# virtual_interview

**Repository Path**: zhang_-on/virtual_interview

## Basic Information

- **Project Name**: virtual_interview
- **Description**: 一个面向求职者的智能化虚拟面试平台后端：基于 Spring Boot +Spring AI + MySQL + Redis + WebSocket，集成科大讯飞大模型（对话/面试官）、RAG 知识库增强、ASR 实时转写与 TTS 语音合成，并提供面试过程分析报告、面经社区与简历管理，助力高效模拟与提升面试能力。
- **Primary Language**: Java
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 11
- **Forks**: 1
- **Created**: 2025-06-21
- **Last Updated**: 2025-11-29

## Categories & Tags

**Categories**: Uncategorized

**Tags**: Java, AI, 面试平台, SpringAI, RAG

## README

# 虚拟面试平台（Virtual Interview Backend）

一个面向求职者的智能化虚拟面试与学习平台后端，提供面试对话、语音识别与合成、AI 评估分析、知识库检索、内容社区等能力，帮助用户模拟真实面试、获得结构化反馈与学习资源。

## 基本信息

### 功能亮点
- **账号与安全**：注册登录、JWT 鉴权、权限拦截、跨域与全局异常处理。
- **面试对话**：基于科大讯飞大模型的聊天与面试专家（`InterviewExpert`、`ChatExpert`），支持会话记忆与上下文管理（MySQL 持久化）。
- **语音能力**：
  - ASR 实时语音转写（Iflytek RTASR），WebSocket 流式处理，日志落盘到 `asr_audio_logs/`。
  - TTS 语音合成（Iflytek TTS），支持选择发音人，音频输出至 `tts_audio_logs/`。
- **视频与表情分析（可选）**：`flask-realtime-face-eye/` 子模块提供人脸与眼动/表情检测的实时分析服务，便于评估面试表现（姿态、表情、注视等）。
- **AI 评估与报告**：半分钟阶段性报告、回合分析、综合分析报告与学习资源推荐，支持图表与结构化指标输出。
- **知识库检索（RAG）**：集成 Spring AI 与讯飞知识库，支持向量检索、增强生成，提升答案的专业性与可解释性。
- **内容社区**：面经/帖子、评论、点赞收藏、排行榜、学习计划与资源管理。
- **文件上传与对象存储**：阿里云 OSS 集成，简化简历等文件的上传管理。
- **可观测性**：Actuator 端点、统一日志、全局异常返回结构。

### 技术栈
- **语言与运行环境**：Java 21、Maven、Spring Boot 3.4.x
- **Web 框架**：Spring Web MVC、Spring WebFlux（部分接口流式/响应式）
- **数据访问**：MyBatis-Plus、MyBatis、MySQL
- **缓存与消息**：Redis（Spring Cache）、Lettuce 连接池
- **安全**：JWT（jjwt）、拦截器鉴权、AOP 日志
- **文档与调试**：Springdoc OpenAPI（`/swagger-ui.html`、`/api-docs`）
- **AI 能力**：Spring AI、Iflytek 大模型（Chat/Knowledge）、RAG（向量检索、Advisors）
- **实时通信**：Spring WebSocket、Java-WebSocket（客户端场景）
- **对象存储**：阿里云 OSS SDK
- **工具**：Hutool、Jackson、Fastjson、Apache POI、OkHttp、Lombok
- **可观测**：Spring Boot Actuator

### AI 能力详解
- **对话与面试专家（LLM）**：基于科大讯飞 Spark（`pro-128k`），通过 Spring AI 封装的 `XunFeiChatModel`、`XunFeiConfig`、`XunFeiProperties` 与提示词集 `InterviewPrompts`，实现通用聊天（`ChatExpert`）与面试官角色（`InterviewExpert`）。支持流式输出（WebFlux/SSE 或 WebSocket）。
- **会话记忆（Chat Memory）**：`MysqlChatMemory`、`MysqlInterviewMemory` 将多轮消息持久化至 MySQL，结合用户上下文与历史对话提升连续性与一致性。
- **RAG 知识增强**：集成讯飞知识库与 Spring AI 向量检索（`spring-ai-advisors-vector-store`、`spring-ai-markdown-document-reader`），通过 `XfyunSparkKnowledgeClient`、`XfyunSparkKnowledgeRetriever`、`XfyunKnowledgeHelper` 等组件，在生成前进行检索与上下文增强，知识库名配置为 `interview`。
- **ASR 实时转写**：`utils/rtasr/IflytekAsrClient` 进行 WebSocket 流式语音转写（RTASR），请求/响应使用 `model/dto/interview/audio/*`，落盘日志在 `asr_audio_logs/`，便于追踪与复现。
- **TTS 语音合成**：`utils/tst/TtsService` 基于 Iflytek TTS 输出音频，参数由 `TtsRequest` 控制（发音人 `vcn` 等），产物写入 `tts_audio_logs/`，可用于语音播报与面试官语音化。
- **表情/姿态分析**：`utils/face/IflytekExpressionService`、`model/dto/interview/process/*`（如 `HeadPose`、`IflytekExpressionResponse`）结合 `flask-realtime-face-eye/` 子服务，支持面试过程中的表情、注视点与头部姿态评估。
- **流式通信与控制**：`WebSocketConfig`、`InterviewWsController` 提供面试过程中的实时通道，便于推送问题、接收答案、同步评估指标与控制面板。
- **评估与报告**：阶段性/回合性分析（`HalfMinuteReport`、`TurnAnalysisResponse`）与综合报告（`AnalysisReportDTO`），用于面试结束后的拆解与学习建议生成。

### 目录结构（关键部分）
```
virtual_interview/
├─ src/main/java/com/echo/virtual_interview/
│  ├─ controller/           # 账户、面试、聊天、简历、内容社区等接口
│  ├─ service/              # 业务逻辑与集成实现（ASR/TTS/分析/RAG/OSS）
│  ├─ model/                # DTO/VO/Entity/枚举
│  ├─ mapper/               # MyBatis-Plus Mapper 接口
│  ├─ config/               # 全局配置、拦截器、CORS、WebSocket、线程池等
│  ├─ aop/                  # 日志与鉴权切面/拦截器
│  └─ utils/                # JWT、ASR/TTS、表情分析等工具
├─ src/main/resources/
│  ├─ application.yml       # 全局配置（使用 prod/dev 外部化变量）
│  └─ mapper/               # MyBatis XML 映射
├─ flask-realtime-face-eye/ # 可选的表情/人脸/注视实时分析子服务（Flask）
├─ asr_audio_logs/          # 语音转写日志
├─ tts_audio_logs/          # 语音合成音频日志
└─ logs/                    # 应用运行日志
```

### 配置说明

- 在 `src/main/resources/application.yml` 中，应用名为 `virtual_interview`，默认 `spring.profiles.active=prod`。
- 数据源、Redis、OSS 与 Iflytek 等敏感配置通过占位符 `${echo.*}` 注入，请在实际运行环境中通过 `application-prod.yml` 或系统环境变量提供：
  - `echo.datasource.*`（host、port、database、username、password、driver-class-name）
  - `echo.redis.*`（host、port、database、password）
  - `echo.oss.*`（endpoint、access-key-id、access-key-secret、bucket-name）
  - `xunfei.*`（api/rtasr/tts/knowledge/face-score 等）
- JWT：`jwt.secret`、`jwt.expiration` 可按需调整。
- Swagger：`/swagger-ui.html`，接口包扫描 `com.echo.virtual_interview.controller`。


## 完整业务流程
```plain
用户创建面试会话
    ↓
选择公司、职位、上传简历
    ↓
┌─────────────────────────────────────┐
│  面试阶段（实时语音交互）              │
│  - WebSocket双向通信                 │
│  - 语音转文字（ASR/AST）             │
│  - AI生成问题（InterviewExpert）     │
│  - 文字转语音（TTS流式合成）         │
│  - 视频流实时分析（表情、眼神）       │
│  - 每轮对话异步分析（评分、建议）     │
│  - 意图分析助手判断阶段转换           │
└─────────────────────────────────────┘
    ↓
面试结束
    ↓
┌─────────────────────────────────────┐
│  异步生成综合分析报告                 │
│  - 收集所有对话记录                   │
│  - 提取紧张度曲线、口头禅、眼神交流   │
│  - AI生成综合分析                     │
│  - 生成雷达图、折线图等可视化数据     │
│  - 智能推荐学习资源                   │
└─────────────────────────────────────┘
    ↓
查看分析报告
    ↓
┌─────────────────────────────────────┐
│  面经社区功能                        │
│  - 一键创建面经（基于面试报告）      │
│  - 分享面试经验                      │
│  - 点赞、评论互动                    │
│  - 查看他人面经                      │
└─────────────────────────────────────┘
    ↓
查看综合报告
    ↓
┌─────────────────────────────────────┐
│  AI对话助手                          │
│  - 基于面试报告进行个性化对话        │
│  - 解答学习疑问                      │
│  - 提供改进建议                      │
│  - 职业规划咨询                      │
└─────────────────────────────────────┘
```

## 🎯 核心亮点
### 1. 双智能体协同设计
#### 1.1 智能体架构
系统采用**双智能体架构**，两个AI智能体各司其职，协同工作：

```plain
┌─────────────────────────────────────────────────────────┐
│                  用户输入/回答                            │
└────────────────────┬────────────────────────────────────┘
                     │
         ┌───────────┴───────────┐
         │                       │
         ▼                       ▼
┌─────────────────┐    ┌──────────────────────┐
│   InterviewExpert │    │ InterviewAnalysisExpert│
│  (面试官角色)      │    │ (意图分析助手)          │
│                  │    │                      │
│ - 生成面试问题    │    │ - 分析对话完成度      │
│ - 使用RAG检索    │    │ - 判断阶段转换        │
│ - 阶段感知提问    │    │ - 单轮评分分析        │
└────────┬────────┘    └──────────┬───────────┘
         │                        │
         │                        │
         ▼                        ▼
┌─────────────────────────────────────────────┐
│          异步并行处理                         │
│  - 内容分析（评分、建议、分析）               │
│  - 状态决策（是否切换阶段）                   │
└─────────────────────────────────────────────┘
```

#### 1.2 面试官智能体（InterviewExpert）
**职责**：扮演面试官角色，根据当前阶段和上下文生成专业的面试问题

**核心功能**：

+ **阶段感知提问**：根据5个面试阶段（项目深挖→技能考察→行为问题→候选人提问→总结）动态调整提问策略
+ **RAG增强检索**：在技能考察阶段，主动从多知识库检索相关面试题，基于题库生成问题
+ **上下文记忆**：使用MySQL记忆存储，可回顾60轮历史对话，保证问题连贯性
+ **语音识别容错**：智能识别和处理语音转写错误（如"63框架"→Vue.js）

**关键技术点**：

```java
// 技能考察阶段主动触发RAG检索
if (shouldTriggerProactiveRagRetrieval(context)) {
    // 提取技术标签
    List<String> techTags = extractTechTagsFromContext(context);
    // 构建检索查询
    enhancedUserMessage = buildRagRetrievalQuery(context);
    // 设置ThreadLocal上下文供检索器使用
    RagContext.setTags(techTags);
}
```

#### 1.3 意图分析智能体（InterviewAnalysisExpert）
**职责**：分析对话完成度，智能决策是否切换面试阶段

**核心功能**：

+ **对话深度分析**：评估候选人回答的技术深度、逻辑性、相关性
+ **阶段转换决策**：基于AI分析+规则兜底的双层决策机制
+ **单轮评分分析**：对每轮对话进行结构化评分（1-100分）、建议和分析

**决策流程**：

```plain
1. 分析当前阶段对话历史
   ↓
2. AI判断（三种状态）：
   - CONTINUE_CURRENT_TOPIC（继续深挖）
   - COMPLETED_MOVE_ON（充分，转换阶段）
   - INVALID_ANSWER_REPEAT_QUESTION（回答无效，重复问题）
   ↓
3. 结合规则兜底：
   - AI明确建议转换 → 立即转换
   - 达到最大轮数上限 → 强制转换（防止无限循环）
   ↓
4. 更新会话阶段
```

**亮点**：

+ **双层决策机制**：AI决策优先，轮数上限作为兜底，保证系统健壮性
+ **配置化轮数限制**：各阶段最大轮数可配置（如项目深挖8轮、技能考察6轮）
+ **异常容错**：AI分析失败时，自动降级到轮数计数法

#### 1.4 交互流程示例
```plain
【第1轮对话】
用户：我负责XX项目的后端开发...
InterviewExpert：你在项目中是如何设计缓存策略的？
  ↓
【异步并行处理】
├─ InterviewAnalysisExpert：分析本轮回答 → 评分75分，建议"可以更详细说明缓存淘汰策略"
└─ InterviewAnalysisExpert：判断阶段完成度 → CONTINUE（继续深挖项目）
  ↓
【第2轮对话】
用户：我们使用了Redis，采用LRU淘汰策略...
InterviewExpert：那在高并发场景下，如何避免缓存穿透？
  ↓
【异步并行处理】
├─ InterviewAnalysisExpert：分析本轮回答 → 评分85分
└─ InterviewAnalysisExpert：判断阶段完成度 → COMPLETED（已充分，切换到技能考察）
  ↓
【阶段切换】
系统：更新会话阶段 PROJECT_DEEP_DIVE → SKILL_PROBING
InterviewExpert：触发RAG检索，从知识库检索Java、Spring相关面试题
```

---
### 2. 实时语音处理架构（TTS + RTASR）
#### 2.1 技术架构
系统实现了**语音→文本→AI回复→语音**的完整闭环，采用响应式编程模型：

```plain
┌─────────────────────────────────────────────────────────────┐
│  前端WebSocket发送音频流                                      │
└────────────────────┬────────────────────────────────────────┘
                     │
                     ▼
┌─────────────────────────────────────────────────────────────┐
│  AsrProcessingService                                        │
│  - 接收音频片段（Base64编码）                                │
│  - 存入阻塞队列（LinkedBlockingQueue）                       │
│  - 定时任务池发送到讯飞服务器                                │
└────────────────────┬────────────────────────────────────────┘
                     │
         ┌───────────┴───────────┐
         │                       │
         ▼                       ▼
┌─────────────────┐    ┌──────────────────────┐
│   RTASR识别      │    │   AST识别（流式）     │
│   (实时转写)     │    │   (分段识别)         │
└────────┬────────┘    └──────────┬───────────┘
         │                        │
         ▼                        ▼
┌─────────────────────────────────────────────┐
│  实时推送转录文本到前端                        │
└────────────────────┬────────────────────────┘
                     │
                     ▼
┌─────────────────────────────────────────────┐
│  用户结束说话 → 获取完整识别文本              │
└────────────────────┬────────────────────────┘
                     │
                     ▼
┌─────────────────────────────────────────────┐
│  InterviewService.interviewProcess()        │
│  - 获取AI流式文本回复                        │
│  - 实时推送AI文本到前端                      │
└────────────────────┬────────────────────────┘
                     │
                     ▼
┌─────────────────────────────────────────────┐
│  响应式TTS合成链                             │
│  1. 收集完整AI回复                           │
│  2. 按标点分句                               │
│  3. 响应式合成每句                           │
│  4. 顺序推送音频流                           │
└─────────────────────────────────────────────┘
```

#### 2.2 核心亮点
##### 2.2.1 线程池优化
**问题**：大量并发会话需要管理音频发送任务，传统方式会创建大量线程

**解决方案**：

```java
// 动态线程池：根据CPU核心数自适应
int corePoolSize = Math.max(4, Runtime.getRuntime().availableProcessors());
this.sendingScheduler = Executors.newScheduledThreadPool(corePoolSize);
```

**优势**：

+ **资源利用率高**：根据服务器CPU核心数动态调整，充分利用硬件资源
+ **统一管理**：所有音频发送任务由调度线程池统一管理，避免线程泛滥
+ **优雅关闭**：服务关闭时统一清理，防止资源泄漏

**应用场景**：

+ 定时从阻塞队列取音频片段发送到讯飞服务器
+ 每个会话一个定时任务（每100ms检查一次队列）
+ 支持高并发：可同时处理数百个会话

##### 2.2.2 响应式编程（Reactor）
**问题**：TTS合成是异步回调模式，需要整合到流式处理链中

**解决方案**：使用Reactor将回调式API封装为响应式流

```java
private Flux<AudioResponseDto> reactiveSynthesizeSentence(String sentence) {
    return Flux.<AudioResponseDto>create(sink -> {
        // 将回调转换为响应式流
        ttsService.synthesize(
            sentence,
            audioBase64 -> sink.next(new AudioResponseDto(audioBase64, false)),
            () -> sink.complete(),
            errorMsg -> sink.error(new RuntimeException(errorMsg))
        );
    })
    .retryWhen(Retry.max(2)  // 连接失败自动重试2次
        .filter(throwable -> throwable instanceof ConnectException))
    .doOnError(error -> log.error("TTS合成失败: {}", sentence, error));
}
```

**优势**：

+ **背压控制**：自动处理生产消费速度不匹配
+ **错误处理**：统一的重试和错误处理机制
+ **流式处理**：句子顺序合成，避免语音重叠

##### 2.2.3 实时转写优化
**AST（Audio Stream Transcription）模式**：

系统支持AST流式识别，可以实时返回部分识别结果：

```java
// AST分段识别处理
Consumer<String> onMessageCallback = (text, segId) -> {
    // 处理累积更新逻辑
    if (text.contains(existingText)) {
        // 累积更新：新文本包含旧文本 → 替换
        segmentMap.put(segId, text);
    } else if (existingText.contains(text)) {
        // 标点修正：旧文本包含新文本 → 忽略
    } else {
        // 新内容：追加到finalResult，实时推送前端
        finalResult.append(existingText);
        messagingTemplate.convertAndSendToUser(userId, DEST_USER_TRANSCRIPT, ...);
    }
};
```

**亮点**：

+ **实时反馈**：用户说话过程中即可看到转写结果，提升体验
+ **智能去重**：处理AST的累积更新和标点修正，避免重复显示
+ **分段管理**：使用seg_id管理多个识别段，支持多说话人场景

##### 2.2.4 并发控制
**问题**：同一会话可能并发收到多个音频片段，需要防止重复创建客户端

**解决方案**：使用`ConcurrentHashMap`和`AtomicBoolean`实现细粒度锁

```java
// 防止并发创建客户端的锁
private final Set<String> creatingSessions = ConcurrentHashMap.newKeySet();

if (creatingSessions.add(sessionId)) {
    try {
        // 双重检查
        client = activeClients.get(sessionId);
        if (client == null) {
            client = createAndConnectClient(sessionId, userId);
            activeClients.put(sessionId, client);
        }
    } finally {
        creatingSessions.remove(sessionId);
    }
}
```

**优势**：

+ **无锁设计**：使用CAS操作，性能优于synchronized
+ **细粒度控制**：只锁定正在创建的会话，不影响其他会话
+ **防止死锁**：finally块确保锁一定会释放

---

### 3. RAG（检索增强生成）系统
#### 3.1 多知识库架构
系统实现了**多知识库智能检索**，支持基于标签的精准匹配：

```plain
┌─────────────────────────────────────────────────────────┐
│  InterviewExpert                                        │
│  - 提取技术标签（Java, Spring, MySQL...）               │
│  - 设置RagContext（ThreadLocal）                        │
└────────────────────┬────────────────────────────────────┘
                     │
                     ▼
┌─────────────────────────────────────────────────────────┐
│  RagCloudAdvisor (Spring AI)                            │
│  - 拦截用户查询                                          │
│  - 调用DocumentRetriever                                │
└────────────────────┬────────────────────────────────────┘
                     │
                     ▼
┌─────────────────────────────────────────────────────────┐
│  MultiKnowledgeBaseRetriever                            │
│  1. 从RagContext提取标签                                 │
│  2. 根据标签匹配知识库                                   │
│  3. 并行检索多个知识库                                   │
│  4. 合并去重排序                                         │
└────────────────────┬────────────────────────────────────┘
                     │
         ┌───────────┴───────────┐
         │                       │
         ▼                       ▼
┌─────────────────┐    ┌──────────────────────┐
│  Java后端知识库  │    │  前端知识库           │
│  (标签:Java...) │    │  (标签:Vue...)       │
└─────────────────┘    └──────────────────────┘
```

#### 3.2 核心亮点
##### 3.2.1 智能标签匹配
**标签提取**：

+ 从岗位要求中提取技术标签
+ 从简历技能中提取技术标签
+ 使用关键词匹配算法（可扩展为NLP提取）

**知识库匹配**：

```java
private List<KnowledgeBaseConfig.KnowledgeBaseItem> selectKnowledgeBases(List<String> tags) {
    // 1. 根据标签匹配知识库（只使用内存缓存，零数据库查询）
    List<KnowledgeBaseItem> matchedBases = knowledgeBaseConfig.findBasesByTags(tags);
    
    // 2. 如果未匹配到，使用所有知识库（兜底策略）
    if (matchedBases.isEmpty()) {
        // 包括动态发现的知识库
        return getAllCachedKnowledgeBases();
    }
    
    return matchedBases;
}
```

##### 3.2.2 高性能缓存机制
**启动时自动加载**：

```java
@PostConstruct
public void initialize() {
    // 1. 加载配置文件中的知识库
    loadConfiguredBases();
    
    // 2. 自动从数据库发现新知识库（无需修改配置）
    discoverAndAddKnowledgeBasesFromDatabase();
    
    // 3. 为每个知识库缓存文件ID列表
    retrieverCache.forEach((name, retriever) -> {
        retriever.initialize();  // 缓存文件ID
    });
}
```

**检索时零数据库查询**：

+ 所有知识库配置和文件ID都在内存缓存中
+ 检索时完全使用缓存，不查询数据库
+ 性能提升：从数百毫秒降低到几十毫秒

##### 3.2.3 自动发现机制
**亮点**：上传文档到新知识库时，系统自动发现并加载，无需修改配置

```java
private int discoverAndAddKnowledgeBasesFromDatabase() {
    // 查询所有不同的知识库名称
    List<String> allRepoNames = documentService.getAllDistinctKnowledgeBaseNames();
    
    for (String repoName : allRepoNames) {
        if (!retrieverCache.containsKey(repoName)) {
            // 动态创建检索器并添加到缓存
            ensureKnowledgeBaseInCache(repoName);
        }
    }
}
```

**优势**：

+ **零配置**：新知识库自动可用，无需修改yaml配置
+ **动态扩展**：系统运行时也能发现新知识库
+ **配置可选**：只为需要精确匹配的知识库配置标签和优先级

##### 3.2.4 结果合并与去重
**去重策略**：

```java
private List<Document> deduplicateAndSort(List<Document> documents) {
    // 1. 根据文档ID去重（相同文档只保留相似度最高的）
    Map<String, Document> uniqueDocMap = new HashMap<>();
    for (Document doc : documents) {
        String docId = doc.getId();
        if (!uniqueDocMap.containsKey(docId)) {
            uniqueDocMap.put(docId, doc);
        } else {
            // 比较相似度，保留更高的
            if (getScore(doc) > getScore(uniqueDocMap.get(docId))) {
                uniqueDocMap.put(docId, doc);
            }
        }
    }
    
    // 2. 排序：相似度降序，相同相似度时优先级升序
    result.sort((d1, d2) -> {
        if (score1 != score2) return Double.compare(score2, score1);
        return Integer.compare(priority1, priority2);
    });
}
```

**文档数量限制**：

+ 最多返回5个最相关的文档，防止上下文过长淹没系统提示词
+ 保留相似度最高的文档，保证检索质量

#### 3.3 使用场景
**技能考察阶段主动检索**：

```java
if (shouldTriggerProactiveRagRetrieval(context)) {
    // 第1轮进入技能考察阶段时触发
    // 1. 提取标签：["Java", "Spring", "MySQL"]
    List<String> techTags = extractTechTagsFromContext(context);
    
    // 2. 构建检索查询
    String query = "Java后端开发 面试题 Spring MySQL";
    
    // 3. 设置ThreadLocal上下文
    RagContext.setTags(techTags);
    
    // 4. RAG检索器自动使用这些标签匹配知识库
}
```

---

## 核心设计思想
###  面试流程设计 - 状态机模式
系统采用**状态机模式**设计面试流程，确保流程可控、可预测。整个面试过程被划分为5个清晰的阶段：

```plain
PROJECT_DEEP_DIVE (项目深挖) 
    ↓
SKILL_PROBING (核心技能考察) 
    ↓
BEHAVIORAL_QUESTION (行为与软技能) 
    ↓
CANDIDATE_QNA (候选人提问) 
    ↓
CLOSING (总结与结束)
    ↓
COMPLETED (已完成)
```

**设计亮点：**

1. **阶段转换的智能决策机制**
  - **双层决策系统**：AI意图分析 + 规则兜底
  - **意图分析助手**：分析每轮对话的充分度，判断是否进入下一阶段
  - **规则兜底**：当AI决策失败时，基于轮次计数自动转换，防止流程卡死
  - **可配置的轮数限制**：每个阶段都有最小轮数和最大轮数阈值，保证面试质量和时长控制
2. **动态提示词生成**
  - 根据当前阶段动态生成系统提示词
  - 每个阶段有专门的提问策略和评分标准
  - 注入岗位要求和简历信息，实现个性化面试
3. **防止重复提问机制**
  - AI会回顾对话历史，避免相似问题重复出现
  - 项目深挖阶段限制同一项目最多3轮提问，强制切换项目

###  配置抽离设计 - 可配置化架构
将硬编码的业务参数抽离到配置文件，实现**配置驱动开发**：

**配置文件结构：**

```yaml
interview:
  strategy:
    intent-analysis:
      max-turns-per-phase: 5        # 单个阶段最大轮数
      early-warning-turns: 4        # 提前预警轮数
    phase-transition:
      max-turns-per-phase-map:      # 各阶段最大轮数
        PROJECT_DEEP_DIVE: 8
        SKILL_PROBING: 6
        BEHAVIORAL_QUESTION: 5
      min-turns-per-phase-map:      # 各阶段最小轮数
        PROJECT_DEEP_DIVE: 3
        SKILL_PROBING: 3
    memory:
      interview-memory-size: 60     # 面试记忆回溯条数
      chat-memory-size: 15          # 聊天记忆回溯条数
    question-strategy:
      max-turns-per-project: 3      # 同一项目最大提问轮数
```

**设计优势：**

1. **参数化调整**：无需修改代码，只需调整配置文件即可改变面试策略
2. **环境隔离**：开发、测试、生产环境可以使用不同的配置参数
3. **快速迭代**：可以根据实际效果快速调整轮数、记忆大小等参数
4. **可维护性**：所有业务参数集中管理，易于理解和维护

### 异步处理架构 - 非阻塞设计
**核心思想：不阻塞用户体验**

1. **对话分析的异步化**
  - 每轮对话结束后，立即返回AI回复给用户
  - 对话评分、建议、分析等耗时操作通过 `CompletableFuture.runAsync()` 异步执行
  - 用户无需等待分析完成即可继续下一轮对话
2. **响应式流式处理**
  - 使用 Reactor 的 `Flux` 实现流式文本输出
  - TTS合成采用 `concatMap` 保证句子顺序播放，避免音频重叠
  - 音频流和文本流并行推送，提升实时性
3. **异步报告生成**
  - 面试结束后的综合报告通过 `@Async` 异步生成并保存
  - 报告生成期间，用户可以查看已生成的单轮分析结果
  - 支持缓存机制（Redis L1 + 数据库 L2），已生成的报告秒级返回

### 缓存设计 - 多级缓存策略
1. **RAG知识库缓存**
  - **启动时预加载**：系统启动时自动发现并加载所有知识库到内存
  - **零数据库查询**：检索时完全使用内存缓存，大幅提升检索性能
  - **自动刷新机制**：文档上传后自动刷新缓存，保证数据一致性
2. **面试报告缓存**
  - **三级缓存体系**：Redis缓存 → 数据库持久化 → 实时生成
  - **缓存预热**：面试结束后立即生成并缓存报告
  - **智能失效**：支持手动刷新缓存，保证报告实时性
3. **会话元数据缓存**
  - 面试过程中的岗位要求、简历信息存储在Redis
  - 避免频繁查询数据库，提升响应速度

## 产品图片介绍

#### 数据库UML图

![图片1.png](https://img.remit.ee/api/file/BQACAgUAAyEGAASHRsPbAAECLIFozQ0HwE7IZI0nKWnPiGxUUAYg4gAC5BgAAhwQaVYxTCz2tzZgMDYE.png)

#### 登录界面

![图片2.png](https://img.remit.ee/api/file/BQACAgUAAyEGAASHRsPbAAECLIBozQ0CUn0i0Tf6JVzH2G7bbIv8BQAC4xgAAhwQaVbPkriNEnqyszYE.png)

#### 智能对话

![图片3.png](https://img.remit.ee/api/file/BQACAgUAAyEGAASHRsPbAAECLHxozQ0BQwW2I0R-qQTWGiK83dBCygAC3xgAAhwQaVbi8N4OAdN9uzYE.png)

#### 选择面试

![微信图片_20250919160351_855_4.png](https://img.remit.ee/api/file/BQACAgUAAyEGAASHRsPbAAECLKNozQ7Zlc0J3SK7OOLsCQ5ljTRIJAACBhkAAhwQaVZkI1LfzQ0AAa42BA.png)

#### 面试过程

![微信图片_20250919155653_854_4.png](https://img.remit.ee/api/file/BQACAgUAAyEGAASHRsPbAAECLIJozQ0H7fEZ5KTVbSpNAe_3n8y0lwAC5RgAAhwQaVZdsEul3xEeNTYE.png)

#### RAG知识库页面
##### rag上传文档
![图片3.png](https://youke1.picui.cn/s1/2025/11/22/69214e4446a32.png)

![图片3.png](https://youke1.picui.cn/s1/2025/11/22/69214e4397c2a.png)
![图片3.png](https://youke1.picui.cn/s1/2025/11/22/69214e4438811.png)
##### rag向量化测试：
![图片3.png](https://youke1.picui.cn/s1/2025/11/22/69214e43757a6.png)

##### 查询结果：

![图片3.png](https://youke1.picui.cn/s1/2025/11/22/69214e43547dc.png)


#### 分析报告

![图片4.png](https://img.remit.ee/api/file/BQACAgUAAyEGAASHRsPbAAECLH1ozQ0BiO1jW_NsoO7pCwGyPHjq4wAC4BgAAhwQaVZ8GWJLUaN1CjYE.png)

#### 发布面经

![图片5.png](https://img.remit.ee/api/file/BQACAgUAAyEGAASHRsPbAAECLKJozQ7Y2F-B7IcOBymnBeB0cNZQBQACBRkAAhwQaVafAAHkYVF9O5k2BA.png)

#### 面经广场

![微信图片_20250919160715_856_4.png](https://img.remit.ee/api/file/BQACAgUAAyEGAASHRsPbAAECLKVozQ8_swEc99aVtMWoJWWXKaozJQACCxkAAhwQaVaGGetIf2dxuTYE.png)

#### 填写简历

![微信图片_20250919160909_857_4.png](https://img.remit.ee/api/file/BQACAgUAAyEGAASHRsPbAAECLKdozQ-wEXJwKu6QmkvZ-qGkMkSuRgACDRkAAhwQaVY-g7mEgGcqyDYE.png)

#### 综合评估

![图片6.png](https://img.remit.ee/api/file/BQACAgUAAyEGAASHRsPbAAECLH9ozQ0CrFoFmq5qsT9Ule1PmeD1lQAC4hgAAhwQaVbY-A591mAdRzYE.png)

### 快速开始

1) 环境要求
- JDK 21、Maven 3.9+
- MySQL 8.x 与 Redis 6+
- 可选：阿里云 OSS、Iflytek API 账户

2) 初始化数据库
- 导入 `src/main/resources/virtual_interview_db_*.sql` 初始化表结构与基础数据。

3) 配置应用
- 在 `src/main/resources/application-prod.yml` 中设置数据库、Redis、OSS、Iflytek 等参数，或使用环境变量覆盖。

4) 构建与运行
```bash
# 构建
mvn clean package -DskipTests

# 运行（Jar）
java -jar target/virtual_interview-0.0.1-SNAPSHOT.jar --spring.profiles.active=prod
```

5) 访问与验证
- Swagger 文档：`http://localhost:8080/swagger-ui.html`
- 健康检查：`/actuator/health`

### 关键模块与能力映射
- **鉴权与基础设施**：`annotation/AuthCheck`、`aop/*`、`config/*`、`exception/*`、`common/*`
- **面试与聊天**：`controller/InterviewController`、`controller/ai/*`、`service/impl/*Interview*`
- **会话记忆**：`controller/ai/chatMemory/*`、`service/impl/*Memory*`（MySQL 持久化）
- **ASR/TTS**：`utils/rtasr/*`、`utils/tst/TtsService`、`model/dto/interview/audio/*`
- **表情/姿态**：`utils/face/IflytekExpressionService` 与 `flask-realtime-face-eye/`
- **RAG 知识库**：`controller/ai/rag/*`、`XfyunSparkKnowledge*`、`spring-ai-*` 相关配置
- **内容社区**：`Experience*` 与 `Channel*` 相关 `controller`、`service`、`mapper`、`model`
- **文件上传**：`OssUploadController` + `config/OssConfig`

### 开发与调试建议
- 使用 `application-dev.yml` 本地开发，并将敏感参数置于环境变量或 `.properties` 外部化。
- 开启 `mybatis-plus.configuration.log-impl` 可查看 SQL 日志。
- 利用 `spring-cache` + Redis 提升查询性能；热点数据可加过期策略与手动失效。
- 善用 `@Validated` 与全局错误码（`common/ErrorCode`）统一返回结构。

### 常见问题（FAQ）
- 启动失败：检查数据库/Redis/OSS/Iflytek 配置是否正确，网络是否可达。
- Swagger 无法访问：推荐使用apifox，联系负责人免费发送apifox接口文件。
- ASR/TTS 不工作：核对 Iflytek 凭据与区域、WebSocket/HTTP 接口地址是否匹配；查看 `asr_audio_logs/` 与 `tts_audio_logs/`。
- 面试官问题质量问题：与模型本身有关，推荐使用超长上下文的模型，因为向量检索后可能会造成内容过长问题。（或者自行调整参数）
- 其他问题：可咨询负责人or推荐issues
### 完整后端代码内容
- 新增RAG快捷创建知识库、文档打Tag功能等
  ![知识库.png](https://img.remit.ee/api/file/BQACAgUAAyEGAASHRsPbAAEEM3BpBI0Ka6V9seVhg5McKyaVSIVNHQACESgAAgJcIVQMr5g00CX-VTYE.png)
- 新增多智能体交互，使用阶段分析助手+面试官AI助手+兜底机制三方协作，优化面试流程与阶段
- 新增使用Tag+向量检索功能，确保面试质量
- 优化配置，面试参数可在yaml进行快捷配置
  ![配置.png](https://img.remit.ee/api/file/BQACAgUAAyEGAASHRsPbAAEEM3FpBI0KTr68o6fwG-10ukLxb9soDwACEigAAgJcIVQXvnLxyvTQJTYE.png)
## 联系
需要
完整前后端、安卓端（可直接运行/源码）版
联系vx: _echo0z