Light-Interview：AI 模拟面试训练

开源的 AI 模拟面试系统：真人数字人面试官开口提问、按你的回答追问，报告逐题打分；另含 Docker 判题笔试与 AI 简历优化。Java 21 + Spring AI Alibaba + Vue 3。

Light-Interview 从岗位 JD 到真实开口回答的 AI 面试训练系统 把“我知道该怎么答”，练成“我真的答得出来”。 Light-Interview 是一个开源 AI 面试训练系统：输入目标岗位、JD 和简历，完成一次可录制、可回放、可评分、可重练的模拟面试。 它不只给你一段聊天式评价，而是把一次练习变成完整闭环： 录下真实回答，生成逐题转写和结构化反馈； 回到视频时间点查看回答证据； 对低分回答进行改写、重录和前后对比； 把薄弱题目放进错题本和每日训练计划； 用 Docker 隔离沙箱真实运行 Java、Python、C++、JavaScript、Go 代码题。 适合准备校招、社招、转岗和技术晋升面试的开发者。 在线体验：https://5aicv.cn 无需安装即可打开。已启用 HTTPS，可直接使用麦克风和摄像头进行录制练习。 在线体验 · 快速开始 · 先看演示 · 训练闭环 · 核心能力 · 技术拆解 · 使用手册 · 项目架构 · 安全策略 · English 真人形象数字人面试官 · 语音播报 · 音量驱动嘴型 · 逐题录制 · 可回放复盘 先看演示 以下演示均使用当前版本重新录制（2026-10-18）： 演示 时长 内容 产品总览 26 秒 登录、训练总览、练习配置、笔试与报告 模拟面试 14 秒 设备检测、数字人提问与逐题录制 复盘报告 16 秒 评分、转写、回答改写与示范回答 如果这个项目让你觉得“我真的可以拿它练一次面试”，欢迎点一个 Star。Star 会帮助更多正在准备面试的人发现它，也会帮助项目继续完善真实求职场景。 一套完整的训练闭环 flowchart LR A[岗位 / JD / 简历] --> B[AI 生成并自检题目] B --> C[视频面试 / 代码笔试] C --> D[转写与结构化评分] D --> E[逐题报告与视频证据] E --> F[错题本 / 今日训练 / 回答改写] F --> C Loading 和多数“对话框式 AI 面试”相比，Light-Interview 更接近一条真正可重复使用的训练流水线： 你得到的不是 而是 一段无法验证的 AI 评价 可回到录像时间点的逐题证据 一个看似能判题的聊天窗口 禁网、限时、限内存的 Docker 判题沙箱 练完就散的一次性体验 目标、连续记录、错题本、周报和重练闭环 只适合演示的页面 有迁移、测试、CI、限流、额度和故障恢复的完整应用 核心能力 面试训练 界面支持简体中文、English、日本語；语言跟随账号保存在个人设置中，退出登录会清理本地语言状态。 AI 根据目标岗位、JD 和简历生成题目，支持技术面、行为面、不同难度与面试官风格。 真人形象数字人播报问题，支持提问、聆听、录制、追问等状态；嘴型由音量驱动，不冒充音素级同步。 浏览器逐题录制，也可使用连续面试模式；每题可暂停、重录和回放。 追问会根据回答质量决定是否继续；同一道题最多两轮，避免机械式固定流程。 报告包含内容相关性、完整度、专业性、STAR、逻辑、语速、停顿和口头禅等维度。 转写可人工校正后单题重评；回答可 AI 改写、照着重录，并保留旧版本做前后对比。 笔试与上机 Monaco 网页 IDE，支持 Java、Python、C++、JavaScript、Go。 五种题型：上机编程、SQL、编程填空、选择题、简答题。 代码在一次性 Docker 容器中运行：禁网、只读文件系统、限制 CPU / 内存 / 进程数与执行时间。 AI 出题后先运行参考解生成预期输出；参考解跑不通的题不会发给用户。 隐藏用例只显示“第 N 个用例未通过”，既保留反馈也不直接泄露答案。 成长与留存 一个求职目标对应公司、岗位、JD、面试日期和每日 3 题计划。 低于 75 分的题进入错题本，可一键重练到过线。 周报汇总计划完成率、维度变化、最佳进步和下一周建议。 英语口语练习：场景对话、即时纠错、四项复盘；支持手打降级。 多角色学习小组：助教布置作业、查看完成看板；学员求助、匿名互评。 简历库支持上传解析、从零生成、按 JD 优化，并导出 Markdown / Word / PDF。 产品与工程细节 账号注册、个人资料、主题色、字号与减弱动效设置。 AI 调用额度按账号计数，成本有上限；排队中的分析任务会顺延而不是直接失败。 录像默认保留 7 天，可随时删除；支持本地磁盘或 S3 兼容对象存储。 大文件分片上传与断点续传；分析与媒体接口均有归属校验。 三套主题：松绿、藏青、赭橙；桌面与手机布局均已适配。 快速开始 本机开发（打开 5173） 需要 Docker Desktop、Java 21、Maven、Node.js 和 Git。 git clone https://github.com/xgwangdl/AI-Interview.git cd AI-Interview cp .env.example .env # 终端 1：基础设施 docker compose up -d postgres redis s3mock # 终端 2：后端 mvn -B package -DskipTests java -jar consumer/target/consumer-0.0.1-SNAPSHOT.jar # 终端 3：前端 npm --prefix web ci npm --prefix web run dev Windows PowerShell 把 cp 换成： Copy-Item .env.example .env 后端和前端都启动后，打开： http://localhost:5173 演示账号：smoke / 123456 更完整的 Windows 本地启动、重启、停止和排错步骤见 本地启动手顺。 完整 Docker（打开 8080） 如果不想分别启动 Java 和 Node： docker compose --profile full up -d --build 完成后打开 http://localhost:8080。这个入口由 nginx 提供，和本机 Vite 的 5173 是两个不同端口。 在 .env 中至少设置： AUTH_TOKEN_SECRET=换成一个仅本地使用的长字符串 Ali_API_KEY=你的百炼 API Key 没有 API Key 时，可先使用 stub 转写与评分体验完整界面： Ali_API_KEY=local-placeholder PRACTICE_ASR_PROVIDER=stub PRACTICE_EVALUATION_PROVIDER=stub Docker 镜像 正式版本会把前后端镜像发布到 GitHub Packages。以 v0.2.0-beta.1 为例： docker pull ghcr.io/xgwangdl/light-interview-backend:0.2.0-beta.1 docker pull ghcr.io/xgwangdl/light-interview-web:0.2.0-beta.1 镜像页面：GitHub Packages · 版本发布 为什么不是套壳 Demo 题目先自检，再交给用户 编程题不是让模型“猜一个标准答案”。系统先生成题面和参考解，把参考解放进沙箱运行，用真实输出生成用例；只有参考解自己通过全部用例，题目才会被使用。 判题边界真的落到了容器参数 --network none --memory 256m --memory-swap 256m --cpus 0.5 --pids-limit 64 --read-only --tmpfs /tmp:rw,size=64m 编译和运行分别限时，输出落盘后再读取，超时后强制清理容器。它不能替代生产级隔离集群，但已经明显超出“只检查代码文本”的演示级实现。 分析流水线可以恢复 展开技术细节 分析任务数据库持久化，进程重启后继续处理。 原子领取任务，多实例不会重复评分。 指数退避重试，超过上限进入死信队列。 卡死任务会被回收，供应商调用有超时。 Prometheus 暴露队列长度、失败率、重试和死信指标。 上传支持分片、合并、断点查询和清理。 不是只做了前端 层 实现 后端 Java 21 · Spring Boot 3.4 · Spring AI 1.1.8 · Spring AI Alibaba 前端 Vue 3.5 · Vite 6 · Element Plus · Pinia · Monaco Editor 数据 PostgreSQL 16 + pgvector · Redis 7 · Flyway 媒体 MediaRecorder · ffmpeg · Paraformer ASR · Sambert TTS 执行 Docker 隔离沙箱 · SQLite · 5 种编程语言 运维 Actuator · Prometheus · 额度护栏 · 重试与死信队列 工程质量 后端 312 个测试通过，13 个依赖外部环境的测试按配置跳过；集成环境下仅 7 个跳过。 前端 145 个测试通过，生产构建通过。 浏览器认证冒烟使用系统 Chrome，可重复验证登录、注册、空值提示和路由保护。 GitHub Actions 执行后端测试、前端测试、数据库/S3 集成测试和五语言 Docker 沙箱测试。 已完成真实 PostgreSQL、Redis、S3 兼容存储和真实模型供应商的链路验证。 当前已知边界：数字人口型是按音量驱动，不是音素级同步；L2 流式外语通道默认关闭。 完整验证记录见 docs/STATUS.md。 目录结构 consumer/ Spring Boot 后端、AI 能力、判题沙箱、数据库迁移 common/ 统一响应、异常、JWT 与共享工具 web/ Vue 3 前端与 Monaco 代码编辑器 scripts/ 冒烟测试、端到端验证与截图脚本 docs/ 使用手册、架构、部署、需求与验证记录 主要接口 展开 API 摘要 POST /login 登录 POST /register 注册 POST /api/v1/practice-sessions 创建练习 POST /api/v1/practice-sessions/question-plan 生成面试题 POST /api/v1/answers/{id}/media 上传回答录像 POST /api/v1/practice-sessions/{id}/complete 完成并入队分析 GET /api/v1/practice-sessions/{id}/report 逐题报告 GET /api/v1/coding-sessions/capabilities 判题能力与语言 POST /api/v1/coding-sessions 生成笔试题 POST /api/v1/coding-sessions/{id}/questions/{q}/run 运行示例 POST /api/v1/coding-sessions/{id}/questions/{q}/submit 提交判题 GET /api/v1/coding-sessions/{id}/report 笔试报告 本地开发与验证 # 后端测试 mvn -B clean package # 前端测试与构建 npm --prefix web test npm --prefix web run test:e2e npm --prefix web run build # HTTP 冒烟测试 pwsh scripts/smoke-test.ps1 -Name smoke -Code 123456 # 真实模型链路 pwsh scripts/e2e-real-providers.ps1 详细部署、环境变量、存储模式和对象存储切换见 docs/DEPLOYMENT.md。 适合谁 正在准备技术岗校招、社招或转行的开发者。 想练“开口表达”，而不是继续堆选择题的人。 需要视频面试、代码笔试和复盘闭环的求职者。 想研究 Spring AI、数字人、Docker 沙箱和 AI 工程化的开发者。 需要组织小组练习、作业与同伴互评的老师和学习社群。 一起把它做得更好 如果这个项目对你有帮助： Star：让更多正在准备面试的人看到它。 Issue：告诉我们你最想要的能力，或你遇到的真实问题。 PR：新的题型、语言沙箱、提示词、界面和测试都欢迎。 提交代码前请阅读 CONTRIBUTING.md。功能分支先进入 feature/practice-interview，验证通过后再合并主干。 License Apache License 2.0。基于 guangge 的 AI-Interview 重构而来。 面试是练出来的，不是背出来的。如果这个仓库能帮你更从容地走进下一场面试，点一个 Star，让下一个人也能找到它。