AI面试复盘广场：一场面试复盘的技术实践

面试复盘也能交给 AI？从 MP3 到 Markdown，不止是转写，更是一份结构化“面试答卷”。

写在前面

从去年开始，我一直在高强度准备大厂的后端面试。算法、系统设计、英语口语……每一个模块都像是在和知识做一场精疲力竭的拉锯战。最让我头疼的事情，不是代码写不出来，而是面完之后怎么复盘。

每次模拟面试，明明花了半小时自问自答，回头再看，要么忘了自己说了啥，要么根本不知道面试官听了之后会是什么感受。“这题答得不错”“这题有点垮”——这种模糊的判断对提升毫无帮助。真正的复盘需求很简单：

我到底说了什么？
这样说，技术面试官会怎么评价？
如果重新来一次，该怎么答才更好？

市面上教人面试的工具不少，但没一个能真正回答这三个问题。于是我开始折腾一个工具——AI Fullstack Interview Coach，让 AI 在面试结束后自动转写录音、复盘每个问题的回答质量，把模糊的“感觉”变成一份结构化的 Markdown 复盘报告。面试面完，复盘也写好了。

这篇文章就来聊聊这个项目的设计思路、技术栈，以及目前 demo 阶段的产出。

1. 项目定位：不只记“我说了什么”，还告诉你“应该怎么说”

市面上自动生成会议纪要和面试记录的工具并不少，但大多停留在转录这一步——把你说的每一句话转成纯文本，然后丢给你一坨巨大的文字。自己梳理？逐句推敲？面试官到底在想什么？

我问自己：能不能做一个更像“私人面试教练”的产品？

不只转录，还要分析：告诉你在每一道题上的表现
不只分析，还要教：给出“面试官希望的回答”
不只教，还要迭代：不满意可以重新生成，反复打磨

这就是 AI Fullstack Interview Coach 的定位。它通过一条自动化流完成：

MP3 面试录音 → ASR 语音转写 → AI 智能复盘 → 输出结构化 Markdown 报告

2. MVP 功能：一个“私人面试教练”的四步闭环

根据 MVP 的功能拆解，核心能力分成了四个模块。但在展开之前，先看看这个项目的完整面貌——下面是我目前已完成的第一版产品首页截图，所有核心功能都可以从这里进入：

① 项目首页：LeetCode 算法分析、系统设计草稿、AI 英文面试题生成，以及面试录音复盘四大模块一目了然。

接下来我会依次串起每个能力模块。

2.1 LeetCode 风格分析：背答案不如会讲题

算法面试最大的坑，就是“只知道自己写的是对的，说不清为什么是对的”。这个模块做的事情很简单：提供一个题目名称，AI 自动帮你输出一份完整的讲解稿。

题目信息：可以只输题目名，也可以补充描述和约束条件
AI 解读：生成分步骤的解题思路 + 手动测试推演
复杂度分析：自动给出时间和空间复杂度，标注注意边界
一键导出：直接下载 .md 文件，方便放进自己的复习库

下面是我用“三数之和”这道题测试时，AI 生成的详细分析，可以看到它不只是给答案，而是真的在“讲”：

② LeetCode 分析页：AI 自动生成分步解题思路、手动测试推演和复杂度分析，支持 Markdown 一键下载。

2.2 系统设计草稿：画架构也要记录

系统设计面试中，“手绘架构图 + 口头解释”是标准动作。这个模块支持在画布上添加节点和连线，保存设计元数据到 MySQL。最实用的功能是双击节点改名、右键菜单、Delete 键删除等交互——面试时可以一边画一边保留可复用的版本。

③ 系统设计草稿页：支持节点拖拽、重命名、连线删除等交互，设计元数据持久化保存，面试练习后不丢失。

这两个模块是日常练习的“辅料”，但回到今天的主角——面试复盘——能力要再深一层。

2.3 面试录音：从 MP3 到结构化复盘报告

面试复盘功能是 MVP 的核心产出，也是让我最投入的部分。整个流程分为五步：

上传 MP3 录音（通过首页的 MP3 上传组件，最大 30MB）
后端 ASR 语音转写：系统先将音频发送给 Whisper 或 StepFun（Challenger），返回口语化的纯文本
AI 基于提示词智能分析：大模型在收到转录文本后，不是简单摘要，而是严格按照一套提示词模板进行逐段拆解
生成结构化复盘报告（Markdown） ：
- 问与答（按问答条目分开）
- 每条附带“面试官希望的回答”
- 面试总结
- 面试者答题明显错误
前端预览 + .md 导出

下面是一个完整示例——我在用“数据库索引的工作原理”这个问题训练英语面试时，AI 生成的结构化报告：

④ 面试题库页：AI 按技术领域生成英文面试题、参考答案及答案深度分析，支持收藏和搜索速查。

拿到这样一份报告之后，复盘就不是对着自己“模糊的感觉”猜了，而是每一问都有明确的技术打分参照。

2.4 提示词设计：给 AI 一份“面试复盘指南”

上面模块的实现质量，最核心的决定因素不是代码写得多炫酷，而是提示词的质量。

我设计提示词时对标的目标很清晰：要做一份面试官视角的评判标准——不只是“说了什么”，而是“该说的说全了吗？框架对吗？扣分点在哪？”所以提示词里有三层逻辑：

结构化输出格式：强制要求返回 JSON（response_format: json_object），字段包括 qaPairs（问答对，每个 Q 都要有 Question、Answer、InterviewerExpectedAnswer）、summary、obviousMistakes。
面试官评判规则：不只看答案对不对，还要求 AI 指出逻辑漏洞、知识盲区、表达不清等明显错误。
禁止 AI Slop：避免千篇一律的“回答得不错，继续加油”这种泛泛之词；每一个建议都要有具体的技术理由。

这套提示词设计直接嵌在后端的 InterviewRecordingReportService 里。前端拿到 JSON 之后，再拼接成可阅读的 Markdown 报告。

3. 技术栈一览：Spring Boot 3 + Vue 3 + DeepSeek Chat API

整个项目命名为 ai-coding-analysis，采用前后端分离架构，刚好覆盖完整的全栈技能集。项目结构很清爽：

▼
text
复制代码
ai-coding-analysis/
├── frontend/        # Vue 3 + Vite + TypeScript + Pinia
└── backend/         # Spring Boot 3.3 + Java 21

后端核心

后端是整个流水线的编排者，负责：

接收 MP3 文件上传（multipart/form-data，校验后缀和 30MB 上限）
调用 ASR 服务进行语音转写（当前支持 Whisper 和 StepFun（Challenger），通过配置环境变量 ASR_DEFAULT_PROVIDER 一键切换）
将转写文本发给 DeepSeek Chat API，强制要求 response_format: json_object
基于返回的 JSON 拼成 Markdown 报告，再返回前端或提供下载链接

关键配置完全基于环境变量——在 .env.local 里填入 DEEPSEEK_API_KEY、MySQL 连接信息以及 ASR 相关密钥，就能在不同环境中切换模型和 ASR 服务商。

▼
yaml
复制代码
# backend/.env.local 示例
DEEPSEEK_API_KEY=your-api-key
MYSQL_URL=jdbc:mysql://localhost:3306/ai_coding_analysis
ASR_DEFAULT_PROVIDER=whisper

前端交互

前端基于 Vite + Vue 3 + TypeScript，代码组织得很整洁：

api/client.ts：封装 Axios 调用 /api/v1/* 接口（含 MP3 的 multipart 上传）
router/：路由表，对应首页、LeetCode、系统设计、面试题和收藏五个入口
stores/：Pinia 管理全局应用状态（如 appId 作为字符串传递，避免大整数精度问题）
views/：各功能模块的视图组件

目前是一个功能紧凑的单页面系统。上传 MP3 后等待 AI 生成报告，Markdown 会直接渲染在下方。不满意？一键重新生成——代码里特意开放重新调用 API 的能力，让用户可以“迭代”复盘。

4. 一个有趣的彩蛋：面试题收藏 + 速查表

除了复盘和算法练习，AI 英文面试题生成也是刚需。通过选择技术领域（数据库、后端等）+ 难度级别 + 语种，就可以生成一份题目列表，支持：

收藏：对有用的题目加星标，存到“收藏”模块
速查表：把多道题合并导出，生成一份考前闪电战复习文档
自动填充提示词：每次 Search 都是通过调用 /api/v1/interview-questions/search 和 LLM 实时生成的新题，不会重复到同样的老题目

这不仅提升了题库的丰富度，也是 AI 在面试场景下的另一种实用落地方式。

5. 从 Demo 到完整作品：下一步计划

目前 MVP 跑通了整条链路：

前端 MP3 上传
后端语音转写
AI 智能复盘
Markdown 报告生成和预览下载

离最终的理想形态还有几步需要完善，但这已经是完整的可用状态：

实时录音 + 分析：目前依赖用户手动上传 MP3；下一步希望在前端直接集成麦克风录音，点“结束”后自动走完复盘流程，实现“面完即复盘”
多模型对比：已经预留了 ASR_DEFAULT_PROVIDER 配置；未来可以在 UI 上提供一个对比按钮，同时调用 Whisper 和 StepFun（Challenger），用 WER（词错误率）量化评估准确率，方便优化
历史报告管理与搜索：目前已入库 MySQL 的 interview_recording_report 表；后面会增加列表页，支持按时间搜索和全文检索
面试题知识点标签化：将每一道面试题拆出关联的技术标签（如“数据库索引”“分布式事务”），便于针对性复习

整个项目的原创设计、前后端代码和提示词方案全部在 GitHub 上开源，作为一个完整的独立作品。

Github 链接：https://github.com/XsuperTitan/ai-leetcode-analysis

结语

此项目是我这半个月Vibe Coding练习的又一作品，大概只用了一小时就落好了这个项目的架子和基本功能。目前功能有限还需完善面试复盘模块相关功能呢，不过只要你是有清晰的面试录音，还是能发挥些作用的。初衷就是为了自己面试提效复盘突发奇想弄出来的，系统设计的时候也能用一下，基本消灭了“面完了不知道自己到底答得怎么样”的焦虑。你模拟面试，AI用心复盘。把语音转录、大模型分析和程序员熟悉的 Markdown工作流结合起来，确实能给面试练习体验带来一个实实在在的变化。

Vibe Coding一小时练习项目：咖喱风格的AI面试复盘广场