TydKsx的博客

本周作为项目开发的最后冲刺阶段，我们致力于进一步增强AI面试官在个性化题目生成方面的能力。核心工作是新增和优化了一系列MCP（Multi-turn Conversation Protocol）工具，旨在为AI面试官提供更丰富、更精准的用户画像和知识背景，从而生成更具针对性的面试题目。这种模块化的工具设计，使得AI面试官能够根据对话上下文和面试需求，灵活地调用这些外部能力。这些工具的组合使AI面试官能够构建一个更全面的用户画像，从而设计出既能考察核心能力，又能体现候选人特点和意向的面试流程。

2. 构建训练数据（convert_format_colab.py）引入中间ai后，为提升ai调用工具的表现效果，对ai进行微调。使用微调后的ai进行测试。

本周我们聚焦于MCP相关工具集的具体实现，这些工具旨在增强AI在模拟面试、题目推荐和简历辅助等场景下的能力。这个MCP服务为面试官AI提供了多种能力，使其能够更智能地与用户互动、推荐题目、评估表现并查询结果。服务器初始化与数据库连接代码:1. - 获取合适的题目信息功能描述: 根据用户输入的自然语言描述（如难度、标签、题目特点）以及当前聊天会话ID，调用外部的题目选择AI（百炼大模型）来获取合适的题目。代码实现:实现思路:API调用: 该工具接收到面试官AI的指令后，会使用库向预设的Das

文章摘要：AI面试官与聊天记录分享功能 该功能允许用户将AI面试官配置或聊天记录以文章形式分享，其他用户可一键添加至个人账户使用。技术难点包括数据隔离、深度拷贝复杂对象结构（如AI面试官、聊天记录、知识库），以及协调数据库与文件系统的操作。解决方案包括新增ShareReference表存储分享关联，创建独立快照以确保数据隔离，并使用特殊用户ID管理快照数据。发布/更新文章时，系统会删除旧快照并生成新副本，保持分享内容的独立性。该功能提升了平台的互动性与优质资源的复用性。

在当前的AI系统中，AI已经可以通过调用开发的MCP工具对系统相关数据进行修改和查询。然而，系统无法检测和记录这些行为，导致用户在使用过程中缺乏反馈感。为了提升用户体验，我们开发了一个“MCP动作记录系统”，用于记录AI在执行MCP相关操作时的行为，并通过前端和后端协作，为用户提供实时的操作反馈。通过MCP动作记录系统的开发，我们成功实现了对AI操作行为的记录和反馈。系统通过Redis存储临时动作数据，前端定时轮询获取动作记录并执行相应操作，从而提升了用户的交互体验。

本周的主要工作集中在语音模块的集成开发上，目标是为应用添加语音录制、上传及分析功能，以支持语音面试场景。这项功能旨在提升用户体验，特别是在面试或交流场景中，通过语音内容和情感分析为用户提供更全面的反馈。以下是对开发过程、核心代码以及实现功能的详细总结。本周的语音模块集成工作顺利完成，从前端录音到后端处理与分析，整体功能链路已打通。下一步计划完成面试时的评价模块,同时开始着手实现利用mcp实现多个模块的ai调用连通。

MCP（Model Context Protocol）服务是一个基于Node.js的服务器框架，用于为大模型提供工具化接口，支持开发者构建与大模型交互的应用。本周完成了一个MCP服务器的搭建，主要实现模拟面试场景下的题目查询和评分更新功能。数据库连接：支持MySQL、MongoDB和Redis三种数据库，用于存储和管理题目数据与评分记录。工具接口：提供工具用于查询题目信息，提供工具用于更新评分。服务器启动：通过建立连接，支持大模型与MCP服务交互。// 数据库连接初始化});

树形分支管理：使对话可以像思维导图一样延展非阻塞式消息接收：提升了长回答场景下的用户体验上下文感知的文件处理：让AI可以基于上传文件进行针对性提问这些技术的组合应用，使得我们的AI面试系统在交互流畅性和场景适应性上达到了较好水平。

本周感悟最深的是milvus的搭建和调试过程，由于目前社区中对于milvus的相关教学很少，经常出现sdk抛出未知异常，milvus配置错误导致云服务器崩溃的问题，我需要去查看官方文档，查看服务器日志，调整版本来解决出现的问题，这一过程虽然繁琐，但是很大地提升了我学习新技术以及运维相关的能力。随后设计了基于mongo的数据库模式，用于存储上传文件的基本信息以及在milvus中的切片信息，用于后续管理。3）使用枚举类型（AppType）规范应用标识，提高解耦，避免魔法字符串。

​前两周的工作内容与项目博客相同个人博客内容从第三周开始记录。