multi-agent-interview

Multi-Agent-Interview

基于 Multi-Agent 架构的智能面试系统，模拟真实技术面试场景，提供个性化学习推荐

功能特性

智能面试

AI 面试官 - 基于候选人水平动态调整难度，支持技术问答、算法题、项目经历等多种题型
实时评估 - 8 维度评估体系（专业知识、逻辑思维、编码能力、沟通表达等）
智能追问 - 根据回答质量自动追问，模拟真实面试互动

个性化学习

RAG 推荐 - 结合向量检索和 LLM 生成个性化学习建议
薄弱点分析 - 基于面试表现识别知识盲点
学习路径规划 - 智能推荐学习资源和顺序

多端支持

微信小程序 - 原生体验，随时随地练习
H5 网页 - 无需安装，即开即用
WebSocket 实时通信 - 低延迟对话体验

系统架构

+-------------------------------------------------------------+
|                        前端层 (UniApp)                       |
|         微信小程序 / H5 / App 三端统一开发                     |
+-------------------------------------------------------------+
                              |
                              v
+-------------------------------------------------------------+
|                      API 网关层 (FastAPI)                    |
|              RESTful API / WebSocket 实时通信                 |
+-------------------------------------------------------------+
                              |
                              v
+-------------------------------------------------------------+
|                     Multi-Agent 核心层                       |
|                                                              |
|   +--------------+  +--------------+  +--------------+     |
|   | Interviewer  |  |  Evaluator   |  |    Coach     |     |
|   |   Agent      |  |    Agent     |  |    Agent     |     |
|   |   (面试官)    |  |   (评估员)    |  |   (学习顾问)  |     |
|   +--------------+  +--------------+  +--------------+     |
|          |                  |                  |           |
|          +------------------+------------------+           |
|                             v                              |
|              +-------------------------+                   |
|              |    Flow Controller      |                   |
|              |    (流程编排引擎)        |                   |
|              +-------------------------+                   |
+-------------------------------------------------------------+
                              |
           +------------------+------------------+
           v                  v                  v
+---------------+   +---------------+   +---------------+
|   推荐系统     |   |   LLM 服务    |   |   数据存储    |
|  +- RAG       |   |  +- OpenAI    |   |  +- PostgreSQL|
|  +- 混合推荐   |   |    兼容 API   |   |  +- Milvus    |
|  +- 规则推荐   |   |  +- DashScope |   |  +- Redis     |
|  +- 协同过滤   |   |    多模态     |   |               |
|               |   |  +- 讯飞 TTS   |   |               |
+---------------+   +---------------+   +---------------+

技术栈

层级	技术	说明
前端	UniApp + Vue 3 + Pinia	跨平台应用框架
后端	FastAPI	高性能异步 API
Agent 框架	自研（参考 CrewAI）	轻量级 Multi-Agent 框架
LLM	OpenAI 兼容 API	统一接口，支持多家模型
向量数据库	Milvus	语义检索
关系数据库	PostgreSQL	业务数据存储
缓存	Redis	会话/缓存
消息队列	Celery	异步任务处理

快速开始

环境要求

Python 3.11+
PostgreSQL 14+
Redis 6+
Node.js 18+ (前端开发)

1. 克隆项目

git clone https://github.com/yourusername/ai-interview-agent.git
cd ai-interview-agent

2. 后端配置

cd fastapi

# 使用 uv 安装依赖（推荐）
uv sync

# 配置环境变量
cp .env.example .env
# 编辑 .env 文件，配置数据库和 API 密钥

# 运行数据库迁移
uv run alembic upgrade head

# 启动服务（推荐）
python -m uvicorn app.main:app --reload --host 0.0.0.0 --port 8000

3. 配置 LLM

编辑 .env 文件，配置 LLM API：

# ---- 统一 LLM 配置（推荐） ----
# 支持任何 OpenAI 兼容的 API：DeepSeek、智谱、月之暗面、OpenAI 等
LLM_API_KEY=your-api-key
LLM_BASE_URL=https://api.deepseek.com/v1
LLM_MODEL=deepseek-chat

# ---- DashScope 多模态专属配置 ----
# Qwen3-Omni 实时音视频、Qwen-VL 视觉分析等专用
DASHSCOPE_API_KEY=your-dashscope-key
DASHSCOPE_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

4. 验证配置

# 快速测试各云服务 key 是否有效
uv run python scripts/verify_env.py

5. 前端配置

cd uniapp

# 安装依赖
pnpm install

# H5 开发
pnpm dev:h5

# 微信小程序开发
pnpm dev:mp-weixin

6. Docker 一键部署

docker-compose up --build

环境变量配置

必需配置

变量	说明	示例
`DATABASE_URL`	PostgreSQL 连接字符串	`postgresql+asyncpg://...`
`REDIS_URL`	Redis 连接地址	`redis://localhost:6379/0`
`LLM_API_KEY`	统一 LLM API Key	`sk-...`
`LLM_BASE_URL`	LLM API 基础地址	`https://api.openai.com/v1`
`JWT_SECRET_KEY`	JWT 签名密钥	随机字符串

可选配置

变量	说明	是否必需
`DASHSCOPE_API_KEY`	Qwen3-Omni / Qwen-VL 多模态	仅多模态功能
`ALIYUN_ACCESS_KEY`	OSS 对象存储	否（当前未使用）
`ALIYUN_ASR_APPKEY`	语音识别	否（ASR 已迁移到前端）
`XFYUN_APP_ID`	讯飞 TTS	否（可用 mock 模式）
`SMTP_*`	邮件服务	否（验证码功能）
`WECHAT_APP_ID`	微信小程序登录	仅微信小程序

完整配置说明见 .env.example。

核心亮点

1. 自研 Agent 框架

参考 CrewAI 设计理念，但更加轻量灵活：

角色-目标-背景 模式定义 Agent
流程编排引擎 支持顺序/分支/并行执行
共享上下文 实现多 Agent 协作

# 示例：定义一个面试官 Agent
@start()
async def introduce(self, context: Context):
    return "请简单介绍一下你自己"

@listen(introduce)
async def evaluate_answer(self, answer: str, context: Context):
    # 并行执行评估和追问
    results = await asyncio.gather(
        self.evaluator.evaluate(answer),
        self.interviewer.follow_up(answer)
    )
    return results

2. 统一 LLM 客户端

所有文本 LLM 调用使用统一的 OpenAI 兼容接口，通过环境变量灵活切换模型：

from app.core.llm_client import get_llm_client

client = get_llm_client()
response = await client.chat(messages=[
    {"role": "user", "content": "请评价这段代码"}
])

支持流式输出、JSON 结构化解析，fallback 链自动处理 key 优先级。

3. RAG + 混合推荐

多路召回架构，融合 4 种推荐策略：

策略	权重	用途
规则推荐	50%	基于薄弱点匹配标签，解决冷启动
内容推荐	30%	基于 Embedding 相似度
协同过滤	20%	基于用户行为相似度
RAG	动态	面试后生成个性化推荐理由

文档

文档	内容	阅读时间
架构总览	系统整体架构、技术栈	15 分钟
Agent 系统设计	Multi-Agent 架构详解	20 分钟
RAG 与推荐系统	推荐算法实现	20 分钟
核心概念指南	Agent/RAG 概念解释	15 分钟
面试准备指南	面试话术、常见问题	25 分钟

更多文档请查看 docs/ 目录。

This site is open source. Improve this page.