深问 DeepAsk

往深处问，往 Offer 近

面向计算机专业与互联网招聘的 AI 模拟面试平台。上传简历、选定岗位与企业，按真实一面的节奏推进——自我介绍、项目深挖、八股、手撕算法、HR，最后出可解释的量化报告。

产品介绍 PDF：docs/promo/深问产品介绍.pdf

作者：@30bef100w
仓库：https://github.com/30bef100w/interview-agent

核心能力

模块	说明
工作台	开始面试、管理简历、面试记录、成长档案，练什么一眼看清
岗位定向	简历 + 岗位 + 目标企业拼题单，4.5 万+ 题库双路召回，优先匹配大厂高频原题
多轮追问	Plan-then-Execute 状态机：开场规划题单，执行期按游标推进，模型不能改剧本
手撕判题	在线编辑器 + 本地对拍，AC/WA 由执行结果决定，模型只点评
语音作答	面试官 TTS 播报，候选人可文字或麦克风实时转写
可解释报告	雷达图、逐题复盘、参考答，支持导出 Word / PDF
成长档案	跨场次看见短板，一键「针对性再练」预填模式与焦点

核心立场：LLM 只负责说话，出什么题、何时追问、何时切下一题，全部由引擎决定。

和「套一层 ChatGPT」差在哪

常见做法	深问怎么做
模型自己决定问什么	开场一次规划题单，执行期按游标推进
同一句话换个说法再问一遍	跨场去重：挡同一问法，不永封技术词
八股让模型现编	有题库时从库里抽，面试官只在候选池里选和润色
项目题泛泛而谈	按岗位路 + 场景路召回，再按简历项目生成拷打链
算法题靠模型说对错	本地执行参考解对拍，超时 / WA / AC 是跑出来的

创建会话：开场官 → 多路召回 + 拷打链 → 规划题单 → 八股注入 → 去重补齐
     │
     ▼
执行中：自我介绍 → 出题 → 作答 → 追问∥评分 → 下一题 → 汇总终评

更细的设计：docs/设计文档-后端与Agent.md

MG / KG 离线图进展

已从 9,000 条记录构建 8,704 道题、2,346 个知识点、39 个场景入口的离线图。MG按知识目录组织题目，KG从业务场景连接共享知识点和相关题目；节点详情可查看业务介绍、原题、原始答案及关系依据。

• 离线图说明与完整快照
• 下载演示 HTML：下载原始文件后用浏览器打开，无需服务；GitHub文件页只显示源码。
• MG/KG 检索方案 v1：三路有界召回、动态配额、去重和有限候选精排。
• 可复用题库标注 skill

当前是离线实验：草稿状态保留，检索方案已确定但尚未实现、尚未替换生产检索，TG尚未实现。

使用流程

1. 注册 / 登录（支持记住密码）
2. 上传简历，必要时跑一次 AI 简历分析
3. 开始面试：选全流程或专项、岗位、企业、轮次（规划阶段有进度条）
4. 文字或语音作答
5. 面试结束自动汇总报告，查看复盘或去成长档案看趋势

面向谁

• 计算机相关专业：Agent / 后端 / 前端 / 算法 / 测试等方向
• 互联网招聘：按岗位 + 目标企业（字节、阿里、腾讯等）定向练真题
• 简历驱动深挖 + 手撕判题 + 可解释报告，贴近真实技术面流程

技术栈

• 前端：Next.js
• 后端：FastAPI
• 引擎：规划 / 检索 / 拷打链 / 去重 / 状态机（backend/app/services/）
• 模型：DeepSeek 等 OpenAI 兼容接口，Key 在设置页或 .env 配置

本地运行

需要 Python 3.11+、Node.js。

后端

cd backend
python -m venv .venv
# Windows: .venv\Scripts\activate
pip install -r requirements.txt
copy .env.example .env
# 编辑 .env，填入 DEEPSEEK_API_KEY，生产环境请改 JWT_SECRET
uvicorn app.main:app --reload --port 8001

Linux / macOS 把 copy 换成 cp。

前端

cd frontend
npm install
npm run dev

打开 http://localhost:3000 。前端默认请求 http://localhost:8001，可用 NEXT_PUBLIC_API_BASE 覆盖。

自动检查（CI）

把代码推到 GitHub 的 main，或开 Pull Request，仓库会自动跑：

• 后端：pytest（公开仓库没有 4.5 万题库，依赖题库的用例会自动跳过）
• 判题隔离：构建独立执行镜像，验证四种语言及隔离边界
• 前端：登录缓存安全回归与 next build

结果在 GitHub 仓库页的 Actions。本地可先跑：

cd backend && python -m pytest tests -q
cd frontend && npm run build

生产部署（Docker）

cp deploy/env.example .env
# 编辑 .env：DEEPSEEK_API_KEY、JWT_SECRET、POSTGRES_PASSWORD（ADMIN_USERNAMES 仅用于保留名称）
docker compose --profile bundled-db up -d --build

访问 http://服务器IP（默认 80 端口）。详细说明见 deploy/README.md。

要点：

• PostgreSQL：compose 内置数据库；若本机已有 Postgres，改 DATABASE_URL 指向 host.docker.internal
• CORS：Nginx 同源反代时 CORS_ORIGINS 可留空；直连前后端分离部署时填域名
• 安全：APP_ENV=production 且 JWT_SECRET 为默认值时后端拒绝启动
• 判题：生产只通过隔离容器执行；需额外配置专用执行环境，缺失时拒绝执行，配置见 deploy/README.md

开源范围

应用可靠性、安全边界及后续 Agent 修复的持续记录见问题修复记录，按“后端设计”和“Agent 设计”分别存放。

本仓库开源产品架构与代码，并公开上述MG/KG离线试验快照（含本批题目与9000条源记录归档）。完整生产面经、结构化题库和算法题配置不随仓库分发。

要补的	放哪	不补会怎样
LLM Key	backend/.env 的 DEEPSEEK_API_KEY	后端能起，对话会失败
面试题库	backend/data/knowledge_base/questions_dedup.jsonl	八股召回为空，更多靠模型现编
讲解原文（可选）	backend/data/knowledge_base/knowledge.jsonl	评分讲解素材变少
算法题配置（可选）	backend/data/coding_problems.json	算法环节没有可判的题
语音模型（可选）	backend/data/whisper-tiny/	语音输入不可用

不要把 .env 提交进 git。

目录

backend/app/       FastAPI、面试引擎、检索、评分、判题
backend/data/      岗位/企业/场景标签；题库与算法题需自备
frontend/          Next.js 界面
docs/              设计文档、产品介绍与迭代记录

License

MIT