基于大语言模型的简历分析和模拟面试系统

InterviewGuide 是一个集成了简历分析、模拟面试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）和向量数据库技术，为求职者和 HR 提供智能化的简历评估和面试练习服务。

项目地址：

Github：https://github.com/Snailclimb/interview-guide

Gitee：https://gitee.com/SnailClimb/interview-guide

这是一个基于 Spring Boot 4.0 + Java 21 + Spring AI 2.0 的 AI 智能面试辅助平台。系统提供三大核心功能：

智能简历分析：上传简历后，AI 自动进行多维度评分并给出改进建议

模拟面试系统：基于简历内容生成个性化面试题，支持实时问答和答案评估

RAG 知识库问答：上传技术文档构建私有知识库，支持向量检索增强的智能问答

1、添加 API 限流保护：基于 Redis+Lua 封装分布式限流组件，支持按用户、IP 或全局维度的精准流量控制，有效防御恶意刷接口行为，保障高价值 AI API 的配额安全。

2、前端性能优化：

RAG 聊天界面引入虚拟列表。

引入懒加载和代码分割，解决了首屏加载缓慢和 Bundle 体积过大的问题。

3、功能优化：

向量功能和 Tika 简历解析优化。

增加面试问题去重功能，避免重复提问。

4、Docker 快速部署：通过 Docker Compose 一键搭建包含数据库扩展、缓存、对象存储在内的全套运行环境。

5、后端方向：提供"架构与分布式能力侧重"、"AI 应用与响应式编程侧重"、"工程化与基础设施侧重"三个版本，无论你面试的是后端、大模型应用还是架构岗位，都能找到最合适的切入点。

6、测试/测开方向：专门设计了"单元测试与 TDD"以及"功能/异常场景覆盖"两个版本，突出测试工程师在 AI 质量保障中的核心竞争力。

后端方向版本一（架构与分布式能力侧重）

技术栈列表：

• Java 21
• Spring Boot 4.0
• Spring AI 2.0
• PostgreSQL（含 pgvector 向量扩展）
• Redis
• Apache Tika（用于文档解析）
• iText 8（用于 PDF 处理）
• Docker（容器化部署）
• Gradle 8.14（构建工具）

这是一个基于大语言模型的简历分析与模拟面试系统，主要功能包括：

• 简历评估与建议
• 个性化面经练习
• 简历/文档上传与智能问答
• PDF 报告导出

测试/测开方向版本二（功能测试与异常场景覆盖）

测试技术栈与工具：

• JUnit 5：单元测试框架
• Mockito：模拟框架（用于创建和管理测试替身，如 Mock、Stub）
• Spring Boot Test：Spring Boot 应用集成测试支持
• Redis：（用于集成测试或模拟缓存层）
• StepVerifier：（通常指 Project Reactor 的测试工具，用于测试响应式流，验证 SSE 流式输出）
• AssertJ：流式断言库，提供更丰富的断言语法
• inOrder 验证：（通常指 Mockito 的验证模式，确保方法按特定顺序调用）

测试覆盖核心功能：

• 向量检索服务测试
• SSE 流式输出验证
• 全局异常处理与系统稳定性测试
• 各种异常场景下的系统行为验证

根据您提供的多个章节标题，这看起来是一个基于大语言模型的简历分析与模拟面试系统 的完整项目开发课程大纲。以下是这些内容的梳理和归类：

📦 项目概述

一个基于大语言模型的智能简历分析与模拟面试平台，支持简历评估、RAG知识库问答、模拟面试和PDF报告导出等功能。

🗺️ 课程大纲结构

第一阶段：环境搭建

1. 本地搭建 PostgreSQL + PGvector 向量数据库

   • 向量数据库环境配置
   • 支持简历和面经的向量化存储与检索

2. Spring Boot + RustFS 构建高性能 S3 兼容的对象存储服务

   • 构建简历文件存储服务
   • 支持多格式文档上传与管理

3. 大模型 API 申请和 Ollama 部署本地模型

   • 云端大模型API接入
   • 本地模型部署（Ollama）
   • 模型服务配置

4. 环境搭建终章与项目启动

   • 整体环境验证
   • 项目初始化启动

第二阶段：核心功能开发

5. 简历上传、多格式内容提取与解析

   • 支持PDF/DOCX等格式
   • 使用Apache Tika等工具进行内容提取

6. Spring AI 与大模型集成

   • Spring AI框架接入
   • 大模型对话接口实现

7. Spring AI + pgvector 实现 RAG 知识库问答

   • 检索增强生成（RAG）实现
   • 向量化检索与上下文增强

8. 手把手教你写出生产级结构化 Prompt

   • Prompt工程实践
   • 结构化提示词设计

9. AI 模拟面试功能

   • 智能面试对话
   • 面试场景模拟

10. 基于 iText 8 实现 PDF 报告导出

    • 评估报告生成
    • PDF格式化输出

11. 基于 SSE（Server-Sent Events）的打字机效果输出

    • 流式响应实现
    • 实时打字机效果

12. Docker Compose 一键部署

    • 容器化部署配置
    • 多服务编排

第三阶段：进阶优化

13. 统一异常处理与业务错误码设计

    • 全局异常处理
    • 标准化错误响应

14. MapStruct 实体映射最佳实践

    • 对象映射优化
    • 性能提升

15. 基于 Redis Stream 的异步任务处理实现

    • 异步任务队列
    • 后台处理任务

16. Spring Boot 4.0 升级指南

    • 版本迁移
    • 新特性应用

🛠️ 涉及核心技术栈

• 后端框架：Spring Boot 4.0, Spring AI 2.0
• 数据库：PostgreSQL + pgvector, Redis
• AI/ML：大模型API, Ollama, RAG
• 文件处理：Apache Tika, iText 8
• 存储服务：RustFS (S3兼容对象存储)
• 部署：Docker, Docker Compose
• 构建工具：Gradle
• 开发语言：Java 21

🎯 项目特色功能

1. 智能简历分析 - 多格式解析与内容提取
2. RAG知识库 - 向量检索增强问答
3. AI模拟面试 - 个性化面试练习
4. 实时交互 - SSE流式输出打字机效果
5. 专业报告 - PDF格式评估报告
6. 高性能存储 - 自建S3兼容对象存储
7. 生产级部署 - Docker容器化一键部署

这是一个非常完整的全栈AI应用开发项目，覆盖了从环境搭建、核心功能开发到生产优化的全流程。

这是一个完整且专业的大模型简历分析与面试系统后端架构。

🏗️ 后端系统架构（五层设计）

1. REST Controllers（API入口层）

• 职责：统一的HTTP API入口，接收并验证请求
• 技术：Spring MVC RESTful API
• 功能：请求路由、参数校验、响应格式化

2. 业务服务层（核心业务逻辑）

服务模块	核心职责
Interview Service	面试会话管理、AI问题生成、答案评估
Knowledge Service	知识库文档上传、文本分块、向量化处理
RAG Chat Service	检索增强生成、流式问答（打字机效果）
Resume Service	简历上传、多格式解析、AI智能分析

3. 异步处理层（高性能关键）

• 技术：Redis Stream 消息队列
• 架构：生产者-消费者模式
• 异步任务类型 ：
  • 简历深度分析
  • 知识库文档向量化
  • 面试报告生成
  • PDF报告导出

4. AI 集成层（智能核心）

• 框架：Spring AI 2.0
• 模型对接：DashScope（通义千问）API + 本地Ollama
• 统一接口 ：标准化LLM调用，支持：
  • 对话生成（模拟面试）
  • 文本向量化（embedding）
  • 内容分析评估

5. 数据存储层（多类型存储）

存储类型	技术方案	存储内容
关系+向量数据库	PostgreSQL + pgvector	用户数据、元数据、向量数据
缓存+队列	Redis	会话状态、任务队列
文件存储	RustFS/MinIO (S3兼容)	原始文件（PDF、DOCX等）

🔄 核心流程详解

📄 异步处理流程（简历分析/向量化）

1. 上传请求 → 保存文件到S3 → 发送Redis Stream消息 → 立即返回任务ID
2. 后台Consumer监听Stream → 消费消息
3. 执行分析/向量化任务（调用AI服务）
4. 更新数据库任务状态
5. 前端轮询获取任务状态

状态流转 ：PENDING → PROCESSING → COMPLETED / FAILED

💬 知识库问答流程（RAG）

1. 用户提问 → 问题向量化（Embedding）
2. pgvector相似度搜索 → 检索相关文档片段
3. 构建上下文增强的Prompt
4. LLM生成智能回答
5. SSE流式返回（打字机效果）

🛠️ 完整技术栈概览

后端开发

• 语言: Java 21
• 框架: Spring Boot 4.0 + Spring AI 2.0
• 构建: Gradle 8.14
• 对象映射: MapStruct

数据存储

• 主库: PostgreSQL + pgvector（向量检索）
• 缓存/队列: Redis + Redis Stream
• 文件存储: RustFS/MinIO（S3兼容）

AI/ML能力

• AI框架: Spring AI
• 大模型: 通义千问（DashScope）+ Ollama本地模型
• RAG: 检索增强生成

文件处理

• 文档解析: Apache Tika
• PDF生成: iText 8
• 流式输出: SSE（Server-Sent Events）

部署运维

• 容器化: Docker + Docker Compose
• 测试: JUnit 5, Mockito, Spring Boot Test
• 监控: 统一异常处理、业务错误码

🎯 架构优势

1. 解耦清晰：五层架构，职责分离
2. 性能优化：异步处理耗时任务，SSE流式响应
3. 扩展性强：支持多模型、多存储、多格式
4. 生产就绪：完整的异常处理、监控、部署方案
5. AI友好：深度集成Spring AI，统一LLM接口

这是一个典型的现代化AI应用后端架构，结合了传统微服务设计模式与AI专项能力，适合作为生产级项目模板。

🏗️ 智能简历分析与模拟面试系统 - 技术架构文档

📋 技术栈总览

🖥️ 后端技术栈

技术	版本	说明
Spring Boot	4.0	应用框架
Java	21	开发语言
Spring AI	2.0	AI集成框架
PostgreSQL + pgvector	14+	关系数据库 + 向量存储
Redis	6+	缓存 + 消息队列（Stream）
Apache Tika	2.9.2	多格式文档解析
iText 8	8.0.5	PDF报告导出
MapStruct	1.6.3	高性能对象映射
Gradle	8.14	构建工具

🎨 前端技术栈

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	原子化CSS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

🔍 关键技术选型详解

1. 为什么选择 Spring AI？

核心优势：

• 统一抽象：一套代码支持多种LLM提供商（OpenAI、阿里云DashScope、Ollama等）
• 生态集成：与Spring Boot无缝集成，支持自动配置、依赖注入
• 向量存储支持：原生支持pgvector、Milvus等向量数据库
• 结构化输出 ：通过BeanOutputConverter将LLM输出直接映射为Java对象

// Spring AI 结构化输出示例
var converter = new BeanOutputConverter<>(ResumeAnalysisDTO.class);
String result = chatClient.prompt()
    .system(systemPrompt)
    .user(userPrompt + converter.getFormat())
    .call()
    .content();
return converter.convert(result);  // 直接得到Java对象

2. 为什么选择 PostgreSQL + pgvector？

方案对比分析：

方案	优点	缺点
PostgreSQL + pgvector	一套数据库搞定，运维简单	向量检索性能不如专业向量库
PostgreSQL + Milvus	向量检索性能更好	多一个组件，运维复杂度增加
PostgreSQL + Pinecone	云托管，无需运维	成本高，数据在第三方

选择理由：

1. 架构简单：不引入额外组件，降低运维复杂度
2. 性能够用：HNSW索引支持毫秒级检索，万级文档场景足够
3. 事务一致性：向量数据和业务数据在同一数据库
4. SQL查询：可结合WHERE条件进行过滤检索

-- pgvector 相似度搜索示例
SELECT content, 1 - (embedding <=> $1) as similarity
FROM vector_store
WHERE metadata->>'category' = 'Java'
ORDER BY embedding <=> $1
LIMIT 5;

3. 为什么引入 Redis？

主要使用场景：

1. 会话缓存：替代ConcurrentHashMap实现分布式会话管理
2. 异步任务队列：基于Redis Stream处理耗时AI任务（简历分析、向量化）

消息队列方案对比：

维度	Redis Stream	RabbitMQ	Kafka	内存队列
吞吐量	高（十万级QPS）	中（万级QPS）	极高（百万级）	极高（千万级）
延迟	极低（亚毫秒）	低（毫秒）	中（毫秒级）	极低（纳秒）
持久化	支持（RDB/AOF）	支持	强支持	无
运维复杂度	低	中	高	极低
适用场景	轻量级流处理	复杂路由	大数据流	进程内解耦

选择Redis Stream的理由：

• 复用现有组件：无需引入新中间件
• 功能满足需求：支持消费者组、消息确认、持久化
• 运维简单：对中小型项目完全够用

4. 构建工具为什么选择 Gradle？

• SpringBoot官方现在使用Gradle
• 相比Maven更新颖，配置更简洁
• 个人偏好，构建脚本更灵活

5. 为什么使用 MapStruct？

对象映射方案对比：

方案	性能	类型安全	使用复杂度
MapStruct	零反射，最快	编译时检查	定义接口即可
BeanUtils	反射，慢	运行时报错	一行代码
ModelMapper	反射，较慢	运行时报错	配置复杂
手写转换	最快	编译时检查	重复代码多

6. 为什么使用 Apache Tika？

• 格式支持全：支持上百种文档格式（PDF、DOCX、TXT等）
• 自动识别：根据文件内容自动检测格式
• 统一API：屏蔽不同格式差异，统一提取纯文本

// Tika解析示例
Tika tika = new Tika();
String content = tika.parseToString(inputStream); // 自动识别并提取文本

7. 为什么使用 SSE 而不是 WebSocket？

技术方案对比：

方案	优点	缺点
SSE	简单，基于HTTP，单向推送	仅支持服务端→客户端
WebSocket	双向通信，功能强大	协议复杂，需维护连接状态

选择SSE的理由：

• 场景匹配：LLM流式输出是单向的（服务端→客户端）
• 实现简单：基于HTTP，天然支持重连、跨域
• Spring支持好 ：Flux<ServerSentEvent<String>>一行代码搞定

8. 前端技术选型理由

技术	选择理由
React	生态最成熟，组件化开发，社区资源丰富
TypeScript	类型安全，IDE智能提示，减少运行时错误
Vite	开发服务器启动快（秒级），HMR热更新体验好
Tailwind CSS	原子化CSS，快速开发，无需写CSS文件

🎯 架构设计亮点

1. PostgreSQL的"瑞士军刀"优势

PostgreSQL在AI时代的核心优势是其强大的可扩展性：

• AI向量检索：pgvector扩展
• 全文搜索：内置支持或pg_bm25扩展
• 时序数据：TimescaleDB扩展
• 地理信息：PostGIS扩展

这种"一站式"解决能力让项目不需要依赖大量外部中间件，极大地简化了技术栈和运维成本。

2. 异步处理架构

• 耗时任务异步化：简历分析、向量化等10-60秒的任务异步处理
• 状态管理 ：PENDING → PROCESSING → COMPLETED/FAILED
• 用户体验：立即返回任务ID，前端轮询获取结果

3. RAG流程优化

问题 → 向量化 → pgvector相似度搜索 → 上下文增强 → LLM生成 → SSE流式返回

📊 技术选型总结

技术类别	选择方案	核心理由
AI框架	Spring AI	官方支持，生态集成，统一抽象
数据库	PostgreSQL + pgvector	一体化方案，运维简单，事务一致
消息队列	Redis Stream	轻量级，复用组件，满足需求
对象映射	MapStruct	零反射，高性能，类型安全
文档解析	Apache Tika	格式支持全，自动识别
流式输出	SSE	场景匹配，实现简单
前端框架	React + TS + Vite	生态成熟，开发体验好

这个技术选型体现了务实与创新结合的理念：既选择了成熟稳定的基础框架（Spring Boot、React），又在AI集成（Spring AI）、向量存储（pgvector）等方面采用了前沿技术，整体架构既保证了开发效率，又具备良好的扩展性和维护性。

🚀 AI应用开发全栈架构方案

一、核心技术栈

后端技术矩阵：

• Java 21 + Spring Boot 4.0（虚拟线程赋能）
• Spring AI 2.0 - 统一的AI模型抽象层
• PostgreSQL 16 + pgvector - 一体化数据存储
• Redis 7 - 分布式限流与异步任务队列
• Apache Tika 2.9 - 多格式文档解析

前端技术生态：

• React 18 + TypeScript 5.0
• Tailwind CSS 4 - 原子化CSS框架
• Framer Motion - 交互动效引擎
• Recharts - 数据可视化库
• SSE - 服务器推送流式响应

二、架构设计亮点

1. 模块化单体架构

src/
├── domain/              # 核心业务领域
├── application/         # 应用服务层
├── infrastructure/      # 基础设施层
│   ├── ai/             # AI能力集成
│   ├── storage/        # 存储抽象
│   └── queue/          # 消息队列
├── interfaces/          # 对外接口层
└── common/             # 共享组件

2. RAG全链路优化

// RAG处理管道
@Component
public class RAGPipeline {
    @Autowired private DocumentParser parser;
    @Autowired private TextSplitter splitter;
    @Autowired private EmbeddingService embedding;
    @Autowired private VectorStore vectorStore;
    
    public CompletableFuture<RAGResponse> process(Document doc) {
        return CompletableFuture.supplyAsync(() -> {
            // 1. 文档解析与清洗
            String content = parser.parse(doc)
                .map(this::cleanText)
                .filter(this::deduplicateByHash);
                
            // 2. 智能分块（语义保持）
            List<TextChunk> chunks = splitter.splitBySemantic(content);
            
            // 3. 向量化与存储
            List<Embedding> vectors = embedding.encode(chunks);
            vectorStore.batchUpsert(vectors);
            
            return buildResponse(chunks);
        }, virtualThreadExecutor);
    }
}

3. 高性能对象映射

@Mapper(componentModel = "spring")
public interface ResumeMapper {
    @Mapping(target = "skills", expression = "java(extractSkills(entity.getContent()))")
    @Mapping(target = "score", ignore = true)
    ResumeDTO toDTO(ResumeEntity entity);
    
    // 编译期生成高效映射代码
    default List<String> extractSkills(String content) {
        return AIAnalyzer.extractSkills(content);
    }
}

三、核心特性实现

1. Spring AI 2.0深度集成

# application-ai.yml
spring:
  ai:
    openai:
      base-url: ${AI_PROVIDER_URL}
      api-key: ${API_KEY}
      chat:
        options:
          model: gpt-4-turbo
          temperature: 0.7
          max-tokens: 2000
    
    # 多模型支持配置
    providers:
      qwen:
        api-key: ${QWEN_KEY}
        chat:
          model: qwen-max

2. 智能提示词工程

@Bean
public PromptTemplate resumeAnalyzerPrompt() {
    return new PromptTemplate("""
        你是一个专业的简历分析师。
        
        系统规则：
        1. 以JSON格式返回分析结果
        2. 包含技能匹配度评分（0-100）
        3. 识别关键成就
        
        用户简历：
        {resume}
        
        岗位要求：
        {jobDescription}
        
        请分析并返回：
        """);
}

// 自动类型转换
@Bean
public BeanOutputConverter<AnalysisResult> analysisResultConverter() {
    return new BeanOutputConverter<>(AnalysisResult.class);
}

3. 分布式限流体系

-- redis/rate_limit.lua
local key = KEYS[1]
local limit = tonumber(ARGV[1])
local window = tonumber(ARGV[2])
local current = redis.call('GET', key)

if current and tonumber(current) >= limit then
    return 0
else
    redis.call('INCR', key)
    redis.call('EXPIRE', key, window)
    return 1
end

四、部署架构

# docker-compose.yml
version: '3.8'
services:
  app:
    build: .
    environment:
      - JAVA_TOOL_OPTIONS=-XX:+UseZGC -Xmx2g
    deploy:
      resources:
        limits:
          cpus: '2'
          memory: 4G
    ports:
      - "8080:8080"
    
  postgres:
    image: pgvector/pgvector:pg16
    environment:
      POSTGRES_DB: ai_app
      POSTGRES_PASSWORD: ${DB_PASSWORD}
    volumes:
      - ./init.sql:/docker-entrypoint-initdb.d/init.sql
      - pgdata:/var/lib/postgresql/data
    
  redis:
    image: redis:7-alpine
    command: redis-server --appendonly yes
    volumes:
      - redis-data:/data

五、性能优化策略

1. 向量检索优化

-- 创建HNSW索引
CREATE INDEX ON document_embeddings 
USING hnsw (embedding vector_cosine_ops)
WITH (m = 16, ef_construction = 64);

-- 近似最近邻查询
SELECT * FROM document_embeddings
ORDER BY embedding <=> $1
LIMIT 10;

2. 虚拟线程配置

@Configuration
public class VirtualThreadConfig {
    
    @Bean
    public AsyncTaskExecutor virtualThreadExecutor() {
        return new TaskExecutorAdapter(
            Executors.newVirtualThreadPerTaskExecutor()
        );
    }
    
    @Bean
    public TomcatProtocolHandlerCustomizer<?> protocolHandlerCustomizer() {
        return protocolHandler -> {
            protocolHandler.setExecutor(
                Executors.newVirtualThreadPerTaskExecutor()
            );
        };
    }
}

六、监控与可观测性

@Aspect
@Component
@Slf4j
public class AIAPIMonitor {
    
    @Around("@annotation(AICall)")
    public Object monitorAICall(ProceedingJoinPoint joinPoint) {
        long start = System.currentTimeMillis();
        String model = getModelName(joinPoint);
        
        try {
            Object result = joinPoint.proceed();
            long duration = System.currentTimeMillis() - start;
            
            Metrics.recordLatency(model, duration);
            Metrics.recordTokenUsage(model, extractTokenCount(result));
            
            return result;
        } catch (Exception e) {
            Metrics.recordError(model, e.getClass().getSimpleName());
            throw e;
        }
    }
}

七、开发工具链

// versionCatalog.gradle
dependencyResolutionManagement {
    versionCatalogs {
        libs {
            // Spring
            library('spring-boot', 'org.springframework.boot:spring-boot-starter:4.0.0')
            library('spring-ai', 'org.springframework.ai:spring-ai-core:2.0.0')
            
            // 数据库
            library('postgresql', 'org.postgresql:postgresql:42.7.0')
            library('pgvector', 'com.pgvector:pgvector:0.1.4')
            
            // 工具
            library('mapstruct', 'org.mapstruct:mapstruct:1.6.0.Beta1')
            library('apache-tika', 'org.apache.tika:tika-core:2.9.1')
        }
    }
}

八、前端关键技术

// 流式响应组件
const StreamResponse: React.FC = () => {
    const [content, setContent] = useState('');
    
    useEffect(() => {
        const eventSource = new EventSource('/api/ai/stream');
        
        eventSource.onmessage = (event) => {
            const data = JSON.parse(event.data);
            setContent(prev => prev + data.chunk);
            
            if (data.done) {
                eventSource.close();
            }
        };
        
        return () => eventSource.close();
    }, []);
    
    return (
        <div className="markdown-body animate-fade-in">
            <ReactMarkdown>{content}</ReactMarkdown>
        </div>
    );
};

// 数据可视化
const SkillRadarChart: React.FC<{ data: SkillAnalysis }> = ({ data }) => {
    return (
        <ResponsiveContainer width="100%" height={400}>
            <RadarChart data={data.points}>
                <PolarGrid />
                <PolarAngleAxis dataKey="skill" />
                <PolarRadiusAxis />
                <Radar
                    name="匹配度"
                    dataKey="score"
                    stroke="#8884d8"
                    fill="#8884d8"
                    fillOpacity={0.6}
                />
            </RadarChart>
        </ResponsiveContainer>
    );
};

九、项目特色价值

1. 技术前瞻性：Java 21虚拟线程 + Spring Boot 4.0模块化设计
2. 工程完备性：从AI集成到部署监控的全链路覆盖
3. 性能卓越：编译期代码生成 + 向量检索优化
4. 生产就绪：分布式限流、异步处理、错误恢复
5. 全栈能力：后端深度 + 现代前端交互体验

这个架构设计既保证了技术先进性，又兼顾了生产环境的稳定性要求，是传统后端工程师向AI应用开发转型的理想实践路径。