Spring Ai面试平台和 RAG知识库产品系统Vibe Coding

传统面试准备方式存在三大痛点：一是求职者主要靠刷题和背八股文自学，缺少真实面试场景的模拟练习，面试时容易出现紧张和应对不当；二是个人自学难以获得针对性的评估反馈，不知道自己的回答在面试官视角下存在哪些问题；三是模拟面试需要真人面试官参与，时间成本和人力成本高昂，难以高频次练习。针对这些问题，本项目旨在利用大语言模型技术打造一款 AI 智能面试官平台，为求职者提供低成本、高效率、个性化的模拟面试训练服务，让用户可以在任何时间、任何地点进行真实面试模拟并获得专业级的评估反馈。

1. 模拟面试系统（核心功能）
支持文字面试和语音面试两种模式，覆盖 Java 后端、前端工程、算法与数据
结构、系统设计、Python 后端、AI Agent 开发、测试开发、腾讯/阿里/字节
公司专项等多个面试方向，支持基于简历的个性化出题和难度分级（初级/中级
/高级阶梯式提问）。

2. AI 面试评估系统
面试完成后自动从准确性、完整性、逻辑性、深度等多维度生成评分报告和雷达
图，并提供具体改进建议。

3. 简历管理系统
支持 PDF/DOCX/TXT 格式上传、AI 智能解析与技能亮点提取分析。

4. 知识库系统（RAG）
支持文档上传管理、基于 pgvector 的向量化语义检索、RAG 增强智能问答。

5. 语音面试系统
集成阿里云 ASR 语音识别和 TTS 语音合成，通过 WebSocket 实现实时语音
对话面试。

6. LLM 供应商管理系统
支持 OpenAI、阿里云 DashScope 等多种大模型灵活切换与 API Key 加密管理。

7. 面试排期系统
提供日历视图的面试日程管理和状态跟踪。

【我负责的任务】
负责整体系统架构设计与核心功能开发，包括模拟面试引擎、AI 评估系统、语音
面试交互、知识库 RAG 检索等模块的设计与实现。

【技术栈】
后端： Java 21 + Spring Boot 4.0 + Spring AI 2.0 + PostgreSQL（pgvector 向量检索）+ Redis（缓存/会话/分布式锁）
前端： React 18 + TypeScript + Vite + Tailwind CSS 4 + Framer Motion
AI： 多 LLM 供应商统一接入（OpenAI / DashScope）结构化输出 + Prompt 模板引擎
语音： 阿里云 DashScope SDK（ASR 语音识别 + TTS 语音合成）
通信： WebSocket 实时全双工 + SSE 流式响应
构建： Gradle + Docker Compose

【架构亮点与难点】
1. 多供应商 LLM 注册中心
— 抽象统一调用接口，支持运行时动态切换模型供应商
2. 技能驱动出题系统
— 通过 SKILL.md 人设 + skill.meta.yml 分类 + 参考文档实现多方向智能出题
3. 语音面试全双工通信
— WebSocket + ASR/TTS 实时对话，难点在于低延迟交互保障
4. 流式处理架构
— 生产者-消费者模式解耦评估、分析、向量化等耗时操作
5. 难点攻克
— 语音面试低延迟实时交互、多轮对话上下文管理
— Prompt 注入安全防护、高并发限流实现