Ideaface质面未来 - AI模拟面试智能体
项目信息
项目名称: Ideaface质面未来 - AI模拟面试智能体
创建日期: 2025年8月8日
创建人: Nebula团队
目录
Ideaface质面未来 - AI模拟面试智能体
项目信息
1. 引言
1.1. 项目背景与愿景
1.2. 项目目标
1.2.1. 主要目标
1.2.2. 次要目标
1.3. 项目范围
1.3.1. 核心功能模块 (Core Functional Modules)
1.3.2. 辅助功能模块 (Auxiliary Functional Modules)
1.4. 目标用户
1.4.1. 核心用户 (Primary Target Audience)
1.4.2. 扩展用户 (Secondary Target Audience)
1.4.3. 潜在用户 (Potential B2B Audience)
2. 系统架构
2.1. 总体架构
2.1.1. 架构模式与组件
2.1.2. 关键设计决策：异步处理
2.2. 前端技术栈
2.3. 后端技术栈
3. 功能模块详述
3.1. 用户中心模块 (User Center Module)
3.1.1. 功能概述
3.1.2. 核心子功能
3.1.3. 业务流程
3.1.4. 关键技术点
3.2. AI模拟面试模块 (AI Mock Interview Module)
3.2.1. 功能概述
3.2.2. 核心子功能
3.2.3. 业务流程
3.2.4. 关键技术点
3.3. 面试评估报告模块 (Assessment Report Module)
3.3.1. 功能概述
3.3.2. 核心子功能
3.3.3. 业务流程
3.3.4. 关键技术点
3.4. 学习与练习模块 (Learning & Practice Module)
3.4.1. 功能概述
3.4.2. 核心子功能
3.4.3. 业务流程
3.4.4. 关键技术点
3.5. 博客论坛模块 (Blog & Forum Module)
3.5.1. 功能概述
3.5.2. 核心子功能
3.5.3. 业务流程
3.5.4. 关键技术点
4. 数据库设计
4.1 E-R 图
4.2 核心表结构说明
5. API接口文档
6. 部署与维护
7. 未来规划
7.1. 近期规划 (Phase 1: Content Discovery & Engagement Enhancement)
7.1.1. 高级全文搜索 (Advanced Full-Text Search)
7.1.2. 实时通知系统 (Real-time Notification System)
7.2. 中期规划 (Phase 2: Personalization & Socialization)
7.2.1. 内容推荐系统 (Content Recommendation System)
7.2.2. 用户社交体系 (Social Graph System)
7.3. 长期规划 (Phase 3: Operational Excellence & Commercialization)
7.3.1. 后台管理系统 (Admin Panel)
7.3.2. B2B企业服务 (Enterprise Services)
1. 引言
1.1. 项目背景与愿景
对大多数大学生来说，正式面试机会稀缺且成本高（一旦表现不好可能直接错失 offer），而校园招聘会、企业宣讲会的模拟面试往往名额有限、覆盖面窄。我们急需一个能让自己 “大胆犯错” 的场景 —— 不用害怕给面试官留下坏印象，还能在试错中积累经验，这是制作软件的核心动机之一。而且如果有了面试的机会，大学生在面对面试也常感到迷茫：不知道不同岗位（如技术岗、运营岗、文职岗）的面试官关注什么，不清楚 “自我介绍”“项目经历描述”“职业规划” 等问题的回答逻辑，更难判断自己的表达是否得体。而我们的AI模拟面试在这个时候就能发挥很大的作用，帮我们拆解不同场景的面试要点，给那些在面试时会感到紧张的同学一个不断试错和培养自信的平台。这些都是我们制作这个软件的初心，希望他们可以借助我们这个平台解决一些面试的难点，越来越好。
图1-1 当代求职者难处
1.2. 项目目标
1.2.1. 主要目标
打造一个集成了高级AI面试官智能体的求职赋能平台，为用户提供高度拟真、可量化评估、并能提供个性化学习路径的完整服务闭环，成为求职者面试准备的首选工具。
1.2.2. 次要目标
高可用性: 保证核心服务99.9%的可用性，实现系统故障的快速恢复。
高性能:确保用户交互的低延迟，常规API响应时间低于500ms，AI相关操作响应时间控制在5秒内。
高可维护性:通过清晰的单体分层架构，实现模块解耦，降低代码复杂度，提升迭代效率。
高安全性:全面保障用户数据的机密性、完整性和可用性，防范主流网络安全威胁。
可扩展性:架构设计需具备前瞻性，能够在未来业务量增长时，平滑地从单体演进至微服务架构。
1.3. 项目范围
本项目的功能边界旨在围绕“AI赋能的求职准备”这一核心价值进行构建，确保核心功能的深度与专业性，同时通过辅助功能构建一个完整的用户体验闭环。项目范围明确划分为核心功能模块与辅助功能模块两大类。
1.3.1. 核心功能模块 (Core Functional Modules)
核心功能模块是《Ideaface质面未来》项目的基石，直接体现了产品的主要价值主张。所有开发资源将优先保证这些功能的稳定性、拟真度与智能化水平。
AI模拟面试 (AI-Powered Mock Interview)
-
- 岗位适配性: 系统需支持多种预设的求职岗位（如后端开发、人工智能工程师等），并能根据用户选择的岗位动态调整面试流程与问题。
- 简历驱动: 支持用户上传个人简历（PDF, DOCX格式），系统需能解析简历关键信息，并基于简历内容生成个性化的追问式面试题。
- 多模态交互: 实现基于WebRTC的实时音视频流交互。用户通过摄像头和麦克风进行回答，系统需能捕捉用户的视频影像与音频数据。
- 实时行为分析: 在前端通过 Face-api.js 等技术，对用户的视频流进行实时分析，捕捉面部表情、视线方向、头部姿态等非语言信号。
- 智能追问与反馈: 后端集成大语言模型（LLM），根据用户的回答内容和实时行为数据，生成有针对性的追问以及对单题回答的实时简评。
面试评估报告 (Interview Assessment Report)
-
- 异步生成机制: 为了优化用户体验，避免长时间等待，面试报告的深度分析将在后端通过异步任务完成。前端通过轮询机制获取最终报告。
- 多维度能力评估: 系统需能从多个专业维度（如专业知识、逻辑思维、沟通表达、求职动机等）对用户的整体表现进行量化评分。
- 数据可视化: 评估结果将以直观的能力雷达图形式呈现，帮助用户快速了解自身优势与短板。
- 智能化反馈: 报告需包含由LLM生成的、具有建设性的综合评语、亮点表现总结以及具体可行的AI改进建议。
- 完整过程回顾: 报告将提供完整的面试对话记录，包括所有问题、用户的回答以及AI的单轮简评，方便用户复盘。
1.3.2. 辅助功能模块 (Auxiliary Functional Modules)
辅助功能模块旨在为核心功能提供支撑，并构建一个围绕求职准备的生态系统，以提升用户粘性和留存率。
用户认证与管理系统 (User Authentication & Management System)
-
- 提供完整的用户生命周期管理，包括注册（支持自定义头像上传）、登录、登出。
- 基于Spring Security + JWT实现安全的、无状态的API认证。
- 提供个人中心，允许用户查看和修改个人资料（用户名、邮箱、密码），并能查看自己的面试历史和博客文章列表。
题库与算法在线练习 (Question Bank & Algorithm Practice)
-
- 内置一个结构化的面试题库，支持按岗位分类和难度进行筛选。
- 提供一个基础的在线编程环境（IDE），用户可以进行在线算法题练习，并获得即时的是非结果反馈。
学习中心资源聚合 (Learning Center Resource Aggregation)
-
- 为不同求职方向的用户提供结构化的学习路线建议。
- 聚合和展示来自外部的高质量课程或文章资源，为用户弥补知识短板提供指引。
博客论坛社区 (Blog & Forum Community)
-
- 提供一个功能完备的Markdown内容创作与分享平台，支持图片上传和代码高亮。
- 通过分类、标签、点赞、嵌套评论、热榜等功能，促进用户之间的知识分享与互动。
- 为每个用户提供一个公开的个人主页，展示其创作内容，构建社区内的个人品牌。
1.4. 目标用户
为确保产品设计与市场策略的精准性，《Ideaface质面未来》项目的目标用户群体被划分为三个层次：核心用户、扩展用户与潜在用户。每个层次的用户具有不同的需求和使用场景，共同构成了产品的用户生态。
1.4.1. 核心用户 (Primary Target Audience)
核心用户是本项目最直接的服务对象，产品的所有核心功能均围绕其核心需求进行设计。
用户画像:
身份: 即将毕业或刚毕业的在校学生（本科、硕士、博士），以及拥有0-3年工作经验、正在寻求职业发展的社会人士。
特征:
求职动机强烈: 处于积极的求职周期中，有明确的面试需求。
理论知识相对扎实: 具备一定的专业知识基础，但在面试实战经验和技巧上相对匮乏。
反馈需求迫切: 渴望获得对自己面试表现的客观、即时且具有建设性的反馈，以快速迭代和提升。
数字化原生代: 对在线学习工具和智能化应用接受度高，习惯通过线上平台获取信息和提升技能。
核心痛点:
缺乏高质量、高拟真度的模拟面试机会。
“面试怯场”，面对压力情景容易紧张，难以发挥真实水平。
面试后无法获得有效的复盘和针对性的改进建议。
1.4.2. 扩展用户 (Secondary Target Audience)
扩展用户是产品的自然延伸市场，他们可能没有迫切的求职需求，但对个人职业发展有持续性的提升意愿。
用户画像:
身份: 拥有3年以上工作经验的资深技术人员、产品经理或中层管理者。
特征:
寻求内部晋升或更好的外部机会: 虽然不处于紧急求职状态，但希望为未来的职业变动做准备。
技能更新需求: 需要通过模拟面试来检验自己对新兴技术和行业方法论的掌握程度。
注重软技能提升: 关注沟通表达、逻辑思维、压力管理等综合素质的系统性提升。
核心痛点:
长期处于舒适区，面试“肌肉”有所退化。
难以找到合适的资深同行进行对练和交流。
希望通过系统性练习，将自己的项目经验和技术深度更好地在面试中呈现出来。
1.4.3. 潜在用户 (Potential B2B Audience)
潜在用户代表了项目未来的商业化扩展方向，主要面向企业级（B2B）市场。
用户画像:
身份:
企业人力资源部门 (HR): 负责初级岗位的大规模筛选和面试。
高等教育机构: 高校的就业指导中心、计算机学院等。
特征:
降本增效需求: 希望通过AI工具自动化部分初筛流程，降低人力成本，提升招聘效率。
标准化评估需求: 寻求一种更客观、标准化的方式来评估候选人的基础素质和岗位匹配度。
赋能学生需求: 高校希望为学生提供现代化的求职辅导工具，提升学生的就业竞争力。
核心痛-点:
初级岗位海量简历筛选和初面耗费大量人力。
人工面试官的状态和标准不一，导致评估结果存在主观偏差。
传统就业指导课程缺乏实战练习环节。
2. 系统架构
2.1. 总体架构
图2-1 Ideaface质面未来系统架构图
本项目的总体架构遵循业界主流的前后端分离（Headless）模式，旨在实现开发职责的清晰解耦、技术栈的灵活选型以及未来跨平台扩展的潜力。架构的核心设计原则包括高内聚、低耦合、可扩展性与用户体验优先。
2.1.1. 架构模式与组件
- 前端 (Frontend): 采用 Vue 3 单页面应用 (SPA) 模式。
- 职责: 作为系统的“表示层 (Presentation Layer)”，全权负责所有用户界面的渲染、动态交互逻辑以及客户端状态管理。
- 设计思想: 选择SPA模式可以在首次加载后提供接近原生应用的流畅体验，无需频繁刷新页面。Vue 3的Composition API则为构建复杂、可维护的UI组件提供了强大的支持。前端通过HTTP协议与后端进行纯粹的数据交换。
- 后端 (Backend): 采用 Spring Boot RESTful API 服务 模式。
- 职责: 作为系统的“业务逻辑层 (Business Logic Layer)”与“数据访问层 (Data Access Layer)”，负责处理所有核心业务逻辑、用户认证与授权、数据持久化，并作为中间层统一封装与第三方AI服务的复杂集成。
- 设计思想: RESTful API作为无状态的通信标准，确保了前后端之间以及未来与其他潜在客户端（如移动App、小程序）之间通信的通用性和简洁性。Spring Boot的全家桶生态则为快速、稳健地开发企业级应用提供了坚实基础。
- 数据流 (Data Flow): 前后端之间严格通过定义好的API契约（API Contract）进行通信。前端发送HTTP请求，后端返回标准化的JSON格式数据，实现了表示层与业务逻辑的彻底分离。
2.1.2. 关键设计决策：异步处理
- 实现方式: 项目中耗时最长的核心功能——面试报告的深度分析，采用了Spring Boot的 @Async 异步任务处理机制。
- 设计思想 (为什么这么做):
- 用户体验优先: 直接在API请求的同步线程中调用大语言模型（LLM）进行深度分析，可能导致长达数十秒甚至数分钟的请求超时，这是不可接受的用户体验。
- 系统解耦与弹性: 通过将分析任务放入独立的线程池中异步执行，API接口可以立即响应前端，告知“报告正在生成中”，从而将长时间运行的任务与前端的主交互流程解耦。这种模式也为未来升级到更专业的**消息队列（Message Queue, 如RabbitMQ/Kafka）**进行削峰填谷和任务调度，预留了清晰的架构演进路径。
2.2. 前端技术栈
技术领域 所用技术/库 版本 用途说明
核心框架 Vue.js + TypeScript 3.x 构建用户界面的核心。
构建工具 Vite 5.x 提供极速的开发服务器和高效的打包构建。
UI 框架 Element Plus 2.x 提供高质量、统一风格的UI组件。
状态管理 Pinia 2.x 集中管理应用的用户登录状态等全局数据。
路由管理 Vue Router 4.x 管理应用的页面跳转和路由。
HTTP 请求 Axios 1.x 负责与后端API数据交互，通过拦截器实现JWT认证
实时分析 Face-api.js 0.22.x 在客户端进行实时的面部表情与行为识别。
富文本编辑 Vditor 3.9.x 提供功能强大的Markdown编辑器，支持图片上传。
代码高亮 highlight.js 11.x 用于美化文章和评论中的代码块。
图表库 ECharts 5.x 用于在面试报告中渲染能力雷达图。
2.3. 后端技术栈
技术领域 所用技术/框架 版本 用途说明
核心框架 Spring Boot 3.x 快速构建、部署和运行RESTful API服务。
开发语言 Java 21 提供现代化的语言特性和性能。
持久层 Spring Data JPA 3.x 简化数据库操作，通过Repository接口进行CRUD。
数据库 MySQL 8.x 关系型数据库，存储所有业务数据。
安全框架 Spring Security + JWT 6.x 处理用户认证与API授权。
AI集成 OkHttp / RestTemplate 调用第三方大语言模型（如讯飞星火）和语音识别服务
文件处理 Apache PDFBox, POI 用于解析用户上传的简历文件（PDF, DOCX）。
3. 功能模块详述
3.1. 用户中心模块 (User Center Module)
3.1.1. 功能概述
用户中心是整个平台的基础，为所有用户提供身份认证、个性化配置和活动记录追溯的能力。本模块旨在实现安全、可靠且用户友好的账户管理体系。
3.1.2. 核心子功能
- 用户认证:
图3-1 注册界面
-
- 注册: 提供基于用户名、邮箱和密码的用户注册功能。支持用户在注册时上传自定义头像，若不上传则系统自动使用默认头像。
图3-2 登录界面
-
- 登录: 提供基于用户名和密码的登录认证。认证成功后，后端签发JWT (JSON Web Token)，前端负责持久化存储。
- 无状态会话: 所有需认证的API均通过JWT进行无状态验证，提升了系统的可扩展性和安全性。
- 个人资料管理:
图3-3 个人中心界面
-
- 信息展示: 在个人中心页面展示用户的核心信息，包括头像、用户名、邮箱、用户ID及账户状态。
图3-4 修改个人资料界面
-
- 资料修改: 用户可修改其用户名和电子邮箱。系统会进行唯一性校验，防止冲突。
图3-5 修改密码界面
-
- 密码修改: 提供安全的密码修改流程，要求用户输入旧密码进行验证，并两次输入新密码进行确认。
图3-6 修改个人头像界面
-
- 头像更换: 用户可随时点击头像，从本地上传新的图片作为自定义头像，或选择由系统重新随机生成一个风格化头像。
- 活动记录:
图3-7 面试历史界面
-
- 面试历史: 系统自动记录用户的每一次模拟面试会话。历史列表按时间倒序排列，并包含面试岗位、时间、分析状态等关键信息，提供入口跳转至对应的面试评估报告。
图3-8 个人文章中心
-
- 公开主页: 为每个用户生成一个公开的个人主页 (/user/:id)，集中展示该用户的公开信息（头像、用户名）及其在博客论坛发表的所有文章列表。
3.1.3. 业务流程
- 注册流程: 用户填写表单 -> 前端校验 -> （可选）选择头像文件 -> 提交 multipart/form-data -> 后端校验唯一性 -> 创建用户记录、加密密码 -> （处理头像）保存自定义头像或生成默认头像URL -> 返回成功响应。
- 登录流程: 用户填写表单 -> 提交 -> 后端验证凭据 -> 验证成功 -> 生成JWT -> 返回JWT及用户信息（包含头像URL） -> 前端持久化Token和用户信息。
- 认证访问流程: 前端通过Axios请求拦截器，在每个需认证的API请求头中自动附加 Bearer Token -> 后端通过Spring Security的JWT过滤器验证Token有效性 -> 验证通过则执行业务逻辑。
3.1.4. 关键技术点
- 后端: Spring Security, JWT, BCryptPasswordEncoder, multipart/form-data处理。
- 前端: Pinia (状态管理), Axios Interceptors (请求拦截), Vue Router (路由守卫)。
3.2. AI模拟面试模块 (AI Mock Interview Module)
3.2.1. 功能概述
这是产品的核心功能模块，旨在通过AI技术模拟真实的面试场景，为用户提供高质量的实战练习机会。
3.2.2. 核心子功能
- 面试初始化:
-
- 岗位选择: 用户从预设的岗位列表中选择一个作为本次面试的目标。
图3-9面试准备阶段
-
- 简历驱动: 支持用户上传个人简历。后端通过Apache POI/PDFBox解析简历文本，并将其作为上下文，供后续LLM生成高度相关的面试问题。
- 多模态交互:
- 音视频通信: 通过浏览器WebRTC API获取用户的摄像头和麦克风权限，并在界面上实时显示用户影像。
- 语音识别 (ASR): 用户可通过语音进行回答。前端捕获音频流，（或后端处理）调用ASR服务，将语音实时转换为文字。
- 智能面试流程:
图3-10 面试进行答题阶段
-
- 动态问题生成: 后端根据用户的目标岗位和简历内容，调用LLM动态生成一套结构化、有梯度的面试问题（通常8-10题）。
- 实时行为分析: 前端利用 Face-api.js 对用户的视频流进行实时分析，捕捉非语言信号（如情绪、视线）。
图3-11 面试返回简评阶段
-
- 逐题智能反馈: 用户每回答一个问题，前端将回答文本连同该时段的行为分析数据一并提交给后端。后端调用LLM，生成对本次回答的实时简评，并返回下一道问题。
图3-12 面试结束阶段
-
- 面试结束: 所有问题回答完毕后，系统提示面试结束，并触发后续的深度报告生成流程。
图3-13 报告生成等待界面
3.2.3. 业务流程
- 用户选择岗位 -> 上传简历 -> 后端解析并缓存简历文本。
- 用户点击“开始面试” -> 后端调用LLM生成问题列表 -> 返回第一道问题。
- 前端显示问题，并开始捕捉用户的音视频及行为数据。
- 用户回答 -> 提交回答文本和行为数据 -> 后端调用LLM生成简评并获取下一题 -> 返回简评和下一题。
- 重复步骤4，直至所有问题结束。
- 最后一题回答完毕后 -> 后端返回最终简评及“面试结束”信号 -> 前端调用“结束面试”API，触发报告生成。
3.2.4. 关键技术点
- 后端: OkHttp (LLM调用), ASR服务集成, Apache POI/PDFBox (简历解析)。
- 前端: WebRTC (getUserMedia), Face-api.js, Web Speech API (可选, 用于前端ASR)。
3.3. 面试评估报告模块 (Assessment Report Module)
3.3.1. 功能概述
本模块旨在对用户的整体面试表现进行一次全面、深入、量化的复盘，提供具有高度价值的反馈，是产品的核心价值闭环。
3.3.2. 核心子功能
- 异步生成: 报告分析是一个耗时过程。后端在接收到“结束面试”请求后，会立即返回响应，并将分析任务放入异步线程池中执行，确保前端页面不会假死。
图3-14 面试报告评估界面（1）
- 多维度能力评估: 后端汇总用户的全部问答记录和行为数据，构建一个综合性的Prompt，请求LLM从多个维度（如专业知识、逻辑思维等）进行1-5分的量化评分。
- 数据可视化: 前端使用ECharts等图表库，将后端返回的能力评分渲染成直观的能力雷达图。
图3-15 面试报告评估界面（2）
- 深度AI反馈: 报告内容完全由LLM生成，包括：
- 综合评语: 一段200字左右的、对用户整体表现的总结性评价。
- 亮点表现: 明确列出用户在面试中表现突出的2-3个具体方面。
- 改进建议: 针对用户的薄弱环节，提供3条以上具体、可执行的优化建议。
- 面试复盘: 报告中包含本次面试的完整对话记录，方便用户逐字逐句地回顾和反思。
3.3.3. 业务流程
- 前端调用 POST /api/interviews/{sessionId}/end 接口。
- 后端立即响应，并启动一个 @Async 异步任务。
- 异步任务中，InterviewAnalysisService 汇总数据 -> 调用LLM -> 获取结构化的JSON分析结果 -> 将结果（评分、评语、建议等）存入 interview_report 表，并更新状态为 COMPLETED。
- 前端跳转到报告页，通过轮询机制，定时调用 GET /api/reports/{sessionId} 接口。
- 当接口返回的报告 status 为 COMPLETED 时，前端停止轮询，获取完整报告数据并渲染页面。
3.3.4. 关键技术点
- 后端: @Async (异步任务), Gson/Jackson (JSON解析), 精心设计的Prompt Engineering。
- 前端: ECharts (图表), 定时器 (setInterval) 实现轮询。
3.4. 学习与练习模块 (Learning & Practice Module)
3.4.1. 功能概述
本模块旨在为用户提供一个围绕面试准备的、系统化的知识学习与技能实践平台。它作为AI模拟面试核心功能的有效补充，帮助用户在实战演练之外，针对性地弥补知识短板，形成“学习-练习-实战-反馈”的完整能力提升闭环。
3.4.2. 核心子功能
- 题库中心 (Question Bank Center)
图3-16 题库中心界面
-
- 内容结构: 提供一个结构化的主观面试题库，覆盖多个技术和非技术领域（如后端开发、产品经理、通用能力等）。
- 筛选与浏览: 用户可以按岗位分类和难度等级（如简单、中等、困难）对题库进行筛选，快速定位自己感兴趣或需要加强的题目。
- 题目详情: 每个题目拥有独立的详情页，展示题目的完整描述和相关内容。
- 社区讨论 (集成): 题目详情页下方集成社区评论功能 (QuestionComment)，允许用户围绕该题目发表自己的见解、解题思路或面试经验，形成学习和交流的氛围。
- 算法测试 (Algorithm Practice)
图3-17 算法测试界面
-
- 在线IDE: 提供一个基础的、支持主流编程语言（如Java, Python）的在线代码编辑器。
图3-18算法挑战界面
-
- 代码执行与评测: 集成第三方代码评测服务（如 Judge0），用户提交代码后，系统能够在线编译、运行代码，并根据预设的测试用例返回即时的结果（如“通过”、“解答错误”、“超时”等）。
- 流程闭环: 为算法题的解答流程提供了完整的页面支持，包括答题页、成功页（展示执行用时、内存消耗）和失败页（展示错误详情）。
- 学习中心 (Learning Center)
图3-19 学习中心界面
-
- 结构化学习路径: 为核心的求职方向（如AI工程师、后端开发）提供由专家预设的、系统化的学习路线图，指导用户从基础到进阶进行学习。
- 精选资源聚合: 聚合和展示来自互联网的高质量、免费的学习资源（如知名课程、经典博客、官方文档等）。每项资源都包含标题、简介、所属平台和直接跳转链接，为用户提供一站式的学习导航。
3.4.3. 业务流程
- 题库浏览流程: 用户进入题库中心 -> 选择分类/难度 -> 查看题目列表 -> 点击进入题目详情 -> 查看题目并参与下方评论。
- 算法练习流程: 用户进入算法测试 -> 选择题目 -> 进入在线IDE页面 -> 编写代码 -> 点击“运行”或“提交” -> 后端调用Judge0 API -> 返回评测结果 -> 前端根据结果跳转至成功或失败页面。
3.4.4. 关键技术点
- 后端: Judge0 API集成, JPA Specification (用于题目动态筛选)。
- 前端: 在线代码编辑器集成 (如 Monaco Editor, CodeMirror), 页面路由与状态管理。
3.5. 博客论坛模块 (Blog & Forum Module)
3.5.1. 功能概述
博客论坛模块是《Ideaface质面未来》的社区核心，旨在构建一个用户驱动的、围绕求职与技术成长的知识分享生态。它不仅为用户提供了展示个人技术品牌和分享经验的平台，也通过用户生成内容（UGC）极大地丰富了平台的信息价值。
图3-20 博客论坛社区
3.5.2. 核心子功能
- 文章管理 (Post Management)
图3-21 博客阅读
-
- 富文本创作: 提供一个功能强大的、所见即所得的Markdown编辑器 (Vditor)，支持标题、列表、引用、粗体/斜体等所有标准Markdown语法。
- 多媒体支持: 实现图片上传功能，用户可以将本地图片方便地插入文章中。支持代码块高亮，为技术文章提供优秀的阅读体验。
- 完整的CRUD操作: 支持文章的创建 (Create)、读取 (Read)、更新 (Update)、删除 (Delete)。所有写操作（创建、更新、删除）均受权限保护，确保只有文章作者本人才能进行。
- 内容组织 (Content Organization)
图3-22 文章分类
-
- 文章分类: 每篇文章必须归属于一个明确的分类（如“后端开发”、“面试经验”），方便用户按主题进行结构化浏览。
- 文章标签: 每篇文章可以附加多个标签（如“SpringBoot”, “高并发”），提供更灵活、多维度的内容聚合方式。用户在发布时可以从现有标签中选择，也可以创建新标签。
- 内容发现 (Content Discovery)
图3-23 文章搜索
-
- 多维度筛选: 在博客主页，用户可以通过点击侧边栏的分类或标签，对文章列表进行动态筛选。
- 全文搜索: 提供一个基础的、基于关键词的全文搜索功能，能够同时匹配文章的标题和内容。
- 可切换热榜: 在侧边栏提供一个“热门文章”榜单，并支持用户在**“按综合热度（点赞+阅读）”和“按点赞数”**两种排序模式之间进行切换。
- 互动系统 (Interaction System)
图3-24 评论区互动
-
- 点赞: 用户可以对喜欢的文章进行点赞，作为最直接的支持和反馈。系统会记录点赞关系，防止重复点赞。
- 嵌套评论: 提供一个支持二级及多级回复的评论系统。用户不仅可以对文章发表评论，还可以针对某一条评论进行回复，形成对话式的讨论。
3.5.3. 业务流程
- 发布流程: 用户点击“发表新文章” -> 进入创作页面 -> 填写标题、选择分类、添加标签 -> 在Vditor编辑器中撰写内容并上传图片 -> 提交 -> 后端校验并保存 -> 跳转至新文章的详情页。
- 浏览与互动流程: 用户进入博客主页 -> 通过分类/标签/热榜/搜索发现文章 -> 点击进入文章详情页 -> 阅读文章 -> 进行点赞或在下方评论区发表/回复评论。
3.5.4. 关键技术点
- 后端: multipart/form-data (图片上传), JPA Specification (多条件筛选), 自定义JPQL查询 (热榜排序)。
- 前端: Vditor (Markdown编辑器), marked + highlight.js (Markdown内容渲染), 递归组件 (嵌套评论)。
4. 数据库设计
4.1 E-R 图
图4-1 E-R图
4.2 核心表结构说明
4.2.1. users - 用户信息表
表描述:
users 表是整个系统的身份认证与用户数据的基础。它存储了所有注册用户的基础信息、认证凭据以及个性化配置。
表结构定义:
codeSQL
CREATE TABLE `users` (
`id` BIGINT NOT NULL AUTO_INCREMENT COMMENT '用户唯一标识符 (主键)',
`username` VARCHAR(255) NOT NULL COMMENT '用户名, 必须唯一',
`email` VARCHAR(255) NOT NULL COMMENT '电子邮箱, 必须唯一, 用于登录和通知',
`password` VARCHAR(255) NOT NULL COMMENT '加密后的用户密码 (使用BCrypt)',
`avatar` VARCHAR(255) NULL DEFAULT NULL COMMENT '用户头像的URL',
`avatar_type` VARCHAR(20) NOT NULL DEFAULT 'generated' COMMENT '头像类型: generated(自动生成) 或 custom(用户上传)',
PRIMARY KEY (`id`),
UNIQUE KEY `UK_username` (`username`),
UNIQUE KEY `UK_email` (`email`)
) ENGINE=InnoDB COMMENT='用户信息表';
关键字段说明:
| 字段名 | 类型 | 约束 | 描述 | 设计思想 |
| Id | BIGINT | PK, AI | 用户ID: 系统的唯一数字标识符。 | 作为所有其他业务表（如posts, comments）的外键，使用数字类型比字符串类型查询效率更高。 |
| Username | VARCHAR(255) | NOT NULL, UNIQUE | 用户名: 用于登录和在社区中展示。 | 设置为唯一，是用户的核心身份标识之一。 |
| | VARCHAR(255) | NOT NULL, UNIQUE | 电子邮箱: 用于登录和接收通知（如密码重置）。 | 设置为唯一，确保账户安全和通信的准确性。 |
| Password | VARCHAR(255) | NOT NULL | 密码: 存储经过BCrypt算法强加密后的密码哈希值。 | 绝不存储明文密码。使用BCrypt这类慢哈希算法可以有效抵御彩虹表和暴力破解攻击。 |
| Avatar | VARCHAR(255) | NULL | 头像URL: 存储指向用户头像图片的完整URL。 | 存储URL而非图片本身，实现了数据与资源的分离。允许为NULL，以便支持默认头像逻辑。 |
| avatar_type | VARCHAR(20) | NOT NULL | 头像类型: 标识头像是系统生成的还是用户自定义上传的。 | 为未来的功能扩展（如“头像挂件”）预留了设计空间。 |
图4-2 users表
4.2.2. interview_report - 面试评估报告表
表描述:
interview_report 表是AI模拟面试功能的核心产出物。它持久化存储每一次面试会话的详细分析结果，包括由大语言模型（LLM）生成的结构化反馈数据。
表结构定义:
codeSQL
CREATE TABLE `interview_report` (
`session_id` VARCHAR(255) NOT NULL COMMENT '面试会话的唯一标识符 (主键)',
`user_id` BIGINT NOT NULL COMMENT '参与面试的用户ID (外键)',
`position_id` VARCHAR(255) NOT NULL COMMENT '面试岗位的标识符 (如 backend-developer)',
`position_title` VARCHAR(255) NULL COMMENT '面试岗位的显示名称',
`status` VARCHAR(255) NOT NULL DEFAULT 'ONGOING' COMMENT '报告状态 (ONGOING, ANALYZING, COMPLETED, FAILED)',
`overall_comment` TEXT NULL COMMENT 'LLM生成的综合评语',
`capability_analysis_json` JSON NULL COMMENT 'LLM生成的能力维度评分 (用于雷达图)',
`improvement_suggestions_json` JSON NULL COMMENT 'LLM生成的改进建议列表',
`highlights_json` JSON NULL COMMENT 'LLM生成的亮点表现列表',
`dialogue_history_json` JSON NULL COMMENT '完整的对话历史记录',
`create_time` DATETIME NOT NULL COMMENT '面试开始时间',
PRIMARY KEY (`session_id`),
KEY `idx_report_user_id` (`user_id`),
CONSTRAINT `fk_report_user` FOREIGN KEY (`user_id`) REFERENCES `users` (`id`)
) ENGINE=InnoDB COMMENT='面试评估报告表';
关键字段说明:
| 字段名 | 类型 | 约束 | 描述 | 设计思想 |
| session_id | VARCHAR(255) | PK | 会话ID: 由前端生成的、标识一次面试会话的唯一字符串。 | 使用前端生成的ID可以方便地在整个会话生命周期中进行追踪，无需等待后端创建记录。 |
| user_id | BIGINT | NOT NULL, FK | 用户ID: 关联到 users 表，标识报告的所有者。 |
|
| status | VARCHAR(255) | NOT NULL | 报告状态: 追踪报告的生成进度。 | ONGOING: 面试进行中; ANALYZING: 正在异步分析; COMPLETED: 分析完成; FAILED: 分析失败。前端通过轮询此状态来更新UI。 |
| ..._json 字段 | JSON | NULL | 结构化分析数据: 将LLM返回的复杂、嵌套的评估结果以JSON格式直接存储。 | 利用MySQL的JSON数据类型，可以高效地存储和查询半结构化数据，避免了创建过多关联表的复杂性，同时保持了数据的可读性和灵活性。 |
| create_time | DATETIME | NOT NULL | 创建时间: 记录面试的开始时间。 |
|
图4-3 interview_report表
4.2.3. posts - 博客文章表
表描述:
posts 表是博客论坛模块的内容核心，用于存储用户发表的所有文章及其元数据。
表结构定义:
codeSQL
CREATE TABLE `posts` (
`id` BIGINT NOT NULL AUTO_INCREMENT COMMENT '文章唯一标识符 (主键)',
`title` VARCHAR(255) NOT NULL COMMENT '文章标题',
`content` LONGTEXT NOT NULL COMMENT '文章的Markdown原文内容',
`user_id` BIGINT NOT NULL COMMENT '作者的用户ID (外键)',
`category_id` BIGINT NULL COMMENT '文章所属分类的ID (外键)',
`view_count` INT NOT NULL DEFAULT 0 COMMENT '文章浏览量',
`like_count` INT NOT NULL DEFAULT 0 COMMENT '文章点赞数',
`create_time` DATETIME(6) NOT NULL DEFAULT CURRENT_TIMESTAMP(6),
`update_time` DATETIME(6) NOT NULL DEFAULT CURRENT_TIMESTAMP(6) ON UPDATE CURRENT_TIMESTAMP(6),
PRIMARY KEY (`id`),
KEY `idx_post_user_id` (`user_id`),
KEY `idx_post_category_id` (`category_id`),
CONSTRAINT `fk_post_user` FOREIGN KEY (`user_id`) REFERENCES `users` (`id`),
CONSTRAINT `fk_post_category` FOREIGN KEY (`category_id`) REFERENCES `categories` (`id`)
) ENGINE=InnoDB COMMENT='博客文章表';
关键字段说明:
| 字段名 | 类型 | 约束 | 描述 | 设计思想 |
| id | BIGINT | PK, AI | 文章ID: 文章的唯一数字标识符。 |
|
| content | LONGTEXT | NOT NULL | 文章内容: 存储用户输入的原始Markdown文本。 | 存储原始Markdown而非渲染后的HTML，这使得文章内容可以被轻松地再次编辑，并且可以适应未来不同的渲染引擎或样式。 |
| user_id | BIGINT | NOT NULL, FK | 作者ID: 关联到 users 表，标识文章的作者。 | 建立了内容与创作者的明确关系。 |
| category_id | BIGINT | NULL, FK | 分类ID: 关联到 categories 表（一对多关系）。 | 允许文章不属于任何分类（尽管UI上可能强制要求），为未来的灵活性做准备。 |
| view_count | INT | NOT NULL | 浏览量: 记录文章被查看的次数。 | 通过在getPostById服务中递增此值，提供了一个衡量文章受欢迎程度的基础指标。 |
| like_count | INT | NOT NULL | 点赞数: 记录文章收到的点赞总数。 | 这是一个冗余字段，用于避免每次查询列表时都去 post_likes 表中进行COUNT(*)的昂贵操作，是典型的性能优化设计。 |
图4-4 posts表
5. API接口文档
本项目接口基于 OpenAPI 3.0 规范维护，已通过 Postman 导入并分类整理，方便调试与调用。
接口集合已分组为 user、posts、resume、interactive-interview 等模块，每个模块下包含具体的请求示例（含路径、请求方式、请求参数和返回结果）。
详细见附件：Interview Agent API.postman_collection.json
6. 部署与维护
本项目采用前后端分离架构，在本地开发环境中，通过两个独立的Node.js和Java进程协同运行，模拟了生产环境的基本交互模式。其部署架构如下图所示：
图6-1 本体开发环境部署架构图
图例说明:
上图展示了项目在单一开发者计算机上的运行与调试环境。所有服务均作为本地进程启动。
数据流与工作流程:
- 前端访问: 开发者通过Web浏览器访问 http://localhost:5173。该请求由 Vite开发服务器 处理。Vite会实时编译 src 目录下的Vue源代码，并将结果返回给浏览器，实现了极速的热更新（HMR）。
- API请求代理 (开发时): 当前端应用需要与后端进行数据交互时，它会向自己的地址（http://localhost:5173）发起以 /api/ 开头的请求（例如 /api/posts）。Vite开发服务器根据 vite.config.ts 文件中的 proxy 配置，捕获这些请求，并将其透明地转发到正在 http://localhost:8080 运行的 Spring Boot 应用。
- 后端处理: Spring Boot应用接收到来自Vite代理的请求后，执行相应的业务逻辑。
- 数据库交互: 通过JDBC连接到本地的 3306 端口，与 MySQL数据库 进行数据读写。
- 文件操作: 将用户上传的图片等文件，直接写入到本地文件系统的指定目录中（例如 D:/interview-agent/uploads）。
- 静态资源访问: 对于图片、头像等已上传的静态资源，前端代码生成的URL是指向后端的完整地址（如 http://localhost:8080/uploads/image.png）。浏览器会直接向 localhost:8080 发起这些资源的GET请求，由Spring Boot的静态资源处理器 (WebConfig) 负责从本地磁盘返回文件。
这种本地部署模式通过Vite的代理功能，有效解决了开发过程中的跨域问题，并高度模拟了生产环境中通过Nginx进行反向代理的情景，为开发者提供了流畅、一致的开发体验。
7. 未来规划
为确保《Ideaface质面未来》项目的持续发展与长期竞争力，我们制定了以下功能迭代路线图。此规划旨在逐步深化产品的核心价值，拓展用户生态，并提升运营效率。功能按优先级分为近期、中期和长期三个阶段。
7.1. 近期规划 (Phase 1: Content Discovery & Engagement Enhancement)
目标: 提升核心内容（博客）的发现效率和用户的互动体验。
7.1.1. 高级全文搜索 (Advanced Full-Text Search)
-
- 业务价值: 当平台内容（特别是博客文章）积累到一定数量时，基础的数据库 LIKE 查询将无法满足用户对搜索速度和相关性的要求。引入专业搜索引擎是提升内容可发现性、将平台从“内容陈列”升级为“知识库”的关键一步。
- 功能描述:
- 在前端提供一个全局、响应迅速的搜索入口。
- 支持对文章标题、内容、标签进行多字段的关键词搜索。
- 支持中文分词，能更智能地理解用户意图（例如搜索“Spring启动”能匹配到“Spring Boot启动原理”）。
- 搜索结果按相关度进行智能排序。
- 技术方向:
- 后端: 集成 Elasticsearch。通过 spring-boot-starter-data-elasticsearch 依赖，实现数据在MySQL和Elasticsearch之间的同步。所有搜索请求将直接由Elasticsearch处理。
- 部署: 在开发环境中使用Docker部署一个单节点的Elasticsearch实例。
7.1.2. 实时通知系统 (Real-time Notification System)
-
- 业务价值: 实时通知是提升用户社区归属感和日活跃度 (DAU) 的核心功能。即时反馈（如点赞、评论、回复）能极大地激励内容创作者，并促使用户更频繁地回访平台。
- 功能描述:
- 当用户的文章或评论被他人点赞、评论或回复时，用户能在导航栏看到一个实时的红点提示。
- 点击通知图标，会弹出一个列表，展示最近的互动消息。
- 点击单条通知，能直接跳转到对应的文章或评论位置。
- 技术方向:
- 后端: 集成 Spring Boot WebSocket (spring-boot-starter-websocket)，为每个在线用户建立持久连接。当互动事件发生时，通过异步任务将通知消息推送给目标用户。
- 前端: 使用原生的 WebSocket API 或 Stomp.js 库，与后端建立连接并监听消息。使用Pinia Store管理通知状态（如未读数量）。
7.2. 中期规划 (Phase 2: Personalization & Socialization)
目标: 从“工具平台”向“社交化社区”演进，提升用户粘性。
7.2.1. 内容推荐系统 (Content Recommendation System)
-
- 业务价值: 变“人找信息”为“信息找人”。通过个性化推荐，增加用户的平均浏览页数 (PV) 和停留时间，提升非热门内容的曝光机会。
- 功能描述:
- 在每篇文章详情页底部，展示一个“相关文章”模块。
- 在博客主页，可以为登录用户提供一个“为你推荐”的信息流。
- 技术方向:
- V1 (基于标签): 实现一个基于共同标签数量的简单推荐算法。
- V2 (基于内容): 引入 TF-IDF 算法，通过计算文章关键词向量的余弦相似度来推荐内容最相似的文章。
7.2.2. 用户社交体系 (Social Graph System)
-
- 业务价值: 建立用户之间的连接，是社区形成和沉淀的关键。
- 功能描述:
- 关注系统: 用户可以关注自己欣赏的创作者。
- 动态Feed流: 在博客主页，用户可以切换到“关注”信息流，只看自己关注的作者发布的最新文章。
- 技术方向:
- 后端: 新建 user_follows 关注关系表。开发关注/取关API。Feed流的实现需要进行高效的数据库查询设计（避免慢查询）。
7.3. 长期规划 (Phase 3: Operational Excellence & Commercialization)
目标: 提升平台的可管理性和探索商业化可能性。
7.3.1. 后台管理系统 (Admin Panel)
-
- 业务价值: 为平台运营人员提供一个高效管理平台内容的工具，是保障社区内容质量和处理违规行为的基础。
- 功能描述:
- 一个独立的、受严格权限保护的前端应用。
- 支持对用户、文章、评论、分类、标签等所有核心数据的增、删、改、查操作。
- 提供数据看板，可视化分析平台的核心运营指标。
- 技术方向:
- 后端: 引入基于角色的访问控制 (RBAC)。在 User 实体中添加 roles 字段。使用 @PreAuthorize("hasRole('ADMIN')") 等注解保护所有管理后台API。
- 前端: 可以使用 vue-element-admin 等成熟的后台管理模板快速搭建。
7.3.2. B2B企业服务 (Enterprise Services)
-
- 业务价值: 探索项目的商业化路径。
- 功能描述:
- 为企业提供定制化的在线初筛面试服务。
- 为高校提供批量学生账户管理和教学辅助功能。
- 技术方向: 这将是一个全新的、需要进行详细市场调研和产品设计的独立模块。
本文地址：https://www.vps345.com/16139.html
