我做了一个 AI 面试教练平台，让 GitHub 项目自动变成面试素材

MemCoach — 一个面向技术求职者的 AI 面试训练平台，把简历面试、GitHub 项目分析和持久化画像记忆串成一个持续迭代的训练闭环。

前言：为什么做这个项目？

面试这件事，很多人有个共同痛点：刷了很多面经，但真正上场还是不会说。

面试不是默写八股文。面试官追问的不是"你知道什么"，而是"你为什么这样做"、“你遇到了什么问题”、“如果重新来你会怎么选”。这些能力，光靠背题是练不出来的。

所以我想做一个工具——不是一个刷题网站，而是一个 AI 面试教练：它能读你的简历、分析你的 GitHub 项目、记住你的薄弱点，然后像一个真实的面试官一样和你对话、追问、评分。

这就是 MemCoach。

---

MemCoach 是什么？

MemCoach 是一个 AI 驱动的面试训练平台，核心思路是 “训练闭环”：

1. 上传简历 → AI 模拟真实面试官，围绕你的经历进行多轮对话
2. 连接 GitHub → 自动分析你的开源项目，生成针对性的面试问题
3. 画像记忆 → 每次训练后自动记录
   你的薄弱点、掌握度和表达习惯，越练越了解你

这三个模块不是独立的，而是互相联动的：项目分析的问题可以一键导入训练，训练的结果回流到画像系统，画像系统指导下一轮出题。

---

三大核心功能

1. GitHub 项目分析 — 让你的代码替你说话

很多人面试时不知道怎么介绍自己的项目。MemCoach 的项目分析功能可以解决这个问题：

• 一键连接 GitHub：通过 OAuth 安全授权，选择你的公开仓库
• 智能源码解析：自动过滤关键文件，分析项目结构和技术栈
• 生成面试问题：围绕模块边界、设计决策、故障排查、技术选型、重构方向生成 5 道核心问题
• 源码证据驱动：每道问题都关联到原始代码片段，不是泛泛而谈

分析完成后，生成的问题可以一键转为专项训练，直接进入 AI 对话练习。

2. AI 面试 Agent — 真实面试模拟

这是 MemCoach 的核心模块。它不是一个简单的"一问一答"聊天机器人，而是一个基于 LangGraph 状态机的面试 Agent：

五阶段递进式面试流程：

阶段	内容	说明
开场问候	AI 自我介绍，营造面试氛围	过渡自然，不是冷冰冰的机器
自我介绍	请候选人做自我介绍	评估表达的条理性和重点
技术问题	围绕简历和知识库出题	根据回答质量动态调整难度
项目深挖	深入追问项目经历	源码级别的追问，不是表面问答
反问环节	候选人向面试官提问	评估技术视野和好奇心

自适应追问策略： 答得好就快速推进，答得差就深入追问——和真实面试官的行为一致。

四维评分体系： 训练结束后从技术深度、项目表达、沟通能力、问题解决四个维度给出评分。

3. 画像记忆系统 — 越练越懂你

这是 MemCoach 和普通面试工具最大的区别。大部分工具每次训练都是"从零开始"，而 MemCoach 会记住你：

• 自动提取薄弱点：每次训练后，AI 自动分析你的回答，识别知识盲区
• 掌握度追踪：每个知识点有 0-100 的掌握度评分，实时更新
• 向量语义去重：使用 bge-m3 嵌入模型做语义相似度计算，避免重复记录
• 跨会话持续演进：今天练的、昨天学的，下次登录时还在

---

自适应学习引擎：科学的复习节奏

除了三大核心模块，MemCoach 还内置了一套自适应学习引擎：

三层上下文融合出题

出题不是随机的，而是基于三层上下文的融合：

• Layer 1 — 会话上下文：知识库检索 + FAQ 匹配 + 历史去重，保证当前训练不重复
• Layer 2 — 领域画像：根据该领域的掌握度和历史薄弱点，优先出你不会的题
• Layer 3 — 全局画像：跨领域的特征分析，比如你的沟通风格、思维模式

SM-2 间隔重复算法

MemCoach 引入了经典的 SM-2 间隔重复算法（和 Anki 一样的原理）：

• 答对 → 复习间隔拉长（1天 → 3天 → 7天 → 14天…）
• 答错 → 间隔重置为 1 天
• 到期的薄弱点优先出题

这意味着：你不会的题目会反复出现，你已经掌握的题目会逐渐淡出，用最少的训练时间覆盖最多的薄弱点。

---

更多实用功能

功能	说明
录音复盘	上传面试录音或粘贴文字，AI 自动转写并逐条分析
知识库管理	按领域维护核心知识文档和高频题库，支持 Markdown
多用户隔离	JWT 认证 + 数据按用户完全隔离
会话恢复	训练中断后可以随时恢复，不丢失进度

---

技术架构

作为一个全栈 AI 项目，MemCoach 的技术栈涵盖了从前端到 LLM 调度的完整链路：

层级	技术选型
后端框架	FastAPI + LangChain + LangGraph + LlamaIndex
前端框架	React 19 + React Router v7 + Vite + Tailwind CSS v4
数据库	SQLite + aiosqlite（异步）
向量存储	bge-m3 embeddings（1024 维）
认证	JWT + bcrypt
LLM	任何 OpenAI 兼容接口（灵活切换）

核心架构亮点：

• LangGraph 状态机驱动面试流程，支持多阶段、有状态的对话管理
• Mem0 风格的画像引擎，LLM 提取 + 智能决策的两阶段更新机制
• SM-2 间隔重复与三层上下文融合的自适应出题系统
• GitHub OAuth 安全连接，支持 JWT state token 防 CSRF

---

快速开始

Docker 一键部署（推荐）

git clone https://github.com/iZiTTMarvin/MemCoach.git
cd MemCoach
cp .env.example .env
# 编辑 .env 填入你的 LLM API 配置
docker compose up --build

访问 http://localhost 即可使用。

手动部署

# 后端
pip install -r requirements.txt
uvicorn backend.main:app --reload --port 8000

# 前端
cd frontend && npm install && npm run dev

只需要配置一个 OpenAI 兼容的 LLM API 即可运行，模型选择完全自由。

---

项目地址

• GitHub：https://github.com/iZiTTMarvin/MemCoach
• 开源协议：MIT

---

写在最后

MemCoach 的核心理念很简单：面试能力是练出来的，不是背出来的。

它不是一个"面经合集"，也不是一个"刷题平台"，而是一个能读懂你、记住你、陪你持续进步的 AI 教练。从简历到项目到知识点，形成一个完整的训练闭环。

项目目前还在持续迭代中，未来计划支持：

• 项目面试 Agent 模式：基于源码证据的多轮动态追问
• 私有仓库分析：在安全边界内分析用户的私有项目

如果你正在准备技术面试，或者对 AI Agent 的工程化落地感兴趣，欢迎 Star 和体验。也欢迎提 Issue 和 PR，一起把这个项目做得更好！！