pull Request！

许可证

AGPL-3.0 License（只要通过网络提供服务，就必须向用户公开修改后的源码）

About

基于 Spring Boot 4.0 + Java 21 + Spring AI + PostgreSQL + pgvector + RustFS + Redis，实现简历智能分析、AI模拟面试、知识库RAG检索等核心功能。非常适合作为学习和简历项目，学习门槛低。

javaguide.cn/zhuanlan/interview-guide.html

Topics

redis gradle tika postgresql springboot redisson mapstruct itext7 rag redisstreams pgvector springai rustfs springboot4

Resources

Readme

License

AGPL-3.0 license
Activity

Stars

1.5k stars

Watchers

5 watching

Forks

333 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages