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。

TechSpar 产品总览

</div>

TechSpar 的核心不是某一个单独功能页面。
它的核心是同一套长期记忆、画像更新和下一轮训练调度机制。专项训练、简历面试、JD 备面、实时 Copilot 与录音复盘，不是彼此孤立的五个页面，而是围绕同一套长期记忆、掌握度和画像系统协同工作的同一个闭环。

它不是“再来一组题”

大多数 AI 面试产品的问题不在于题不够多，而在于没有闭环。

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 要解决的不是“生成更多题”，而是把一次次训练、模拟、实战辅助和复盘连接起来，形成一条持续进化的路径：

| 传统面试工具 | TechSpar | | --- | --- | | 场景割裂：刷题、模拟、复盘各做各的 | 专项训练、简历面试、JD 备面、实时 Copilot 与录音复盘共用同一套画像与长期记忆 | | 每次开始都像第一次使用 | 每次进入新一轮前都会读取历史掌握度、薄弱点、训练轨迹和上下文 | | 训练结果停留在当前会话 | 训练结果会写回画像、掌握度、薄弱点和复习调度 | | 很难把“准备阶段”和“真实面试”连接起来 | 从备面、模拟到实战辅助、复盘形成连续链路 | | 反馈只对这一次有用 | 每次反馈都会改变下一轮训练重点 | | 产品通常只覆盖单一环节 | 覆盖专项训练、简历面试、JD 备面、实时 Copilot 与录音复盘 | | 用完即结束 | 训练 -> 评估 -> 画像更新 -> 下轮更精准，形成持续进化闭环 |

TechSpar 不是帮你“刷一轮题”，而是帮你建立一整套从备面到复盘、从单次训练到长期提升的技术面试闭环。

题库为什么是核心设计

很多人会把“题库”理解成一组固定题目列表，但 TechSpar 的题库不是这个意思。

它本质上是一个动态出题底座，不是一个“把旧题存起来给你反复刷”的静态题单。

核心知识库：定义这个领域该覆盖哪些知识边界，给出题和评分提供语义参考
高频题库：标记真实面试里更常出现、更值得优先覆盖的考点
历史训练记录：记录最近练过什么、哪些题答得差、哪些薄弱点还没补上
长期画像与掌握度：决定这轮该继续补短板，还是向更难、更广的方向拓展

最终的题目不是“从题库里抽出来”，而是系统综合这些信息后，为这一轮训练动态生成。

也就是说：

传统题库产品：先有一批固定题，再让你去做
TechSpar：先判断你现在最该练什么，再生成这一轮最合适的题

这也是为什么题库在这里不是边缘功能，而是整个闭环里的核心基础设施。

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。

这个闭环如何运转

1. 训练前：先确定你该练什么

系统不会把你当成“新用户”反复重置，而是先读取已有信息：

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

这决定了下一轮问题更像“延续训练”，而不是“重新开始”。

2. 训练中：不同入口共享同一条主线

专项强化训练

围绕某个领域集中训练，优先命中历史薄弱点，并结合掌握度调节难度和发散度。

简历模拟面试

AI 读取简历，通过 LangGraph 状态机推进完整流程：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，系统会先拆解 JD，再围绕岗位要求、简历经历和知识库内容生成更贴近真实岗位的问题。

实时 Copilot

先基于 JD、简历和历史画像做预处理，生成提问策略树与高危路径；进入实时模式后，系统持续转写 HR 发言、预测追问方向，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。

3. 训练后：不是结束，而是写回系统

每次训练结束后，系统不会只给一句总评，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。

每轮结束后你会得到什么

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
参考答案与二次重练入口：复盘后可以继续对照修正，而不是看完报告就结束

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
想在真实面试前做针对性准备，或在面试中借助实时 Copilot 辅助判断追问方向的人
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。

如果你只是想先把项目跑起来，不一定要先购买模型服务。一个简单的免费示例是：

主 LLM：ModelScope 的 ZhipuAI/GLM-5
Embedding：SiliconFlow 的 BAAI/bge-large-zh-v1.5

注册入口：

ModelScope: https://modelscope.cn/home
SiliconFlow: https://cloud.siliconflow.cn/

配置示例：

API_BASE=https://api-inference.modelscope.cn/v1
API_KEY=your-modelscope-sdk-token
MODEL=ZhipuAI/GLM-5

EMBEDDING_BACKEND=api
EMBEDDING_API_BASE=https://api.siliconflow.cn/v1
EMBEDDING_API_KEY=sk-your-siliconflow-key
EMBEDDING_API_MODEL=BAAI/bge-large-zh-v1.5

API_KEY 填 ModelScope 的 SDK Token，EMBEDDING_API_KEY 填 SiliconFlow 的 API Key。主 LLM 和 Embedding 可以分开用不同服务商，不需要来自同一家。

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。

TAVILY_API_KEY 可以在 Tavily 官网注册后获取：https://tavily.com/。免费计划每月提供 1,000 credits，足够先把联网搜索跑通。

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

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/：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.