AI Interview Platform

让简历诊断、模拟面试、知识库问答，收敛成一套真正能跑起来的 AI 求职工作台。

项目简介

AI Interview Platform 是一个面向求职场景的全栈 AI 应用，围绕三条主线展开：

• 简历上传与智能分析
• 基于简历生成模拟面试并给出评估报告
• 基于自建知识库的 RAG 问答与多轮聊天

它不是把几个大模型接口简单拼起来，而是把文档解析、对象存储、异步任务、向量检索、流式输出、会话缓存和 PDF 导出串成了一条完整链路。结果就是：你可以从上传简历开始，一路走到面试评估与知识沉淀，整个过程在同一套系统里闭环。

---

核心能力

能力	用户能得到什么	当前实现方式
简历分析	上传 PDF / DOCX / TXT / MD 后自动获得评分、摘要、亮点与改进建议	Apache Tika 解析文档，S3 兼容对象存储保存原文件，Redis Stream 异步触发 AI 分析，结果支持 PDF 导出
模拟面试	基于简历内容生成题目，逐题作答，生成完整面试报告	Spring AI 生成问题，Redis 缓存会话状态，异步评估答案并持久化历史
知识库问答	上传资料后构建私有知识库，支持多知识库联合检索和流式回答	PostgreSQL + pgvector 存储向量，Spring AI 做 RAG 检索增强，SSE 输出实时答案
多轮聊天	围绕知识库持续追问、保留会话上下文	独立 RAG Chat Session，消息落库，流式响应完成后回填消息内容
系统韧性	长耗时 AI 任务不阻塞主线程，热点接口具备限流与重试能力	Java 21 虚拟线程、Redis Stream、Lua 限流脚本、结构化输出重试机制

---

架构总览

flowchart LR
    U[Browser] --> F[React 18 + Vite + Tailwind CSS]
    F -->|REST / SSE| B[Spring Boot 4 Backend]

    subgraph Backend
      M1[Resume Module]
      M2[Interview Module]
      M3[KnowledgeBase Module]
      C[Common / Infrastructure]
    end

    B --> P[(PostgreSQL 16 + pgvector)]
    B --> R[(Redis 7)]
    B --> S[(S3 Compatible Storage)]
    B --> A[DashScope Compatible LLM / Embedding]

    R --> W[Redis Stream Consumers]
    W --> A
    W --> P

    F -->|Container Deploy| N[Nginx]

Loading

分层设计

后端代码位于 app/src/main/java/interview/guide，采用比较清晰的分层：

• common
  • 统一结果封装、异常体系、限流注解与切面、异步 Stream 抽象、AI 结构化输出封装
• infrastructure
  • 文档解析、文件存储、Redis 能力封装、PDF 导出、MapStruct 映射器
• modules/resume
  • 简历上传、去重、解析、分析历史、重新分析、PDF 导出
• modules/interview
  • 面试问题生成、会话管理、答案提交、评估报告、面试历史
• modules/knowledgebase
  • 知识库上传、向量化、RAG 查询、知识库管理、多轮聊天会话

前端位于 frontend/，使用 React + React Router + Axios + Tailwind CSS + Framer Motion + Recharts，把功能拆成页面、组件、API 层和类型定义四块，便于快速迭代。

前端界面与交互

前端不是一个单页表单，而是一套围绕求职流程设计的工作台：

• 上传简历页
  • 上传后自动进入简历库查看分析状态
• 简历库与详情页
  • 查看历史分析、评分雷达图、改进建议、导出报告
• 模拟面试页
  • 逐题答题、自动保存、面试完成后查看记录
• 知识库管理页
  • 上传、分类、删除、重试向量化、统计数据
• 问答助手页
  • 面向多个知识库的流式 RAG 聊天

同时，前端还做了这些工程细节：

• React Router 路由拆分与懒加载
• Vite manualChunks 做基础 vendor 拆包
• Axios 统一解包后端 Result<T> 响应结构
• Tailwind + Framer Motion 负责界面与动效
• Recharts 负责雷达图和分数可视化

---

项目结构

interview-guide/
├─ app/                        # Spring Boot 后端
│  ├─ src/main/java/interview/guide
│  │  ├─ common/               # 通用能力：异常、限流、异步、AI封装、配置
│  │  ├─ infrastructure/       # 文件、存储、Redis、导出、Mapper
│  │  └─ modules/
│  │     ├─ resume/            # 简历分析模块
│  │     ├─ interview/         # 模拟面试模块
│  │     └─ knowledgebase/     # 知识库/RAG模块
│  ├─ src/main/resources/      # application.yml、prompt、Lua 脚本、字体
│  └─ src/test/java/           # JUnit 5 测试
├─ frontend/                   # Vite + React 前端
│  ├─ src/api/                 # API 请求封装
│  ├─ src/components/          # 可复用组件
│  ├─ src/pages/               # 页面级组件
│  ├─ src/types/               # 类型定义
│  └─ src/utils/               # 工具函数
├─ docker/                     # 初始化脚本
├─ docker-compose.yml          # 一体化本地部署
└─ .env.example                # 环境变量模板

---

技术栈

后端

• Java 21
• Spring Boot 4
• Spring AI 2.0
• Spring Data JPA
• PostgreSQL 16
• pgvector
• Redisson / Redis Stream
• Apache Tika
• AWS S3 SDK
• MapStruct
• iText 8

前端

• React 18
• Vite 5
• TypeScript 5
• Tailwind CSS 4
• React Router
• Axios
• Framer Motion
• Recharts

基础设施

• Docker Compose
• Redis 7
• PostgreSQL + pgvector
• MinIO
• Nginx
• DashScope OpenAI 兼容接口

说明：代码里的存储层按 S3 兼容对象存储 抽象，当前 docker-compose 默认使用 MinIO；如果切换到 RustFS 或云厂商 S3，只需要调整存储配置。

---

快速开始

环境要求

• JDK 21
• Node.js 20+
• pnpm 10+
• Docker / Docker Compose
• 可用的 AI_BAILIAN_API_KEY

方式一：一条命令启动整套系统

这是最快的体验方式。

1. 准备环境变量

复制根目录的环境变量模板，并填写你的百炼 API Key：

cp .env.example .env

至少需要配置：

AI_BAILIAN_API_KEY=your_api_key_here
AI_MODEL=qwen-plus

如果文本模型要切到只支持 /v1/responses 的供应商，额外配置：

APP_AI_TEXT_PROVIDER=responses
APP_AI_RESPONSES_BASE_URL=https://api.openai.com
APP_AI_RESPONSES_PATH=/v1/responses
AI_RESPONSES_API_KEY=your_responses_api_key_here
APP_AI_RESPONSES_MODEL=gpt-5.4

说明：知识库 embedding 仍沿用 AI_BAILIAN_API_KEY 对应的 Spring AI OpenAI 兼容配置。

2. 启动所有服务

docker compose up -d --build

3. 打开系统

• 前端：http://localhost
• 后端：http://localhost:8080
• MinIO Console：http://localhost:9001
• PostgreSQL：localhost:5432
• Redis：localhost:6379

---

方式二：前后端分离开发

适合本地调试代码。

1. 先启动基础设施

docker compose up -d postgres redis minio createbuckets

2. 启动后端

Windows:

.\gradlew.bat bootRun

macOS / Linux:

./gradlew bootRun

3. 启动前端

cd frontend
pnpm install
pnpm dev

启动后访问：

• 前端开发环境：http://localhost:5173
• 后端接口：http://localhost:8080

前端开发服务器已经代理 /api 到后端，无需手动改请求地址。

---

常用命令

场景	命令
启动后端	.\gradlew.bat bootRun
后端测试	.\gradlew.bat test
安装前端依赖	cd frontend && pnpm install
启动前端开发环境	cd frontend && pnpm dev
构建前端	cd frontend && pnpm build
启动全套容器	docker compose up -d --build
关闭全套容器	docker compose down

---

关键配置说明

必填配置

变量名	说明	默认值
AI_BAILIAN_API_KEY	百炼 API Key，必填	无
AI_MODEL	聊天模型名称	qwen-plus
APP_AI_TEXT_PROVIDER	文本生成供应商，spring-ai 或 responses	spring-ai
APP_AI_RESPONSES_BASE_URL	Responses API 根地址，例如 https://icoe.pp.ua	空
APP_AI_RESPONSES_PATH	Responses API 路径	/v1/responses
AI_RESPONSES_API_KEY	Responses API Key	空
APP_AI_RESPONSES_MODEL	Responses 模型名称	跟随 AI_MODEL

常用可选配置

变量名	说明	默认值
POSTGRES_HOST	PostgreSQL 地址	localhost
POSTGRES_PORT	PostgreSQL 端口	5432
REDIS_HOST	Redis 地址	localhost
REDIS_PORT	Redis 端口	6379
APP_STORAGE_ENDPOINT	对象存储地址	http://localhost:9000
APP_INTERVIEW_FOLLOW_UP_COUNT	每题追问数量	1
APP_INTERVIEW_EVALUATION_BATCH_SIZE	评估批量大小	8

---

开发提示

• 当前 app/src/main/resources/application.yml 中 spring.jpa.hibernate.ddl-auto 为 create
  • 这适合首次启动快速建表，但如果你希望保留已有数据，建议在本地初始化完成后改为 update
• 文件上传大小默认上限为 50MB
  • 简历业务层额外限制为 10MB
• 知识库问答与 RAG Chat 使用 SSE 输出流式内容
• 后端统一采用 Result<T> 响应格式，前端 Axios 已做统一拆包

---

扩展方向

• 用户体系与多租户知识库
• 面试录音 / 语音转写
• 更细粒度的权限与审计
• 更完整的可观测性与任务监控
• 生产环境 schema 管理与 CI/CD

---

License

本项目当前仓库包含 LICENSE 文件，使用前请结合实际授权条款确认。