项目：人工智能面试
基于人工智能的技术面试模拟器
- 问题背景
在科技行业，编程面试是至关重要的一环。然而，在真实的环境中练习却很难。当前的平台只能验证代码的正确性，却忽视了同样关键的一项能力：即对自己解决方案的沟通和推理能力。一个优秀的工程师不仅能写出能运行的代码，还能解释为何做出某些决策，分析其效率，并讨论其他备选方案。
该项目的目标是创建“Interview IA”，一个能够全面评估开发者解决问题的技术能力和沟通能力的模拟器。
- 技术栈
解决方案必须仅使用以下技术栈来构建：
后端：Django
数据库：MongoDB
人工智能：
Google Gemini（通过Vertex AI）
Google 云端语音转文字服务
AI上下文管理：模型上下文协议（MCP）
- 主要库（或：主要图书馆）
为了与堆栈进行交互，你需要以下Python库。Django的其他依赖项的管理由你自行负责。
python
requirements.txt（需求文件）
Django pymongo（Python的MongoDB数据库连接库） Google Cloud AI 平台 Google云语音识别服务 4\. 系统流程 你的任务是设计并实现一种架构，以支持以下用户流程：
启动与选择：
用户打开应用程序，看到一个编程问题列表。
选择一个问题和一个访谈模式：文本模式或语音模式。
会议创建：
后端在MongoDB中为会话创建一个新文档，存储面试的初始状态。
交互（文本模式）：
用户在代码编辑器中编写他们的解决方案。
在发送时，后端会构建一个包含问题描述和用户代码的上下文（MCP）。
在给定上下文中调用Gemini来分析代码的正确性、效率和质量。评估结果将展示给用户。
交互（语音模式）：
用户首先编写并完成其代码。
然后，打开麦克风，用口头方式解释你的推理过程。
音频通过语音识别API进行处理，以获取文字记录。
后端构建了一个内容丰富的上下文（MCP）：问题+代码+转录。
使用这个多模态上下文来调用Gemini，请求它评估推理的清晰度并提出后续问题。
反馈：
最后，一次对Gemini的最终呼叫回顾了整个会议的背景情况。
人工智能生成一份综合的最终报告（优势和改进领域）。
此报告存储在MongoDB中，并展示给用户。
系统流程（活动图）
更多信息：
https://docs.google.com/document/d/1nyIVEeCo2HoJd9jIZh6vyXJzRObPbMsqKJFZZqEYH1U/edit?usp=sharing（该链接可译为：“谷歌文档链接：用于编辑名为‘1nyIVEeCo2HoJd9jIZh6vyXJzRObPbMsqKJFZZqEYH1U’的文档，通过分享方式访问”）