从刷题到实战的 AI 技术面试训练系统。

在线 Demo · 快速开始 · English

不只是刷题工具，也不只是一次性模拟面试。
TechSpar 把专项训练、简历面试、JD 备面、实时 Copilot 与录音复盘串成一个持续进化的技术面试闭环。

---

为什么不是另一个 AI 面试工具

大多数面试产品有一个根本问题：无状态。

你今天答得差，系统知道。
但你明天再来，它又像第一次见你一样重新开始。

TechSpar 的目标不是“再生成一组题”，也不是只做一轮模拟面试，而是构建一个覆盖备面、模拟、实战辅助与复盘的持续演化闭环：

传统面试工具	TechSpar
每次练习从零开始	持久化用户画像，长期跟踪成长
固定题库或随机出题	结合画像、掌握度、知识库动态出题
只覆盖刷题或单轮模拟	覆盖专项训练、简历面试、JD 备面、实时 Copilot 与录音复盘
反馈停留在一句点评	逐题评分、薄弱点提取、改进建议
很难判断自己到底进步没	掌握度量化、趋势追踪、复习调度
练完就结束	训练 -> 评估 -> 画像更新 -> 下轮更精准

TechSpar 不是帮你“刷一轮题”，而是帮你建立一套从刷题到实战的 AI 技术面试训练系统。

---

在线体验

直接体验：https://aari.top/

Email	Password
admin@techspar.local	admin123

演示环境请不要上传真实简历、真实录音或任何敏感个人信息。

---

核心机制

1. 个性化出题引擎

TechSpar 不从固定题库随机抽题，而是融合三层信息后生成下一轮问题：

• Session Context：简历、JD、知识库、最近训练记录
• Topic Mastery：领域掌握度、历史薄弱点、练习轨迹
• Global Profile：跨领域强项、弱项、思维模式、沟通风格

结果是：问题更少重复，更贴近真实短板，也更有连续性。

2. 训练闭环

每次训练结束后，系统不会只给一句点评，而是继续向后推进：

• 逐题评估回答质量
• 提取薄弱点、强项和行为特征
• 更新领域掌握度与长期画像
• 用 SM-2 调度后续复习
• 把这次结果带入下一轮训练

这意味着：每次训练都会改变下一次训练。

3. 系统架构

TechSpar 不是单页 Demo，而是完整系统：

• 前端：React 19 + React Router v7 + Vite
• 后端：FastAPI + LangGraph 工作流
• 数据层：SQLite、用户隔离目录、长期画像、向量检索
• 外部服务：OpenAI 兼容 LLM、Embedding、阿里云 NLS、DashScope ASR、Tavily、Qiniu OSS

---

核心场景

专项强化训练

选择某个领域集中训练，系统根据画像和掌握度动态调整难度，优先命中历史薄弱点。

简历模拟面试

AI 读取你的简历，通过 LangGraph 状态机驱动完整流程：自我介绍 -> 技术问题 -> 项目深挖 -> 反问环节。

JD 定向备面

输入岗位描述后，系统会抽取 JD 重点，围绕岗位要求、简历经历和知识库内容生成更贴近真实岗位的问题。

面试 Copilot

先基于 JD、简历和历史画像做预处理，生成 HR 提问策略树与高危路径；进入实时模式后，系统会持续转写 HR 发言、预测下一步追问方向，并给出回答建议。

录音复盘

上传面试录音或粘贴面试文本，系统自动转写、结构化 Q&A，并输出逐题分析与改进建议。

---

每轮训练后你会得到什么

• 逐题评分：不是只看整体感觉，而是逐题拆开评估
• 薄弱点提取：明确知道自己卡在哪，而不是笼统地“回答一般”
• 掌握度变化：跟踪某个领域到底是在进步还是原地打转
• 长期画像更新：系统会记住你的习惯性问题，而不是下一次重新开始
• 复习优先级：会根据遗忘风险安排后续训练重点

---

界面预览

首页与个人画像

首页	个人画像

首页聚合训练入口、近期进度和学习概览，画像页集中展示训练统计、当前重点与近期信号。

知识库与题目图谱

核心知识库	题目图谱

知识库负责维护训练依据，图谱页帮助你从全局观察题目分布与掌握情况。

历史记录与领域回顾

历史记录	领域详情与回顾

历史记录按训练类型回看过往复盘，领域详情页把单个训练方向的掌握度、阶段判断和持续薄弱点收拢在一起。

JD 定向备面与录音复盘

JD 定向备面	录音复盘

除了围绕岗位描述定向训练，还可以在准备完成后进入 Interview Copilot 做实时辅助，或对真实面试录音做结构化复盘。

---

适合谁

• 正在准备后端、算法、AI 应用、Agent、RAG 等技术岗位面试的人
• 已经刷了很多题，但训练缺乏连续性和复盘闭环的人
• 想围绕简历项目和 JD 做更接近真实面试练习的人
• 想长期跟踪自己能力变化，而不是做一次性问答的人

---

快速开始

1. 配置环境变量

cp .env.example .env

最小必填配置是 LLM + Embedding。Embedding 不是可选项，必须二选一：

• EMBEDDING_BACKEND=api：默认方案，直接走兼容 OpenAI 的 embedding API
• EMBEDDING_BACKEND=local：本地模型方案，需要额外安装依赖

默认推荐 api，配置示例：

API_BASE=https://your-llm-api-base/v1
API_KEY=sk-your-api-key
MODEL=your-model-name
EMBEDDING_BACKEND=api
EMBEDDING_API_BASE=https://your-embedding-api-base/v1
EMBEDDING_API_KEY=sk-your-embedding-key
EMBEDDING_API_MODEL=BAAI/bge-m3

如果你使用官方 OpenAI embedding 接口，EMBEDDING_API_BASE 可以留空。

认证默认值如下，不配置也能启动：

JWT_SECRET=change-me-in-production
DEFAULT_EMAIL=admin@techspar.local
DEFAULT_PASSWORD=admin123
DEFAULT_NAME=admin
ALLOW_REGISTRATION=false

如果你要改成本地 embedding，继续补全 .env.example 里的 LOCAL_EMBEDDING_*。

如果你要启用面试 Copilot 的独立模型、实时语音识别或联网搜索，还需要继续补全这些可选项：

COPILOT_API_BASE=
COPILOT_API_KEY=
COPILOT_MODEL=
NLS_APPKEY=
NLS_ACCESS_KEY_ID=
NLS_ACCESS_KEY_SECRET=
TAVILY_API_KEY=

不填 COPILOT_* 时会回退到主 LLM；不配 NLS 时仍可使用 Copilot，但只能手动输入 HR 的问题。

如果你要启用录音转写，还需要继续补全这些可选项：

DASHSCOPE_API_KEY=
QINIU_ACCESS_KEY=
QINIU_SECRET_KEY=
QINIU_BUCKET=
QINIU_DOMAIN=

.env.example 已经补齐了完整示例，可直接按需删改。

2. Docker 启动

docker compose up --build

启动后访问：

http://localhost

3. 手动启动

后端：

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

如果你要使用本地 embedding，再额外安装：

pip install -r requirements.local-embedding.txt

前端：

cd frontend
npm install
npm run dev

访问：

http://localhost:5173

登录后可从侧栏进入 面试 Copilot，或直接访问：

http://localhost:5173/copilot

4. 从旧版迁移

如果你是从无认证旧版升级：

python -m backend.migrate

---

可选能力

• Embedding 后端切换（API / 本地）
• 面试 Copilot（JD 预处理、策略树、高危路径、实时回答建议）
• Copilot 独立 LLM / 阿里云 NLS / Tavily 检索
• 题目图谱与领域回顾
• 运行中设置调整（LLM、专项训练参数、Copilot 预测 Agent）
• 录音上传与转写分析
• 七牛云 OSS 存储
• 多用户数据隔离
• 移动端响应式使用

---

技术栈

Component	Technology
Backend	FastAPI, LangChain, LangGraph, LlamaIndex
Frontend	React 19, React Router v7, Vite, Tailwind CSS v4
Storage	SQLite, semantic embeddings
Auth	JWT, bcrypt
LLM	Any OpenAI-compatible API

---

项目结构

为了避免文档继续变成过时快照，这里只保留稳定结构：

• backend/main.py：FastAPI 入口和主要接口
• backend/graphs/：简历面试、专项训练、JD 备面、录音复盘、Copilot 预处理等核心流程
• backend/copilot/：实时辅助相关的策略树、方向预测、回答建议、语音流处理
• backend/storage/：会话、Copilot prep 等持久化
• frontend/src/pages/：首页、训练、画像、图谱、题库、Copilot、设置、复盘等页面
• frontend/src/api/、frontend/src/contexts/、frontend/src/hooks/：接口封装、全局状态和实时交互逻辑
• data/users/{user_id}/：每个用户的画像、简历、知识库、题库和设置
• docker-compose.yml、requirements*.txt、.env.example：部署和运行入口

---

License

CC BY-NC 4.0

---

If you find this project useful, please give it a star.