智演沙盘 —— 基于大模型的智能面试评估系统

一、背景和项目介绍

1. 选题背景（为什么要选这个？）

在当前的就业环境下，招聘方和求职者都面临痛点。

• 企业端 ：简历筛选量大，初面耗时耗力，且不同面试官的评判标准不一致，难以保证客观性。

• 求职者端 ：缺乏真实的面试演练机会，很难在面试后得到具体的反馈和改进建议。
  2. 项目介绍（这是什么？）

"智演沙盘"是一个基于 AI 大模型技术的垂直领域应用。它模拟了真实的面试场景，能够扮演专业的"AI 面试官"。

系统不仅能根据候选人的简历和投递岗位自动生成个性化面试题，还能进行多轮深度的技术追问。面试结束后，系统会立即生成一份包含能力雷达图、得分详情和改进建议的专业评估报告。

3. 核心价值

• 提效 ：为 HR 自动化完成初筛面试。

• 赋能 ：帮助求职者低成本、高频次地进行实战演练。

二、项目流程介绍

用户在我的系统中，会经历一个完整的闭环流程，我将其分为四个阶段：

**第一阶段：**简历解析与定岗 用户上传 PDF 简历，系统通过大模型提取关键技能（如 Python, Vue）和项目经历。用户随后确认目标岗位（如"Python 后端工程师"），系统根据简历和岗位生成匹配的初始题库。

**第二阶段：**沉浸式面试（核心） 进入面试间，AI 面试官发起提问。

• 用户输入回答后，系统进行实时分析。

• 追问机制 ：如果用户回答正确但不够深入，或者回答模糊，AI 会像真人一样发起追问，挖掘用户的技术深度。
  **第三阶段：**智能评分 每一轮对话结束后，后端都会实时调用大模型进行评分。系统不仅看对错，还评估逻辑性、完整性。所有数据通过流式传输实时反馈。

**第四阶段：**生成报告 面试结束，系统汇总所有维度的得分，生成"雷达图"（能一眼看出用户什么技术栈薄弱），并给出具体的学习建议，存入历史记录供用户复盘。

三、核心模块实现

为了实现上述流程，我重点设计了以下六个核心模块：

**1. AI 面试引擎模块（基于 Dify Workflow）**这是项目的"大脑"。我没有简单调用 ai 接口，而是利用 Dify 编排了工作流。

• 实现细节 ：我将"出题"、"评分"、"追问判断"拆解为独立的节点。

• 难点解决 ：针对大模型生成慢的问题，我实现了 Streaming 流式传输 。后端与 AI 建立长连接，实时将生成的文字推送到前端，避免了 HTTP 504 超时，也让用户感觉响应速度很快。

2. 追问状态机为了让 AI 不会"乱问"，我在后端维护了一个面试状态机，将不可控的对话转化为可控的流程。

• 逻辑 ：当用户提交答案后，系统会判断：(1) 当前题目是否已结束？ (2) 是否还有追问机会？

• 策略 ：如果追问次数 未达到最大追问次数，系统自动触发"追问分支"，生成关联问题；否则进入下一题。

3. 评分客观性控制（CoT 思维链） 为了防止 AI 瞎打分（幻觉问题）。

• 实现 ：我在 Prompt 中引入了 CoT（Chain of Thought）思维链 技术。

• 效果 ：强制要求 AI 在打分前，先列出"用户回答了什么"、"标准答案是什么"、"缺漏了什么"，最后才给出分数。这种"先思考后打分"的机制，大大提高了评分的稳定性和可解释性。

4. 简历解析与清洗模块（OCR & NLP） 这是系统的入口，实现了对非结构化数据的处理。

• 功能 ：用户上传 PDF/TXT 简历后，系统利用 Coze 的文档处理能力，自动提取出"技术栈"、"项目经历"等关键信息。

• 亮点 ：针对大模型输出格式不稳定的痛点，我编写了 鲁棒的正则清洗器（Regex Cleaner） ，能够自动修复 AI 返回的 JSON 格式错误，确保简历解析的成功率接近 100%。

5. 身份认证与权限模块为了保证数据的安全性，我构建了标准的 JWT 认证体系。

• 技术 ：Django Rest Framework + SimpleJWT。

• 实现 ：用户登录后获取 Token，前端 Axios 拦截器自动将 Token 注入到每个请求头中。后端通过权限类（Permissions）严格控制用户只能查看自己的面试报告。

6. 多维能力评估与可视化模块（数据出口） 这是系统的出口，负责将复杂的面试数据转化为直观的报告。

• 后端实现 ：利用 Django ORM 的聚合函数（Aggregation），对面试记录按技术栈进行分组计算，得出"Python基础"、"架构设计"、"项目经验"等不同维度的加权得分。

• 前端实现 ：集成 ECharts 图表库，动态渲染"五维能力雷达图"，让用户一眼就能识别自己的技能短板，实现所见即所得的复盘效果。

四、相应界面展示

我的前端基于 Vue 3 + Element Plus 构建，主要包含三个核心界面：

1. 数据仪表盘（Dashboard）

• 展示内容 ：用户登录后的首页。展示了最近的面试场次、平均分趋势图（折线图）以及待进行的面试任务。

• 设计意图 ：让用户对自己的练习进度一目了然。

2. 智能面试间（Interview Room）

• 展示内容 ：这是一个类似聊天窗口的界面。左侧是 AI 的提问和历史对话，右侧是当前题目的倒计时和答题区。

• 交互细节 ：采用了流式打字机效果，AI 的回复是一个字一个字蹦出来的，模拟真人打字，增强临场感。

3. 评估报告页（Report Detail）

• 展示内容 ：页面顶部是一个 ECharts 渲染的能力雷达图，直观展示短板。下方是详细的"题目复盘"，每一道题都列出了用户的回答、AI 的点评以及参考答案。

五、总结与收获

通过开发"智演沙盘"这个项目，我不仅完成了一个功能完备的产品，更在技术广度和深度上有了质的飞跃：

1. 技术栈的全面掌握 我独立完成了从数据库设计（MySQL）、后端接口开发（Django/DRF）到前端页面构建（Vue3）的全栈开发工作。深刻理解了前后端分离架构下的数据交互和状态管理。

2. AI 应用落地的工程化能力 我不仅学会了怎么调用 API，更解决了 AI 落地中的实际工程问题。比如：

• 通过 流式响应 解决了大模型的高延迟问题。

• 通过 Prompt Engineering 和 CoT 解决了模型输出不可控的问题。

• 通过 状态机逻辑 将不可控的对话变成了可控的业务流程。

3. 解决问题的信心 在开发过程中，我遇到了诸如跨域（CORS）、Token 过期处理、数据库连接超时等经典问题。通过查阅文档、调试源码，我一一攻克了这些难点。这让我相信，我有能力应对未来工作中复杂的业务挑战。