OfferPilot 智能面试助手

本项目是一个基于大语言模型的智能面试刷题与模拟面试平台，面向求职用户提供题库练习、AI问答、模拟面试、答案优化与学习反馈等功能，目标是提升用户在算法、八股文、项目表达和场景题上的综合面试能力。平台支持按照岗位方向和技术栈进行个性化练习，例如 Java 后端、前端开发、测试开发等，帮助用户构建更贴近真实面试流程的训练闭环。

系统核心功能包括：1）题库管理与分类检索，支持按岗位、知识点、难度、企业标签进行筛选；2）AI问答与答案润色，用户可输入自己的回答内容，由大模型进行点评、补充和优化；3）模拟面试模块，系统根据岗位方向自动生成多轮面试问题，并结合上下文持续追问；4）学习记录与结果分析，统计用户练习次数、薄弱知识点和高频错误；5）后台管理模块，支持题库维护、用户数据查看、模型提示词配置及训练策略调整。

在业务流程上，用户先选择目标岗位和练习方向，再进入专项刷题或模拟面试场景；系统结合历史练习记录和当前问题内容调用大模型生成参考答案、面试点评和追问建议；用户完成训练后，平台自动输出本次表现分析和改进建议，形成“练习—反馈—复盘—再次练习”的学习闭环。

项目后端基于 Spring Boot 搭建，负责用户管理、题库管理、训练记录、结果分析和模型调用编排；使用 MySQL 存储题目、用户信息、会话记录和训练结果，Redis 用于缓存高频题目、用户会话上下文及热点数据，提升系统响应速度。前端采用 Vue 构建训练页面和后台管理页面，实现题目展示、模拟面试交互、答案提交和结果可视化。AI能力通过对接大语言模型 API 实现，结合提示词模板、上下文拼接和参数控制来保证回答风格与面试场景的一致性。

在项目中，我主要负责后端核心业务设计与 AI 模块接入，包括题库结构设计、模拟面试流程编排、模型调用封装、提示词设计以及训练记录分析模块开发。针对多轮对话场景下上下文过长、回复不稳定的问题，我设计了“历史摘要 + 当前问题拼接”的上下文管理方案，并对不同题型配置不同提示词模板，使模型输出更聚焦、更贴近面试表达。针对高并发访问下接口响应慢的问题，我对热门题目和公共提示模板进行了 Redis 缓存，同时将部分非实时统计逻辑异步化处理，优化后接口平均响应时间明显下降，用户训练体验更流畅。

项目难点主要在于：一是如何让大模型输出内容更符合真实面试语境，而不是泛泛而谈；二是如何平衡回答质量、响应速度与调用成本。为此，我对提示词进行了多轮优化，引入岗位、题型、回答风格等约束信息，并对长文本结果做结构化解析和截断处理；同时通过缓存、限流和调用链监控提升系统稳定性。最终项目实现了从题目练习、AI点评到模拟面试复盘的完整闭环，具备较强的展示性和实际应用价值。