# smartInterview **Repository Path**: feng-kailong/smart-interview ## Basic Information - **Project Name**: smartInterview - **Description**: 一款面向企业内部 HR 与面试官的 AI 效能工具,覆盖面试前准备、面试中实时辅助、面试后智能复盘的全生命周期 - **Primary Language**: Unknown - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2026-09-14 - **Last Updated**: 2026-10-20 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # SmartInterview 企业级智能面试平台。覆盖**面试前准备、面试中 Copilot、面试后复盘沉淀**全流程,用 AI 降低筛选成本、统一评估标准,并把历史面试沉淀为可检索的人才资产。 > 本文档依据《smartInterview-需求文档》整理,作为当前产品范围与后续开发的基准。 ## 要解决的问题 - **HR 筛简历慢**:批量解析、对照 JD 打匹配分,先把明显不匹配的人滤掉。 - **面试官准备不充分**:根据简历疑点和亮点自动出结构化问题,面试中再给实时追问与知识点提示。 - **评估标准不统一**:可配置打分维度和 Prompt,面试后输出多维评分与可归档报告。 ## 产品阶段 ```text 简历解析 / JD 匹配 / 出题 / 评估配置 / 知识库 │ ▼ 实时转写 / 意图识别 / Copilot / 证据溯源 │ ▼ 长文本总结 / 雷达图评分 / 人机微调 / 人才盘活 │ ▼ RBAC / 数据看板 / 操作审计 ``` --- ## 一、面试前:智能准备与评估配置 核心价值:解决筛选慢、准备不足、标准不统一。 ### 1. 简历批量解析与清洗 - 支持 PDF / Word 拖拽上传 - 后端解析非结构化文本,抽出姓名、学历、技能栈、工作经历等结构化字段 ### 2. AI 简历诊断与 JD 匹配 - 输入目标岗位 JD,自动对比简历,输出 **0–100** 匹配度 - 提取「核心亮点」和「潜在风险」(频繁跳槽、项目断层等) ### 3. 动态面试题库生成 - 根据简历疑点或亮点,自动生成 **3–5** 道基于 STAR 法则的结构化问题 ### 4. 评估模型与 Prompt 配置中心 - HR 可自定义打分维度及权重(例如:技术深度 40%、沟通表达 30%) - 可动态修改系统 Prompt 模板,不改代码即可调整 AI 行为 ### 5. 企业专属知识库(RAG) - 上传《职级标准》《企业文化》等内部文档,写入向量库 - 作为后续 AI 出题与评估的内部基准 --- ## 二、面试中:实时 Copilot 辅助 核心价值:给面试官一个「外脑」,降低临场认知负担,把候选人真实水平挖出来。 ### 1. 实时语音捕获与流式转写(ASR) - 面试官开启麦克风后,后台静默采集音频流 - 实时转写为带时间戳的对话文本 ### 2. 智能意图识别与触发 - 持续分析对话上下文 - 识别「候选人回答完毕」「技术卡壳」等节点后,自动触发 AI 建议 ### 3. 实时侧边栏 Copilot - **知识点提示**:候选人提到冷门技术栈时,推送该技术的核心概念 - **追问建议**:回答模糊时,生成可深挖的话术,并以打字机效果(SSE)推到前端 ### 4. 防幻觉与证据溯源 - 所有 AI 提示必须附带内部知识库参考链接或原文摘要 --- ## 三、面试后:智能复盘与人才沉淀 核心价值:把面试官从写面评里解放出来,同时把人才数据结构化留下来。 ### 1. 异步长文本总结引擎 - 面试结束后,整段转写文本进入消息队列(RabbitMQ) - 按 Map-Reduce 切片总结,再合并为一份完整《面试评价报告》 ### 2. 多维度 AI 评分与雷达图 - 按预设模型从技术、沟通、逻辑、抗压等维度打分 - 前端输出可视化雷达图 ### 3. 面试官人机协同微调 - AI 出稿后,面试官可改错别字、调分数 - 确认后归档 ### 4. 人才标签库与内部盘活 - 自动打标签(如 `#高并发经验丰富`、`#沟通略显紧张`) - 支持自然语言检索历史人才(如:「查找 3 年以上 Java 高并发经验的人」) --- ## 四、底层支撑:企业级后台 没有这些只是单机脚本;有了这些才是 To B 系统。 ### 1. RBAC 与数据隔离 | 角色 | 权限 | | --- | --- | | 普通面试官 | 只能看自己面试的候选人 | | HR | 可看全部候选人,可配置评估模型 | | 部门总监 | 查看本部门通过率、人才画像统计看板 | ### 2. 面试数据看板 - 本周面试人数、AI 评分分布、各岗位简历投递量 - 使用 ECharts 可视化 ### 3. 操作审计日志 - 记录谁在何时修改了 AI 评分、谁导出了候选人数据 --- ## 仓库现状 ```text SmartInterview ├── smartInterview-front Vue 3 + Element Plus + Vue Router + Pinia ├── smartInterview-back Spring Boot 工程(建设中) └── smartInterview-需求文档.pdf ``` 当前前端已具备登录页、工作台布局、路由守卫和 Axios 封装,业务页面按上述四个阶段继续往上长。后端按 Spring Boot 3.x + LangChain4j 多模块方向推进。 ## 计划技术栈 | 层级 | 选型 | | --- | --- | | 前端 | Vue 3、TypeScript、Element Plus、Vue Router、Pinia、ECharts | | 后端 | Java 21、Spring Boot 3.x、LangChain4j | | 实时 | ASR 流式转写、SSE 追问推送 | | 异步 | RabbitMQ(长文本总结) | | 知识库 | 向量库 + RAG 溯源 | | 数据 | 候选人、面试任务、AI 评估报告、Prompt 配置等核心表 | ## 前端本地启动 ```bash cd smartInterview-front npm install npm run dev ``` 浏览器打开 [http://localhost:5173/](http://localhost:5173/)。开发环境 `/api` 代理到 `http://localhost:8080`。 ## 后续开发顺序 1. 核心库表:候选人、面试任务、AI 评估报告、Prompt 配置等 DDL 2. 后端多模块骨架:Spring Boot 3.x + LangChain4j 3. 核心链路:面试中 Copilot 的 SSE 流式推送 4. 再按「面试前 → 面试中 → 面试后 → 后台」补齐业务模块