環(huán)境搭建步驟（教師可在授課前準(zhǔn)備）

• 克隆倉庫并進(jìn)入目錄：

cd D:\QST\內(nèi)涵教育\InterviewerAssistant

• 后端 (Python) 環(huán)境：

python -m venv .venv; .\.venv\Scripts\Activate.ps1
pip install -r requirements.txt

• 前端 (Node) 環(huán)境：

# 在 InterviewerAssistant 根或 src 目錄
npm install
# 或 pnpm install

• 啟動 Redis（本地測試）或配置連接到教學(xué)用 Redis 實例。
• 配置環(huán)境變量（在教學(xué)機上準(zhǔn)備 env.example 并改名為 .env）:
  • API_KEYS（Doubao/DeepSeek/OpenAI）
  • ALIYUN_ASR_KEY、ALIYUN_ASR_SECRET
  • REDIS_URL

教學(xué)模塊與詳細(xì)實現(xiàn)步驟

任務(wù) 1 — 設(shè)計并實現(xiàn)前后端分離的 Web 應(yīng)用架構(gòu)

• 知識點: SPA 概念、組件化開發(fā)、路由、狀態(tài)管理（Pinia）、異步 API 調(diào)用、CORS、靜態(tài)資源部署
• 教師講解要點:
  • 解釋前后端分離的優(yōu)點，演示 InterviewerAssistant/src 的組件結(jié)構(gòu)。
  • 說明 API 設(shè)計原則（RESTful、狀態(tài)碼使用、分頁、錯誤處理）。
• 開發(fā)步驟:
  1. 在 InterviewerAssistant/src 中演示并修改一個頁面組件（如 ChatComponent.vue）。
  2. 在 InterviewerAssistant/api/main.py 中定義 API 路由（示例：/api/interview/start、/api/interview/message、/api/upload/resume）。
  3. 使用 axios 或 fetch 在前端調(diào)用后端接口，處理跨域問題（CORS 中間件在 FastAPI 中配置）。
  4. 運行前后端獨立開發(fā)服務(wù)器：前端 npm run dev，后端 uvicorn api.main:app --reload --host 0.0.0.0 --port 8000。
• 測試/驗收:
  • 前端能通過 UI 發(fā)送請求并接收 JSON 響應(yīng)；演示異常處理與重試策略。

任務(wù) 2 — 集成 Doubao/DeepSeek 等大模型 API（智能對話與問題生成）

• 知識點: HTTP API 集成、異步調(diào)用、Prompt 工程、流式輸出（若支持）、對話上下文管理
• 教師講解要點:
  • 對比不同大模型 API 的接口差異與費用/速率限制。
  • 介紹 Prompt 設(shè)計原則：指令明確、上下文控制、溫度/采樣參數(shù)調(diào)整。
• 開發(fā)步驟:
  1. 在后端新增模塊 api/ai_client.py，統(tǒng)一封裝 Doubao/DeepSeek/OpenAI 的調(diào)用接口（包含重試、超時、限流）。
  2. 設(shè)計 Prompt 模板：面行為問題、技能題目、評分指引三類模板，保存在 api/prompts.py。
  3. 在 api/main.py 的會話處理路由中調(diào)用 ai_client.generate_question() 或 ai_client.chat()，并將結(jié)果返回前端。
  4. 如需實時響應(yīng)，支持 Server-Sent Events (SSE) 或 WebSocket 將模型生成流式推送給前端（FastAPI 提供 WebSocket 支持）。
• 測試/驗收:
  • 使用 Postman 或前端模擬請求驗證問題生成質(zhì)量；記錄 Prompt 修改前后輸出差異作為課堂練習(xí)。

任務(wù) 3 — 開發(fā)簡歷解析功能（PDF/TXT）

• 知識點: PDF 文本抽取庫（pypdfium2/pypdf2/pdfminer）、文本清洗、命名實體識別（NER）、關(guān)鍵詞抽取、向量化檢索（FAISS/Chroma）
• 教師講解要點:
  • 解析流程：文件上傳 → 文本抽取 → 文本預(yù)處理 → 結(jié)構(gòu)化字段抽?。ㄐ彰⒔逃?、項目經(jīng)驗）→ 向量化索引。
• 開發(fā)步驟:
  1. 在后端實現(xiàn)文件上傳路由 /api/upload/resume，保存文件到臨時目錄。
  2. 使用 pypdfium2 或 pdfminer.six 提取 PDF 文本；對 TXT 直接讀取。實現(xiàn) api/resume_parser.py 模塊。
  3. 實驗性使用正則或 spaCy/transformers 做簡單的 NER 來識別關(guān)鍵字段；將解析結(jié)果保存為 JSON。
  4. 可選：使用嵌入模型（如 sentence-transformers）將簡歷文本向量化，使用向量數(shù)據(jù)庫（FAISS/Chroma 或簡單 Redis Vector）進(jìn)行相似度檢索以支持快速匹配/評分。
• 測試/驗收:
  • 提供若干樣例簡歷（PDF/TXT），要求學(xué)生提交解析結(jié)果的 JSON，并對解析準(zhǔn)確率做簡單統(tǒng)計。

任務(wù) 4 — 實現(xiàn)語音識別功能（接入阿里云 ASR）

• 知識點: ASR 基本概念、流式與批量識別、音頻格式（wav、pcm）、字節(jié)處理、異步處理
• 教師講解要點:
  • 展示如何在前端采集麥克風(fēng)音頻（Web Audio / MediaRecorder），并以適當(dāng)編碼上傳或直接推流。
  • 講解阿里云 ASR 的鑒權(quán)與接口調(diào)用流程。
• 開發(fā)步驟:
  1. 前端實現(xiàn)錄音組件（可參考 InterviewerAssistant/src/components/ 的錄音示例），將音頻以 multipart/form-data 上傳到后端 /api/asr/recognize。
  2. 后端 api/asr.py 調(diào)用阿里云 ASR SDK/HTTP 接口完成識別，返回識別文本。
  3. 將識別文本與會話上下文合并，傳遞給大模型進(jìn)行下一輪問答或評分。
• 測試/驗收:
  • 現(xiàn)場演示語音識別準(zhǔn)確率，收集噪聲環(huán)境下的表現(xiàn)并討論容錯策略（降噪、VAD）。

任務(wù) 5 — 會話管理系統(tǒng)（Redis 分布式會話存儲）

• 知識點: Redis 數(shù)據(jù)模型、會話鍵設(shè)計、TTL、并發(fā)控制、事務(wù)（必要時）、序列化（JSON）
• 教師講解要點:
  • 解釋會話管理的作用：保持對話上下文、存儲用戶簡歷索引、保存評估結(jié)果
• 開發(fā)步驟:
  1. 在后端實現(xiàn)會話管理模塊 api/session_store.py，封裝 Redis 操作：create_session()、append_message()、get_context()、clear_session()。
  2. 選擇合適的序列化格式（JSON 或 msgpack）；為會話設(shè)置 TTL（如 7 天）。
  3. 在路由中每次消息到達(dá)時，調(diào)用會話存儲更新上下文并把上下文同時傳給大模型接口。
• 測試/驗收:
  • 多用戶并發(fā)訪問模擬：驗證會話隔離性、并發(fā)寫入不丟失、TTL 機制生效。

任務(wù) 6 — 構(gòu)建面試評估算法（個性化反饋報告）

• 知識點: 基于規(guī)則的評分、基于模型的評分（使用 LLM 評分或微調(diào)分類器）、打分指標(biāo)設(shè)計（表達(dá)、邏輯、專業(yè)性、案例深度）
• 教師講解要點:
  • 討論評價指標(biāo)如何設(shè)計以兼顧客觀性與可解釋性；示范使用 Prompt 讓 LLM 給出評分與改進(jìn)建議。
• 開發(fā)步驟:
  1. 設(shè)計評分維度和權(quán)重（示例：表達(dá) 30%、邏輯 30%、專業(yè) 40%）。
  2. 實現(xiàn) api/evaluator.py，其中包括：
     • 基于關(guān)鍵詞/正則的規(guī)則評分模塊（快速、可解釋）
     • 基于 LLM 的評估模塊：將對話轉(zhuǎn)為評估 Prompt，要求 LLM 返回結(jié)構(gòu)化評分與改進(jìn)建議（JSON 格式）
  3. 生成教師/學(xué)生可下載的評估報告（PDF 或 HTML）。
• 測試/驗收:
  • 對同一段對話分別使用規(guī)則與 LLM 評分，比較差異并討論優(yōu)缺點。

任務(wù) 7 — 系統(tǒng)統(tǒng)計功能（監(jiān)控用戶活躍度與使用情況）

• 知識點: 業(yè)務(wù)指標(biāo)定義、事件埋點、時序統(tǒng)計、日志與監(jiān)控（Prometheus/Grafana 可選）
• 教師講解要點:
  • 指標(biāo)示例：日活（DAU）、會話時長、問題生成次數(shù)、發(fā)送語音次數(shù)、評分分布
• 開發(fā)步驟:
  1. 在后端實現(xiàn)簡單統(tǒng)計接口 api/stats.py，記錄關(guān)鍵事件到 Redis 或關(guān)系型數(shù)據(jù)庫（如 SQLite/Postgres）。
  2. 前端提供統(tǒng)計頁面（可視化圖表，使用 ECharts 或 Chart.js）展示關(guān)鍵指標(biāo)。
  3. 可選：配置 Prometheus 導(dǎo)出自定義指標(biāo)并用 Grafana 儀表盤展示。
• 測試/驗收:
  • 生成模擬流量并驗證統(tǒng)計準(zhǔn)確性與可視化展示正確。