立项原因： 求职者在准备技术面试时，需要大量阅读Reddit等平台上的面试经验帖。但这些帖子内容零散、非结构化，手动提取有价值信息非常耗时。 旨在解决什么产品问题：
面试经验信息分散，难以快速获取特定公司/岗位的面试情报
帖子内容非结构化，无法按公司、岗位、面试轮次、结果等维度筛选
手动阅读几百篇帖子效率低下，求职者时间有限
行业场景业务背景： 每年数百万求职者准备技术面试，Reddit的cscareerquestions等社区积累了大量真实面试经历分享。LabZero利用LLM+RAG技术，自动将非结构化的面经帖转化为结构化洞察（公司、岗位、面试题目、成功/失败原因等），帮助求职者快速获取目标公司的面试情报，提升准备效率。
主要功能模块：
1.智能搜索模块：
语义搜索：输入公司/岗位关键词，快速检索相关面经（如"Google L4 系统设计"）
支持按公司、岗位、面试结果等维度筛选
2.AI分析模块：
自动提取面经中的结构化信息：公司名称、岗位类型、面试轮次、考察题目、成功/失败原因
批量分析：一次处理多篇面经帖，生成综合报告
3.数据采集模块：
自动爬取Reddit等平台的面试经验帖
已索引9,000+条真实面经数据
4.RAG检索模块：
基于向量数据库（pgvector）的语义检索
384维向量嵌入，实现
我负责的任务： 独立完成全部工作，包括：产品设计、系统架构、前后端开发、AI模型集成、数据库设计、容器化部署、生产运维。
1.技术栈：
前端：Vue 3 + TypeScript + Pinia + Tailwind CSS
后端：Node.js + Express，Python + FastAPI
数据库：PostgreSQL + pgvector（向量检索）、Redis（缓存+队列）
AI服务：LLM结构化提取、向量嵌入服务、BERT NER实体识别、情感分类
基础设施：Docker容器化、8个微服务、Railway云部署、BullMQ任务队列
2.架构： 分布式微服务架构，8个Docker容器独立部署：
前端服务（Vue 3 SSR）
API网关（Express）
内容服务（核心业务逻辑）
用户服务（认证授权）
嵌入服务（向量生成）
NER服务（实体识别）
情感分析服务
数据库服务（PostgreSQL + Redis）
3.实现亮点：
RAG检索管道：9,000+帖子索引，384维向量嵌入，语义搜索延迟
评论