如果你觉得这个项目对你有帮助，不妨点个 ⭐ Star 支持一下，让更多人看到这个工具。
在当前 AI 大模型时代，面试的形态正在经历深刻的变化。传统技术岗位的面试方式，过于依赖对技术细节的记忆性考察，这在信息获取成本极低的今天，其有效性正在被重新审视。
我始终认为，面试更应关注的是面试者的核心能力——思维能力、组织能力、问题定义能力以及对复杂场景的掌控能力。在大模型能够解决绝大多数专项技术问题的背景下，能够精准提出问题、定义问题的人，往往比单纯回答问题的人更具价值。
更进一步，我相信在理论上，人的思维方式、专业技能、甚至个人经验都可以被蒸馏（Distillation）为可执行的智能体（Agent），为特定场景提供服务，这并不局限于任何特定的大模型框架。面试者当下的思考能力之所以重要，是因为最终产出的应用、平台或研发成果，其核心价值在于为业务赋能，而非单纯的技术堆砌。
这款产品的初衷，是希望帮助求职者更好地展现自己的核心竞争力，而非机械地背诵技术细节。它旨在深度结合个人知识库与实时对话场景，让面试过程更贴近真实工作中的问题解决能力展示——不是为了彰显 AI 能力，而是把 AI 落实到真正的业务场景。
传统面试往往聚焦于"你知道什么"，而我们更关注"你能如何运用知识解决问题"。这套系统帮助面试者将个人经历、项目实践、专业知识整合为有机的知识体系，在面试场景中自然地展现出来。
在现代 AI 开发的背景下，以下能力变得愈发重要：
| 能力维度 | 说明 |
|---|---|
| Agent 思维 | 理解如何将复杂任务拆解为可执行的智能体流程 |
| RAG 深度应用 | 掌握知识检索增强生成的底层原理与实践 |
| 上下文管理 | 理解对话上下文的维护、验证与优化策略 |
| 系统工程能力 | 从需求到部署的完整工程化实践 |
本系统不仅适用于传统技术岗位，更适配以下新兴岗位：
| 岗位类别 | 典型岗位名称 |
|---|---|
| AI 应用开发 | AI 应用开发工程师、LLM 应用工程师、Agent 开发工程师 |
| RAG 与知识工程 | RAG 工程师、知识图谱工程师、知识库架构师 |
| AI 产品与运营 | AI 产品经理、智能体产品经理、数字人运营 |
| 智能体架构 | 智能体架构师、AI Agent 系统设计师 |
| 业务与管理 | 业务分析岗、AI 解决方案顾问、技术型产品经理 |
本项目的开发过程，遵循一套完整的知识工程方法论：蒸馏 → 沉淀 → 溶解。
flowchart LR
A[蒸馏 Distillation] --> B[沉淀 Precipitation] --> C[溶解 Dissolution]
A -->|提炼规则与流程| B
B -->|固化为可复用组件| C
C -->|灵活应用于业务场景| A
将复杂的业务逻辑、领域知识、个人经验提炼为可形式化的规则和流程。在本项目中：
- 将面试场景中的问答逻辑蒸馏为结构化的 Prompt 模板
- 将个人知识体系蒸馏为可检索的向量数据库
- 将实时语音交互流程蒸馏为标准化的状态机
将蒸馏后的知识固化为可复用的组件和技能。在本项目中：
- 将知识库检索逻辑沉淀为
KnowledgeProvider协议接口 - 将本地知识库实现沉淀为独立的 Skill 模块
- 将文档处理流程沉淀为可配置的切片策略
将沉淀的知识在具体业务场景中灵活应用和融合。在本项目中：
- 在面试对话场景中，将知识库检索与大模型生成灵活融合
- 根据用户选择的知识库类型，动态切换检索策略
- 将实时语音识别与知识增强生成有机结合
这套方法论适用于绝大部分 AI 驱动的项目开发，核心在于将复杂问题分解为可管理的组件，再在具体场景中灵活组合。
本项目深入实践了 RAG（Retrieval-Augmented Generation）的核心技术：
| 技术点 | 实现方式 | 效果 |
|---|---|---|
| 语义切片策略 | Recursive Character Text Splitter，可配置 chunk_size=500, chunk_overlap=50 | 平衡上下文完整性与检索精度 |
| 上下文验证 | 检索结果返回前进行语义相关性校验 | 确保引入的知识与问题高度相关 |
| 双知识库架构 | 火山引擎云端知识库 / 本地 ChromaDB 向量数据库 | 无缝切换，降低成本 |
本项目基于完整的 AI 工程化体系开发，体现了以下工程实践：
- 技能封装：将特定业务逻辑封装为可复用的 Skill，实现知识的沉淀与传承
- 多 Agent 协作：支持多智能体之间的协作与任务分发
- 流程编排：通过标准化的工作流定义，实现复杂业务流程的自动化执行
系统架构设计预留了向 AI 数字人方向演进的能力：
- 实时语音交互：基于 Web Speech API 的实时语音识别与合成能力
- 个性化知识注入：支持将个人专业知识、经验沉淀为知识库，供 AI 代理使用
- 场景化能力扩展：可根据不同面试场景，动态调整 AI 代理的行为模式
| 层级 | 技术选型 | 说明 |
|---|---|---|
| 前端 | Vue 3 + Vite + Tailwind CSS | 响应式 UI，打字机效果渲染 |
| 后端 | Python FastAPI | 高性能 API 服务，SSE 流式输出 |
| 大模型 | 火山引擎方舟平台 (DeepSeek V4 Flash) | 流式生成个性化回答 |
| 知识库 | 火山引擎知识库 / LangChain + ChromaDB | 双知识库支持，自由切换 |
| 向量化 | BGE-Large-ZH-v1.5 | 开源中文 Embedding 模型 |
| 语音识别 | Web Speech API | 浏览器原生实时语音转文字 |
sequenceDiagram
participant 用户
participant 浏览器
participant 后端API
participant 知识库
participant 大模型
用户->>浏览器: 语音提问
浏览器->>浏览器: SpeechRecognition 实时转文字
浏览器->>后端API: POST /api/question/stream
alt 使用火山引擎知识库
后端API->>知识库: RAG检索（Bearer Token）
else 使用本地知识库
后端API->>知识库: ChromaDB向量检索（BGE向量化）
end
知识库-->>后端API: 相关知识片段（含上下文验证）
后端API->>后端API: Prompt拼接（知识+问题+对话历史）
后端API->>大模型: SSE流式生成
大模型-->>浏览器: 逐字返回回答建议
浏览器->>浏览器: 打字机效果渲染
interview-tiger/
├── frontend/ # Vue 3 前端
│ └── src/
│ ├── components/ # UI组件（配置弹窗含知识库切换）
│ ├── composables/ # 组合式API（录音、语音、API调用）
│ ├── stores/ # Pinia状态管理
│ └── router/ # 前端路由
├── backend/ # Python 后端
│ └── app/
│ ├── routes/ # API路由（含本地知识库管理）
│ ├── services/ # 业务服务（KnowledgeProvider协议）
│ └── utils/ # 工具函数（知识库提供者工厂）
├── .ai-workflow/ # AI工程化工作流配置
├── docs/ # 项目文档
│ └── hero.svg # Hero 横幅图
├── DEPLOY.md # Docker部署指南
└── docker-compose.yml # Docker Compose 配置
| 功能 | 图标 | 说明 |
|---|---|---|
| 🎤 实时语音识别 | 🎙️ | 基于浏览器原生能力，面试官提问即时转文字 |
| 📚 双知识库支持 | 💾 | 火山引擎云端知识库 / 本地 ChromaDB，自由切换 |
| 📤 文档上传 | 📁 | 支持 PDF、Word、TXT 等多种格式文档上传 |
| 🔪 智能切片 | ✂️ | 可配置的文本分块参数，优化检索效果 |
| 🧠 大模型生成 | 🤖 | 基于 STAR 法则生成个性化回答建议 |
| 📱 响应式适配 | 📱 | PC 端左右两栏，移动端上下布局 |
| 🔒 数据安全 | 🔐 | API Key 仅存储在浏览器本地，纯本地运行 |
面试虎首页采用深色科技风格，清晰展示产品三大核心能力：实时语音识别、双知识库支持、智能分析。
面试官提问后，系统通过 RAG 检索知识库并基于 STAR 法则生成结构化回答建议。左侧显示面试官语音识别结果，右侧展示 AI 生成的回答建议，底部可实时查看语音输入状态。
|
面试准备中 
|
实时对话界面 
|
支持一键切换火山引擎云端知识库和本地 ChromaDB 知识库。云端模式只需填入 API Key 和知识库 ID；本地模式支持文档上传、自定义切片参数和文档管理。
|
火山引擎知识库配置 
|
本地知识库配置 
|
内置配置帮助中心，提供大模型 API Key 获取、模型 ID 选择、知识库 ID 获取、推荐模型等常见问题的指引，降低首次使用门槛。
详细的 Docker Compose 部署步骤请参考：DEPLOY.md
# 快速启动（需要 Docker Compose）
docker-compose up --build -d| 特性 | 火山引擎知识库 | 本地知识库 |
|---|---|---|
| 💰 成本 | 按量付费 | 完全免费 |
| 🔌 网络 | 需要网络连接 | 支持离线 |
| 📦 存储 | 云端存储 | 本地文件 |
| 🔒 数据安全 | 服务商托管 | 完全可控 |
| 📊 检索效果 | 专业优化 | 依赖配置 |
| 📤 文档格式 | 平台支持 | PDF/Word/TXT/Markdown |
| ⚙️ 切片配置 | 平台设置 | 可自定义 |
- 所有 API Key 仅存储在浏览器
localStorage - 后端仅做 API 代理转发，不存储任何用户数据
- 本地知识库数据存储在 Docker 容器卷中，完全可控
- 不含任何云端数据库或日志收集
- 开源代码接受社区安全审计
面试虎现已正式开源，采用 GNU AGPL v3.0 协议。我们欢迎每一位对这个方向感兴趣的开发者加入贡献。
一个人的力量是有限的。面试这件事，每个人都有自己的场景和需求——有人面技术岗、有人面产品岗、有人面管理岗。不同的行业、不同的岗位、不同的面试风格，需要社区的力量来共同完善。
开源的目标很简单：
- 🎯 真实地帮助到正在找工作的每一个人——不管你是应届生还是资深专家
- 🔧 让这个工具适配更多面试场景——技术面、行为面、案例面、英文面……
- 🧠 探索 AI 在面试这个垂直场景的最优解法——RAG 策略、Prompt 工程、语音交互
- 🏗️ 将"蒸馏→沉淀→溶解"方法论推广到更多知识工程场景
我们非常欢迎各种形式的贡献：
| 贡献类型 | 说明 | 适合人群 |
|---|---|---|
| 🐛 提交 Bug | 遇到问题？在 Issues 提交反馈 | 所有使用者 |
| 💡 功能建议 | 有好的想法？在 Issues 发起讨论 | 产品/设计师 |
| 🔧 代码贡献 | 认领 Issue 或直接提交 PR | 开发者 |
| 📖 文档完善 | 修正文档、添加教程、翻译 | 技术写作 |
| 🧪 场景适配 | 为不同的面试场景优化 Prompt 模板 | 面试官/HR |
| 🗣️ 经验分享 | 分享你用面试虎通过的面试经历 | 所有使用者 |
# 1. Fork 本仓库 → 打开 https://github.com/siYuanJun/interview-tiger 点击右上角 Fork
# 2. 克隆到你本地
git clone https://github.com/你的用户名/interview-tiger.git
# 3. 创建特性分支
git checkout -b feature/your-awesome-feature
# 4. 提交你的改动
git commit -m "feat: 添加了某某功能"
# 5. 推送到你的 Fork 仓库
git push origin feature/your-awesome-feature
# 6. 回到原仓库 https://github.com/siYuanJun/interview-tiger 发起 Pull Request更详细的开发规范请参考 CONTRIBUTING.md。
我们希望构建一个开放、友好、互相尊重的社区。请遵循以下原则：
- 🤗 友善包容——欢迎任何经验水平的贡献者
- 📢 开放讨论——技术问题、产品方向都可以公开讨论
- 🙏 互相尊重——不同的观点值得倾听，对事不对人
- 🌱 鼓励新手——Good First Issue 标注的 issue 专门留给新贡献者
面试虎不仅是一个 Demo——它已经帮助真实的求职者在面试中获得了更好的表现：
"把简历、项目文档上传到知识库后，面试时问到项目细节，AI 能即时从文档中提取关键信息，让我不再因为紧张而遗漏要点。" —— 前端开发工程师
"作为产品经理，我需要展示的是逻辑思维和问题定义能力。面试虎帮我基于 STAR 法则组织回答，让表达更有条理。" —— AI 产品经理
如果你也使用面试虎通过了面试，欢迎在 Discussions 分享你的故事！
本项目采用 GNU Affero General Public License v3.0 (AGPL-3.0) 协议。
| 允许 | 禁止 |
|---|---|
| ✅ 个人使用 | ❌ 未经授权的商业使用 |
| ✅ 学习和研究 | ❌ 闭源商用分发 |
| ✅ 修改和分发（需开源） | ❌ 作为 SaaS 服务收费而不开源修改 |
| ✅ 贡献代码回馈社区 | ❌ 移除版权声明 |
简单来说：你可以自由使用、修改、分享，但如果用于商业目的或将修改后的版本作为网络服务提供，必须同样以 AGPL-3.0 开源你的修改。
详细条款请阅读 LICENSE 文件。