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
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。
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。
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 | 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：
- 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。
- 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。
- Redis 替代
- 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。
| 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 |
- 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。
- 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。
- 邀请解析：规则 + AI 双引擎，支持飞书/腾讯会议/Zoom 格式，自动提取公司、岗位、时间、会议链接
- 日历管理：日/周/月视图 + 拖拽调整 + 列表视图
- 状态流转：定时任务自动过期，手动标记待面试/已完成/已取消
- 面试提醒：可配置提醒，避免错过面试
实时语音对话面试，WebSocket + 千问3 语音模型（ASR/TTS/LLM 统一 API Key）：
- 实时流式对话：句子级并发 TTS，边生成边合成边播放，首包延迟 200ms
- 服务端 VAD：自动断句，实时字幕（含中间结果）
- 回声防护 + 手动提交：避免 AI 语音被误录入
- 多轮上下文记忆 + 暂停/恢复：超时自动暂停
- Micrometer 埋点：TTS/ASR 延迟、会话时长等指标
已知问题：端到端延迟偏高（服务端音频中转）、无耳机时回声泄漏、TTS 音色单一、弱网音频断续。后续计划探索 WebRTC、客户端 VAD 降噪、端到端语音模型等方案。
- 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。
- 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
面试中心：
Skill 出题 + JD 解析：
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
知识库管理：
问答助手：
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
环境要求：
| 依赖 | 版本 | 必需 | 说明 |
|---|---|---|---|
| JDK | 21+ | 是 | 开发语言 |
| Node.js | 18+ | 是 | 前端构建 |
| Docker | - | 推荐 | 一键启动依赖服务（PostgreSQL/Redis/RustFS） |
如果不用 Docker，需要自行安装 PostgreSQL 14+（含 pgvector 扩展）、Redis 6+ 和 S3 兼容存储。
git clone https://github.com/Snailclimb/interview-guide.git
cd interview-guide后端通过环境变量读取配置，cp .env.example .env 对 ./gradlew bootRun 不生效（.env 仅被 Docker Compose 识别），需要通过 export 设置。推荐写入 shell 配置文件永久生效：
# ⚠️ 必填：AI API 密钥（阿里云 DashScope，申请地址：https://bailian.console.aliyun.com/）
export AI_BAILIAN_API_KEY=your_api_key
# 可选：AI 模型（默认 qwen-plus，可改为 qwen-max、qwen-long 等）
export AI_MODEL=qwen-plus永久生效方法（重启终端后仍然有效）：
# macOS / Linux（zsh）
echo 'export AI_BAILIAN_API_KEY=your_api_key' >> ~/.zshrc
source ~/.zshrc
# Linux（bash）
echo 'export AI_BAILIAN_API_KEY=your_api_key' >> ~/.bashrc
source ~/.bashrc项目提供了 docker-compose.dev.yml，可一键启动 PostgreSQL、Redis、RustFS（S3 兼容存储）三个依赖：
# 启动依赖服务
docker compose -f docker-compose.dev.yml up -d
# 停止依赖服务
docker compose -f docker-compose.dev.yml down
# 停止并清除数据
docker compose -f docker-compose.dev.yml down -v启动后默认账号：
| 服务 | 地址 | 账号 | 密码 |
|---|---|---|---|
| PostgreSQL | localhost:5432 |
postgres |
123456 |
| Redis | localhost:6379 |
- | - |
| RustFS 控制台 | localhost:9001 |
rustfsadmin |
rustfsadmin |
注意：首次启动后需浏览器访问 http://localhost:9001 登录 RustFS 控制台，手动创建名为
interview-guide的 Bucket。如果本地已有 MinIO 或其他 S3 兼容存储，也可以直接使用，在application.yml中修改对应的连接配置即可。
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
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）。
Docker Compose 编排了 6 个服务：PostgreSQL（pgvector）、Redis、MinIO（S3 兼容存储）、MinIO Bucket 初始化、Spring Boot 后端、React 前端（Nginx）。数据通过 Docker 命名卷持久化，docker-compose down 不会丢失数据。
- 安装 Docker 和 Docker Compose
- 申请阿里云百炼 API Key（用于 AI 对话功能，申请地址：https://bailian.console.aliyun.com/）
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仅启动依赖服务：如果只想本地开发调试（用
./gradlew bootRun启动后端），可以只启动基础设施：docker compose up -d postgres redis minio createbuckets。将.env.example复制为.env并填写AI_BAILIAN_API_KEY即可，默认账号与docker-compose.yml一致。
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 |
# 查看服务状态
docker-compose ps
# 查看后端日志
docker-compose logs -f app
# 拉取新代码后重新构建部署
docker-compose up -d --build
# 停止并移除所有服务（数据保留在 Docker 卷中）
docker-compose down
# 停止服务并清除数据卷（慎用，会删除数据库和文件）
docker-compose down -v
# 清理无用镜像（构建产生的中间层）
docker image prune -f| 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 |
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create 模式，否则每次重启都会删除所有数据！
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。
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/）。
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。
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
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。
欢迎提交 Issue 和 Pull Request！
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）