176 lines
6.1 KiB
Markdown
176 lines
6.1 KiB
Markdown
# 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+：
|
||
|
||
```bash
|
||
python --version
|
||
```
|
||
|
||
#### 使用uv环境（推荐）
|
||
|
||
安装uv：
|
||
|
||
```bash
|
||
# Windows
|
||
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"
|
||
|
||
# macOS/Linux
|
||
curl -LsSf https://astral.sh/uv/install.sh | sh
|
||
```
|
||
|
||
### 2. 安装依赖
|
||
|
||
使用pip：
|
||
|
||
```bash
|
||
pip install -r requirements.txt
|
||
```
|
||
|
||
使用uv：
|
||
|
||
```bash
|
||
uv install
|
||
```
|
||
|
||
### 3. 配置API密钥
|
||
|
||
编辑`config.py`文件：
|
||
|
||
```python
|
||
DEEPSEEK_API_KEY = ""
|
||
```
|
||
|
||
### 4. 启动应用
|
||
|
||
使用Python直接运行：
|
||
|
||
```bash
|
||
python app.py
|
||
```
|
||
|
||
使用uv运行：
|
||
|
||
```bash
|
||
uv run python app.py
|
||
```
|
||
|
||
使用uv的脚本命令（需要在pyproject.toml中配置）：
|
||
|
||
```bash
|
||
uv run start
|
||
```
|
||
|
||
### 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。 |