项目介绍

InterviewGuide 是一个集成了简历分析、模拟面试（文字 + 语音）、面试安排、知识库管理、知识库题库面试和多模型配置的智能面试辅助平台。系统利用大语言模型（LLM）、向量数据库、Redis Stream 异步任务和实时语音技术，为求职者、HR 和培训机构提供智能化的简历评估、面试练习、知识库问答和面试日程管理能力。

系统架构

配套教程

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》。

技术栈

后端技术

技术选型常见问题解答：

1. 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。
2. 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。
3. 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。

前端技术

功能特性

简历管理模块

• 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。

模拟面试模块

• 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。

面试安排模块

• 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

语音面试模块

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。

知识库管理模块

• 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 pgvector，通过查询改写、相似度阈值和 TopK 策略提升 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：支持会话管理、置顶、多知识库关联、Markdown 展示和虚拟列表渲染。
• 知识库运维：支持分类管理、下载、重新向量化、搜索和统计信息展示。

知识库题库与面试模块

• 基于知识库生成题目：从已向量化文档生成主问题、参考答案、关键点、评分标准和追问，并按方向与难度组织题库。
• 异步生成与质量提示：题目生成任务通过 Redis Stream 异步执行；生成不足时保留草稿，并展示实际追问数与目标追问数，避免静默丢失题目。
• 完整题库维护：支持题目搜索、筛选、分页、手动新增、编辑、删除，以及草稿、已启用、已归档状态的单题或批量管理。
• 严格面试容量校验：开始面试前按方向、难度、主问题数和每题追问数实时计算可用容量；追问数量是硬约束，容量不足的选项会直接禁用，后端同时进行兜底校验。
• 知识库专项面试：从已启用题目中抽取主问题和追问，完整记录作答过程，并复用统一评估引擎异步生成总分、逐题评价、优势和改进建议。
• 评估与记录闭环：交卷后展示评估进度，完成后自动进入本次面试详情；支持方向、时间、完成状态筛选、表现趋势统计和 PDF 报告导出。

多模型与系统设置模块

• 多 Provider 管理：内置 DashScope、LM Studio、Kimi、DeepSeek、GLM 等 OpenAI 兼容 Provider 配置。
• 默认模型切换：支持在设置页切换默认聊天模型和默认向量模型，不需要频繁修改源码配置。
• 语音服务配置：ASR/TTS 配置可视化管理，支持语音服务连通性测试。
• 配置安全落盘：运行时配置默认写入用户目录 ~/.interview-guide/，支持 API Key 加密配置。

TODO

• 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
• 多 LLM Provider 管理与默认模型切换
• RAG 聊天会话管理 + 虚拟列表优化
• 可重复注解 API 限流（Global/IP/User 维度）
• 打通知识库题库与模拟面试（异步出题、严格容量校验、统一评估与记录）
• 语音面试接入 WebRTC 降低延迟
• 语音面试支持更多 TTS 音色

效果展示

简历与面试

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

多模型切换 + 语音服务设置：

知识库

知识库管理：

问答助手：

项目结构

interview-guide/
├── app/                              # 后端应用
│   ├── src/main/java/interview/guide/
│   │   ├── App.java                  # 主启动类
│   │   ├── common/                   # 通用基础能力
│   │   │   ├── ai/                   # LLM Provider、结构化输出、Prompt 安全
│   │   │   ├── annotation/           # @RateLimit 可重复限流注解
│   │   │   ├── aspect/               # RateLimitAspect + Redis Lua 限流
│   │   │   ├── async/                # Redis Stream 生产者/消费者模板
│   │   │   ├── config/               # CORS、S3、OpenAPI、Jackson 等配置
│   │   │   ├── evaluation/           # 文字/语音共用的统一评估引擎
│   │   │   ├── exception/            # 业务异常与全局异常处理
│   │   │   └── result/               # 统一响应 Result<T>
│   │   ├── infrastructure/           # 基础设施
│   │   │   ├── export/               # PDF 导出
│   │   │   ├── file/                 # 文件解析、校验、清洗、S3 存储
│   │   │   ├── mapper/               # MapStruct 映射器
│   │   │   └── redis/                # RedisService、面试会话缓存
│   │   └── modules/                  # 业务模块
│   │       ├── interview/            # 模拟面试模块
│   │       ├── interviewschedule/    # 面试安排模块
│   │       ├── knowledgebase/        # 知识库模块
│   │       ├── llmprovider/          # 多模型 Provider 与语音配置
│   │       ├── resume/               # 简历模块
│   │       └── voiceinterview/       # 语音面试模块
│   └── src/main/resources/
│       ├── application.yml           # 应用配置
│       ├── prompts/                  # AI 提示词模板（StringTemplate）
│       ├── scripts/                  # Redis Lua 脚本
│       ├── skills/                   # 面试 Skill 定义和参考题库
│       └── voice-interview-opening.yml # 语音面试开场白配置
│
├── frontend/                         # 前端应用
│   ├── src/
│   │   ├── api/                      # API 接口
│   │   ├── components/               # 公共组件
│   │   ├── hooks/                    # 业务 Hooks
│   │   ├── pages/                    # 页面组件
│   │   ├── types/                    # 类型定义
│   │   └── utils/                    # 工具函数
│   ├── package.json
│   └── vite.config.ts
│
├── docker-compose.yml                # 完整部署：前端 + 后端 + PostgreSQL + Redis + MinIO
├── docker-compose.dev.yml            # 本地开发依赖：PostgreSQL + Redis + RustFS
├── docs/                             # 架构设计与改造记录
├── .env.example                      # 环境变量示例
└── README.md

快速开始

环境要求：

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。

1. 克隆项目

git clone https://github.com/Snailclimb/interview-guide.git
cd interview-guide

2. 配置环境变量

推荐复制 .env.example 为 .env，后端 bootRun 会自动读取根目录 .env。最少需要填写 AI_BAILIAN_API_KEY，用于 DashScope 文本模型、ASR 和 TTS：

cp .env.example .env

# 编辑 .env
# AI_BAILIAN_API_KEY=your_dashscope_api_key
# AI_MODEL=qwen3.5-flash

如果你更习惯通过 shell 环境变量注入，也可以这样设置：

# 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

3. 启动依赖服务（可选）

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

如果你之前已经启动过旧版本容器，拉取新代码后建议确认端口映射是否真的生效：

docker ps --format '{{.Names}} {{.Ports}}'

正常情况下应看到：

interview-postgres 0.0.0.0:5432->5432/tcp
interview-redis    0.0.0.0:6379->6379/tcp

如果只看到 interview-postgres 5432/tcp 或 interview-redis 6379/tcp，说明容器内部服务是启动的，但端口没有发布到宿主机。此时通过 ./gradlew :app:bootRun 从宿主机启动后端，会出现类似 Connection to localhost:5432 refused 的报错。可以重建容器配置（不会删除 Docker volume 中的数据）：

docker compose -f docker-compose.dev.yml up -d --force-recreate postgres redis

启动后默认账号：

注意：应用启动时会自动检查并创建 interview-guide Bucket。使用 docker-compose.dev.yml + :app:bootRun 时，请确保 .env 中的 APP_STORAGE_ACCESS_KEY / APP_STORAGE_SECRET_KEY 与 RustFS 账号一致，例如都设为 rustfsadmin。如果本地已有 MinIO 或其他 S3 兼容存储，也可以直接使用，在 .env 中修改 APP_STORAGE_* 配置即可。

IDEA Docker Debug 提示：如果在 macOS 上使用 IntelliJ IDEA 的 Docker 调试方式启动后端，遇到 mounts denied: The path /Applications/IntelliJ IDEA.app/Contents/lib is not shared from the host，请在 Docker Desktop 的 Settings -> Resources -> File Sharing 中加入 /Applications/IntelliJ IDEA.app/Contents/lib（或整个 /Applications/IntelliJ IDEA.app）以及当前项目目录，然后重启 Docker/IDEA 后再运行。普通 ./gradlew :app:bootRun 和 docker compose 启动不需要这个额外共享路径。

4. 启动应用

后端：

./gradlew :app:bootRun

后端服务启动于 http://localhost:8080

前端：

cd frontend
corepack enable
pnpm install
pnpm dev

前端服务启动于 http://localhost:5173

Docker 快速部署

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。

1. 前置准备

• 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/）

2. 快速启动

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
# 必填：APP_AI_CONFIG_ENCRYPTION_KEY=your_random_long_secret
# 可选：AI_MODEL=qwen3.5-flash   # 默认值为 qwen3.5-flash
# 也可以在设置页维护 DashScope、Kimi、DeepSeek、GLM、LM Studio 等 Provider
#
# 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 :app: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；Bucket 会由初始化任务或应用启动检查自动创建。

3. 服务访问

启动完成后，您可以通过以下地址访问各个服务：

4. 常用运维命令

# 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

使用场景

常见问题

Q: 数据库表创建失败/数据丢失

本地开发首先检查 JPA 的 ddl-auto 配置。ddl-auto 模式对比：

推荐配置（已默认）：

jpa:
  hibernate:
    ddl-auto: validate  # 只校验 schema，建表和变更交给 Flyway

⚠️ 注意：避免使用 create 模式，否则每次重启都会删除所有数据！

Q: 知识库向量化失败

vector_store 表已由 Flyway 创建，Spring AI 不再自动建表。

spring:
  ai:
    vectorstore:
      pgvector:
        initialize-schema: false

建议保持为 false，避免应用启动时绕过 Flyway 修改数据库 schema。

Q: 数据库迁移需要手动执行脚本吗？

不需要。数据库 schema 已接入 Flyway，后端应用启动时会自动执行 app/src/main/resources/db/migration/ 下的迁移，并记录到 flyway_schema_history。

当前项目通过 V1__init_schema.sql 支持空库初始化，后续版本通过增量迁移演进；Hibernate ddl-auto 只做 validate 校验。测试环境使用 H2，默认关闭 Flyway。

Q: 启动时报 Connection to localhost:5432 refused 怎么办？

这通常不是 Flyway 脚本错误，而是后端从宿主机访问不到 PostgreSQL。先确认依赖容器已启动：

docker compose -f docker-compose.dev.yml up -d
docker ps --format '{{.Names}} {{.Ports}}'

interview-postgres 必须显示 0.0.0.0:5432->5432/tcp，interview-redis 必须显示 0.0.0.0:6379->6379/tcp。如果只显示 5432/tcp 或 6379/tcp，说明旧容器没有应用端口映射配置，重建容器即可：

docker compose -f docker-compose.dev.yml up -d --force-recreate postgres redis

如果你的本机 5432 或 6379 已被其他项目占用，可以修改 .env 中的 POSTGRES_PORT / REDIS_PORT，并同步调整 docker-compose.dev.yml 里的端口映射，确保应用配置和容器发布端口一致。

Q: 简历分析失败

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/）。

Q: 设置页新增/切换模型后不生效？

运行时 Provider 配置默认写到 ~/.interview-guide/llm-providers.yml 和 ~/.interview-guide/llm-providers.env。可以在设置页点击测试连接，或调用 /api/llm-provider/reload 重新加载配置。Docker 部署时如果希望配置持久化，建议为该目录挂载卷。

Q: 语音面试无法识别或没有声音？

语音面试的 ASR/TTS 默认也使用 AI_BAILIAN_API_KEY。请检查浏览器麦克风权限、后端日志中的 DashScope WebSocket 连接状态，以及设置页里的 ASR/TTS 测试结果。无耳机时可能触发回声录入，建议先使用手动提交模式或佩戴耳机测试。

Q: 简历分析一直显示"分析中"？

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。

Q: PDF 导出失败或中文显示异常？

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

Q: Windows PowerShell 下后端日志中文乱码？

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.bat :app: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。

贡献

欢迎提交 Issue 和 Pull Request！

许可证

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）