近年来，高校毕业生规模持续攀升，就业市场竞争日益激烈。据教育部统计 2026 届全国普通高校应届毕业生规模预计达 1270 万人，同比增加 48 万人，再创历史新高。然而，大量毕业生因面试经验不足、临场应对能力薄弱、缺乏针对性训练，导致求职成功率普遍偏低，尤其在与AI技术高度相关的IT类岗位求职中，传统“题海式”准备方式难以应对真实面试中的动态追问与压力测试。
图 1 2020-2026应届毕业生人数变化趋势图
传统的“群体性、经验式”就业指导模式难以满足学生个性化需求。与此同时，虽然市场上已出现部分AI面试辅助工具，但普遍存在以下不足：交互形式单一（多为文字或语音）、缺乏动态追问能力、评估维度不全面、反馈机制笼统，难以真正模拟真实面试官的逻辑追问与沉浸式体验。
为此，本项目拟针对IT类毕业生面试训练中动态追问能力不足与评估反馈浅层化的问题，采用基于大语言模型的智能体技术与RAG检索增强生成方法，研发“爱职达”智能模拟面试平台，实现多模态沉浸式交互、动态深度追问与个性化评估反馈，有效弥补现有系统在真实感与反馈深度上的不足，提升毕业生就业竞争力。
① 岗位智能匹配模块：拟设计基于语义向量检索的JD-简历匹配算法，结合多标签分类与权重自适应机制，使岗位与候选人的匹配准确率至90%以上 ，匹配响应延迟控制在1秒以内。
② 虚拟数字人交互模块：拟设计基于三维人物建模与实时口型驱动算法的数字人面试官，融合情感语音合成（TTS）与表情-语音同步技术，使口型-语音同步误差控制在100ms以内，数字人交互自然度评分至85%以上。
③ 多模态交互服务模块：拟设计基于Websocket的视频/音频流实时采集与传输算法，融合全模态大模型的流式推理接口，使多模态数据同步延迟控制在300ms以内，音视频采集失败率降低至1% 以下。
④ 成长曲线可视化模块：拟设计基于多维评分历史的能力演进分析算法，结合趋势预测模型生成个性化成长轨迹形成六维雷达图，使能力变化趋势预测准确率至85% 以上，可视化渲染时间压缩至500ms以内。
独立负责AI虚拟面试智能体平台全栈开发。后端采用Spring Boot + JPA + PostgreSQL + pgvector，前端使用Vue 3 + Vite + ECharts。核心工作包括：（1）基于阿里云DashScope Qwen3.5-Omni实时大模型的WebSocket双工面试引擎，实现AI考官与候选人实时语音对话，支持多阶段自动流转；（2）RAG智能题库系统，使用LangChain4j + PgVector存储万级岗位题目向量，基于Qwen Embedding实现语义检索召回；（3）AI简历多维评估与面试报告异步生成；（4）练习系统与错题本管理。技术亮点：pgvector向量检索提升题库匹配精度；WebSocket代理架构解决跨域实时通信；Redis管理面试状态支持中断恢复。难点在于实时语音面试的连接生命周期管理——需处理大模型超时、面试重连、多轮状态同步，通过会话上下文映射与异常恢复机制保障面试流程稳定性。
评论