面试官

面向求职者的AI面试助手，提供简历定制问答和面试练习反馈服务。

一句话描述

「面试官」是一款基于DeepSeek AI的智能面试助手，帮助求职者优化简历、模拟面试并获取专业改进建议。

核心功能（MVP）

1. 简历定制问答

• 用户上传简历或描述求职意向
• AI分析简历内容，提供优化建议
• 针对目标岗位定制简历关键词和表述

2. 面试模拟练习

• 用户选择目标岗位和难度级别
• AI扮演面试官进行多轮问答
• 实时生成针对性的面试问题

3. 练习反馈与改进建议

• 实时分析用户回答内容
• 提供结构化评分（逻辑性、专业性、表达力）
• 给出具体改进建议和参考回答

交互流程

简历定制问答流程

1. 用户打开应用
2. 点击「简历优化」或输入目标岗位
3. 上传简历文件或粘贴简历内容
4. AI分析并展示优化建议
5. 用户查看、采纳或继续咨询

面试模拟练习流程

1. 用户打开应用
2. 点击「模拟面试」
3. 选择目标岗位和难度（初级/中级/高级）
4. AI开始面试问答（循环进行）
5. 用户回答每个问题
6. 点击「结束面试」查看详细反馈
7. 查看评分和改进建议

技术栈

• 后端：Python + Flask/FastAPI
• 前端：HTML/CSS/JavaScript（可扩展为React/Vue）
• AI服务：DeepSeek API
• 部署：本地运行或云服务器

项目结构

面试官/
├── README.md                 # 项目说明文档
├── Project_Design.md         # 项目设计思路
├── app.py                    # 主应用入口
├── config.py                 # 配置文件（API密钥等）
├── requirements.txt          # Python依赖
├── static/                   # 静态资源
│   ├── css/
│   │   └── style.css        # 样式文件
│   └── js/
│       └── main.js          # 前端脚本
├── templates/                # HTML模板
│   └── index.html           # 主页面
└── services/                 # 业务逻辑层
    └── deepseek_service.py  # DeepSeek API服务

快速开始

1. 环境准备

确保已安装Python 3.8+：

python --version

2. 安装依赖

pip install -r requirements.txt

3. 配置API密钥

编辑config.py文件：

DEEPSEEK_API_KEY = "sk-9f449a2d06f644d082e32863d7c2d37c"

4. 启动应用

python app.py

5. 访问应用

打开浏览器访问：http://localhost:5000

API配置

本项目使用DeepSeek Chat API，官方文档：https://platform.deepseek.com/

模型选择

• deepseek-chat：通用对话模型（推荐）
• deepseek-reasoner：推理增强模型

后续扩展功能

• 多语言支持
• 语音面试模拟
• 面试题库管理
• 用户历史记录
• PDF简历解析
• 岗位推荐分析

许可证

MIT License

姓名 学号 主要贡献 (具体分工) 陆程杰 2411020124 (组长) 核心逻辑开发、Prompt 编写 蒲俊霖 2411020125 文档撰写、测试与 Bug 修复 陈一佳 2411020121 前端界面设计、PPT 制作

AI面试官项目开发心得

作为三名大数据专业的大学生，我们用trae软件完成了“AI面试官”求职辅助工具的开发。这段实践让我们跳出课本理论，真切感受到：工具是技术落地的桥梁，而真正让产品有价值的，是背后的思考与用户同理心。 项目初期，我们没有急着用trae写代码，而是先琢磨“为什么做”。身边同学求职时总抱怨：通用题库的问题和自己的简历不沾边，练完也没人指点改进。这让我们意识到，工具再便捷，没有精准需求导向就是空谈。我们决定不做简单的题库搬运，而是聚焦“个性化”，让AI能读懂简历、给出针对性反馈——这一定位成了后续开发的核心方向。 用trae开发的过程，更像是一场“想法落地的试炼”。这款软件降低了编程门槛，让我们不用纠结复杂的语法，能专注于功能逻辑的打磨。但真正的挑战不在代码编写，而在如何让工具“懂用户”。比如生成个性化面试问题时，我们反复调试prompt逻辑，引导AI从简历中抓取项目细节、技能亮点，甚至职业空白期等关键信息，再结合职位类型精准提问。一开始AI会给出通用问题，我们就不断优化指令，加入“追问数据成果”“聚焦技术难点”等具体要求，慢慢让回复更贴合实际面试场景。 反馈功能的设计，让我们对“实用”有了更深理解。我们不想让反馈只停留在“回答不错”的表面，而是希望能真正帮用户改进。借助trae的便捷调试功能，我们设计了多维度评价体系，从结构逻辑、语言表达等方面给出具体建议。比如提醒用户用STAR法则梳理回答，或结合Python、SQL技能突出专业优势。这个过程让我们明白，工具是实现想法的手段，而对用户需求的深度拆解，才是产品好用的关键。 测试时，同学说“AI提的问题他觉得十分符合当下面试的提问热点”，这句话让我们备受鼓舞。原来，trae这类工具能帮我们快速落地想法，但真正打动用户的，是我们站在求职者角度的思考。 这次开发让我们领悟到：技术工具再强大，也只是辅助。作为大数据专业学生，我们的核心价值在于发现问题、拆解需求、用逻辑让工具服务于人。未来，我们想继续用trae优化功能，加入面试表现分析、薪资参考等模块，让这个工具真正成为求职者的助力，也让我们在实践中更懂技术与需求的平衡之道。