模拟面试智能体开发实战，从客服式陪聊到可工程化的状态机面试系统

当一名工程师首次用自己搭建的AI面试官进行模拟面试时，得到的不是技术拷问，而是一句“整体表现不错”的鼓励——这暴露了当前多数AI面试工具的核心缺陷：缺乏真实考官的判断力与边界感。问题并非出在模型能力本身，而是Prompt设计与系统架构的工程化缺失。近期系列技术实践揭示了一条从“一句话人设”走向可落地系统的路径：通过四层人设解耦与状态机驱动，将模拟面试重构为具备可控流程、可测行为与岗位适配能力的工程产品。

从“你是一个面试官”到四层人设结构

初始尝试中，仅用“你是一个面试官”作为System Prompt，模型表现出典型的客服倾向：答错时递台阶、不追问、不打断，全程无压力反馈。这种“温柔陪聊”不仅无法训练应试能力，反而固化错误习惯。根本原因在于，单句人设无法承载真实面试所需的多维约束。

开发者将人设拆解为四个正交层级，各自独立配置与测试：

• 身份层：明确角色（如Java后端面试官）、候选人级别（初级/中级/高级）及目标（摸清真实水平），避免泛泛而谈；
• 规则层：定义考察点清单（如JVM、线程池、MySQL索引）、追问策略（中级需深挖细节、高级侧重取舍权衡）；
• 边界层：强制输出约束，例如“一次只问一个问题”“不透露答案”“禁止自问自答”，防止模型陷入独角戏；
• 风格层：以可执行动作替代形容词，如“禁用‘没关系’‘加油’等鼓励语”，“答错时直接指出错误点”，而非模糊要求“语气严厉”。

这一结构使各层可单独替换——更换岗位只需更新身份与规则数据，调整语气只需修改风格词表，无需重写整个Prompt模板。

图1对比展示了两种人设下的响应差异：左侧为单句人设导致的“客服式安抚”，右侧为四层结构驱动的“真考官式反馈”，关键区别在于是否具备边界意识与错误纠正机制。

工程化实现：模板、配置与禁令分离

为支撑上述结构，项目采用清晰的工程分层：

• persona.py 负责组装四层人设生成System Prompt；
• positions.py 存储岗位画像数据类（如Java后端、算法工程师），含技术栈、项目探查方向、场景题重点；
• levels.py 定义难度分级逻辑；
• rules.py 集中管理语言禁令，并提供lint_prompt()校验函数；
• tests/ 包含43个离线测试用例，覆盖各类边界场景。

这种设计实现了“一份人设模板 × N个岗位配置”的复用模式。例如，persona.py中的模板仅处理“如何组织提问”，而具体“问什么”由positions.py注入；语言规范则由rules.py统一拦截。开发者强调：“模板管怎么问，配置管问什么，禁令管不能怎么说”——三者解耦后，换岗、调级、改语气均无需触碰核心逻辑。

图2清晰呈现四层结构及其对应代码模块，突出“各层独立，才能单独替换、单独测试”的工程原则。

流程失控问题：从顺序指令到状态机编排

即使人设完善，若整场面试流程仍依赖单一Prompt中的顺序指令（如“请按开场→自我介绍→技术→项目→场景顺序提问”），模型仍会随缘执行：有人刚做完自我介绍就被甩一道场景题；有人中途想反问，却被要求“继续做自我介绍”；服务断连后重连，面试从头开始——所有环节状态均未持久化。

• InterviewState 作为全局共享数据契约，包含对话历史、当前环节、轮次计数、错误标记等字段；
• 七个节点函数 分别对应开场、自我介绍、技术基础、项目深挖、场景题、候选人反问、结束环节；
• 条件边（conditional edges） 替代固定流程：路由函数依据当前State动态决定下一环节（如“技术题已满2道？→跳至项目”“用户说‘我想问你个问题’？→转入反问环节”）；
• checkpoint机制（MemorySaver + thread_id）实现断线续面：同一thread_id重连后自动恢复上次State，不同thread_id则开启新面试。

该架构下，流程不再是“模型脑补的顺序”，而是可断言、可测试的状态迁移。开发者指出：“函数里的if漏写else只会静默跳过，图里则立刻报错——我更喜欢后者”，凸显状态机对工程可靠性的提升。

图3展示模板与配置的解耦关系：persona.py为固定模板，仅含四段注释性结构；各岗位（Java后端、前端、Python后端、算法工程师）通过独立数据文件注入具体内容，实现“换岗位不改一行代码”。

行业意义：从玩具级Demo到可部署系统

上述实践标志着AI面试工具从“能跑通”向“可工程化”的关键跃迁。过去许多开源项目止步于单轮问答Demo，缺乏对状态管理、人设一致性、岗位适配性的系统设计；而本方案通过四层人设+状态机双轨架构，使模拟面试具备以下工业级特性：

值得注意的是，该方案并未依赖特定大模型，而是通过精细化Prompt工程与流程控制，在现有LLM能力边界内榨取最大效用。其核心思想——将模糊需求转化为可执行动作、将隐式流程显式建模——对其他AI Agent开发（如客服机器人、教学助手）同样具有参考价值。

目前该系统已在内部用于工程师能力自测与新人培训预筛，反馈显示：相比早期版本，候选人更易识别自身知识盲区，且因AI反馈更具针对性，练习效率显著提升。下一步计划包括集成评分模块与错题归因分析，进一步逼近真实面试的闭环评估能力。

模拟面试智能体的成熟，不在于模型多强大，而在于能否还原真实考场的张力与规则。当AI不再递台阶，而是精准指出“线程池corePoolSize设为0会导致什么后果”，它才真正成为值得信赖的训练伙伴。