一、项目背景

随着互联网行业与信息技术领域的快速发展，计算机相关专业的毕业生数量逐年递增，校招与实习岗位的竞争愈发激烈。在求职过程中，面试准备效率、临场表达能力、技术知识掌握程度直接决定求职结果。然而当前学生普遍面临几大痛点：面试准备碎片化，缺乏系统化训练；缺少高仿真、可反复练习的模拟面试环境；技术知识点多且杂，复盘与查漏补缺效率低下；传统人工面试辅导价格昂贵、时间成本高、场景覆盖有限。

与此同时，市面上主流面试辅助产品存在明显短板：大多以固定题库刷题为主，缺少基于个人简历的深度 AI 分析；模拟面试流程僵化，无法实现动态追问与个性化出题；不支持私有技术知识库的精准问答，容易出现模型幻觉。为解决上述问题，此次项目实训中，我们团队依托大语言模型与检索增强生成（RAG） 技术，打造面向计算机专业学生的全流程智能面试辅助平台，覆盖从简历优化、岗位匹配、全真模拟面试到知识问答的一站式训练能力，切实提升学生面试竞争力。

二、项目创新点

1. RAG 检索深度优化，精准抑制幻觉：采用QueryRewrite 查询重写技术，将用户模糊问题转化为高适配检索语句；结合双路混合检索（全文检索 + 向量检索），兼顾关键词匹配与语义理解；最终通过RRF 倒数排名融合算法整合多路结果，使语义检索准确率提升 35% 以上，大幅降低 AI 回答幻觉与偏离问题。

2. Java21 虚拟线程提升高并发能力：在 SSE 长连接、大模型调用等 I/O 密集场景下，启用 Java21 虚拟线程，以轻量级线程模型提升系统并发吞吐量，无需复杂调优即可支持高并发访问，保证多人同时使用时系统依然稳定流畅。

3. RISEN 结构化 Prompt，保证输出专业可控：基于 RISEN 框架统一设计提示词，明确 AI 角色、任务、评分标准与输出格式，让简历分析、面试评估、代码点评等结果更规范、更专业、更贴合企业真实招聘标准。

4. 异步任务架构，大幅降低响应延迟使用Redis Stream：实现简历解析、知识库向量化、面试报告生成等耗时任务异步化，将接口响应时间从 15 秒级优化至 200 毫秒左右，用户无需长时间等待，体验大幅提升。

5. 双层缓存架构，支持会话断点续答采用Redis 热缓存 + PostgreSQL 持久化：双层存储策略，面试中间状态实时存入 Redis 保证速度，关键进度落地数据库保证安全。用户意外退出、刷新页面后可无缝恢复会话，实现断点续答、进度不丢失。

三、核心功能与内容

1. 智能岗位匹配：通过爬虫实时采集互联网招聘信息，构建岗位库；基于用户简历技能标签做向量相似度匹配，自动计算人岗匹配度并给出针对性简历修改建议，帮助学生精准投递。

2. AI 简历分析：模拟企业 ATS 简历筛选机制，自动提取简历与 JD 信息并计算匹配度；从项目经验、技能匹配、内容完整性、结构清晰度、表达专业性五个维度打分；按高 / 中 / 低优先级给出可落地优化建议，让简历更符合招聘要求。

3. 全流程模拟面试：覆盖真实招聘全流程：性格测评→算法笔试→技术一面 / 二面 / 三面→交叉面→HR 面；支持语音对话、动态多轮追问、实时评估；最终生成综合面试报告，指出短板与提升方向。

4. 私有知识库问答：支持上传 PDF/Word/TXT 等格式技术文档，自动分块、向量化存入数据库；基于 RAG 实现精准问答，回答严格依据知识库内容，不胡编乱造，适合面试前突击复习。

四、技术选型

• 后端技术：Spring Boot、Spring AI、PostgreSQL + pgvector、Redis、阿里云百炼大模型 API

• 前端技术：React 18 + TypeScript、Vite、Ant Design、Recharts、Axios、SSE 事件流

• AI 与中间件能力：RAG 检索增强、Embedding 向量化、ASR 语音识别、TTS 语音播报、Judge0 在线代码沙箱

五、实施计划

1. 需求分析与架构设计阶段：明确功能范围、业务流程、系统架构、数据库表结构与接口规范。
2. 环境搭建与基础开发阶段：完成前后端项目初始化、依赖引入、基础组件与工具类开发。
3. 核心模块迭代开发阶段：分模块实现岗位匹配、简历分析、模拟面试、知识库问答等功能。
4. 系统优化与联调测试阶段：优化 AI 响应速度、检索准确率、前端体验，开展全流程联调与 Bug 修复。
5. 收尾部署与答辩准备阶段：项目打包部署、完善文档、整理成果、准备答辩 PPT 与演示。

六、前端开发整体规划

作为项目前端负责人，我将全程负责前端工程搭建、页面开发、交互实现、数据可视化、接口对接、体验优化等工作，保证界面美观、流程顺畅、交互自然。

1. 前端技术栈

• 开发框架：React 18 + TypeScript，提高代码可维护性与类型安全
• 构建工具：Vite，启动快、热更新快、打包体积小
• UI 组件库：Ant Design，提供成熟美观的企业级组件
• 图表库：Recharts，适配 React，轻松实现雷达图、折线图、柱状图
• 网络请求：Axios + SSE 流式处理，支持普通接口与 AI 流式输出
• 工程规范：Prettier + ESLint，保证团队代码风格统一

2. 前端工程结构

采用模块化、分层清晰、易于协作的工程结构：

• api：统一封装网络请求，按业务拆分接口文件
• pages：存放所有业务页面
• components：抽取通用组件，提高复用性
• types：统一管理 TypeScript 类型定义
• utils：存放工具函数、常量、格式化方法

3. 核心开发任务

1. 完成简历上传、岗位匹配展示、简历分析结果、模拟面试全流程、知识库管理与问答、综合报告页面等所有核心页面开发。
2. 实现文件上传、答题提交、表单校验、弹窗提示、加载状态、异步任务进度等交互逻辑。
3. 完成五维度评分图、求职竞争力雷达图、能力变化趋势图等数据可视化。
4. 对接全部后端接口，处理文件上传、SSE 流式对话、异步状态更新等复杂场景。
5. 实现AI 回复 Markdown 实时渲染，支持代码高亮、表格、列表、加粗强调等富文本展示。
6. 兼容 Chrome、Edge 等主流浏览器，优化页面加载速度、操作流畅度，修复布局错乱与交互 Bug。

4. 前端里程碑计划

• 初期（1–3 周）：需求分析、页面结构设计、工程初始化、路由配置、Layout 布局、请求封装、项目文档编写。
• 一期（4–6 周）：完成简历上传页、简历分析结果页、基础通用组件开发。
• 二期（7–9 周）：开发模拟面试全流程、知识库上传与问答、SSE 流式对接。
• 三期（10–12 周）：完成所有图表可视化、Markdown 渲染、代码高亮、整体体验优化。
• 末期（13–14 周）：浏览器兼容性测试、Bug 修复、项目打包、部署与上线。

七、总结

本项目将大语言模型、RAG 技术与传统 Web 工程化开发深度结合，既贴合学院实训要求，又具备极高的实用价值与就业竞争力。作为前端开发者，我将以高质量工程架构、流畅交互体验、美观可视化展示为目标，高标准完成所有前端任务，为项目顺利落地与最终答辩提供坚实支撑。