在山東大學軟件學院的項目實訓中，團隊成員們圍繞基于大模型的模擬面試系統(tǒng)展開了一系列開發(fā)與優(yōu)化工作。以下是本周項目的核心進展與成果總結。

前端界面優(yōu)化與 Bug 修復（吳尤）

Logo 顯示問題修復

在項目開發(fā)過程中，團隊發(fā)現項目左上角的 SVG 格式 logo 存在兩個主要問題：一是經常遮擋博客標題的輸入區(qū)域；二是點擊 logo 外圍透明區(qū)域時也會觸發(fā)返回主頁的操作。通過使用專業(yè)的 SVG 編輯工具（如 Adobe Illustrator 或 Inkscape）進行圖形裁剪，導出優(yōu)化后的 SVG 文件，成功解決了這些問題，修復后點擊熱區(qū)與可視圖形完全匹配，不再遮擋標題區(qū)域。

按鈕消失 Bug 修復

當用戶選中任意面試話題、刪除該話題記錄時，底部“新建面試對話”按鈕會消失。經過代碼審查發(fā)現，handleDeleteRecord 方法中存在邏輯缺陷，刪除當前激活記錄時將 currentInterviewer 誤設為 null，導致按鈕顯示條件失效。修改后的核心邏輯不再重置 currentInterviewer，修復了這一問題，按鈕在刪除操作后保持正常顯示，用戶體驗得到改善。

導航欄視覺升級

原導航欄存在純文字菜單缺乏視覺引導、層級結構不夠清晰、不符合現代 UI 設計趨勢等問題。團隊為導航欄添加了圖標系統(tǒng)，使用 Element UI 內置圖標庫，保持一致的右邊距，按功能類別選擇語義化圖標。同時，增加了垂直間距，使用更現代的字體組合，添加平滑的 hover 動畫效果，提升了導航欄的視覺效果和用戶體驗。

名稱截斷處理

對于可能過長的名稱顯示，團隊采用了統(tǒng)一的截斷方案，保留完整 tooltip 提示，并適配響應式布局，確保了界面的整潔性和信息的完整展示。

面試官和面試記錄分享功能開發(fā)（李一銘）

卡片渲染

開發(fā)了面試官和面試記錄的卡片渲染功能，使用 Element UI 的卡片組件展示面試官和面試記錄的信息。面試官卡片顯示面試官的頭像、名稱和描述，面試記錄卡片顯示面試記錄的主題、面試官名稱和操作按鈕。用戶可以通過點擊按鈕獲取面試官或面試記錄，增強了系統(tǒng)的互動性。

前后端對接

實現了獲取分享的面試官信息和面試記錄的前后端對接。前端通過調用后端的 /api/share/interviewShareToUser 和 /api/share/chatShareToUser 接口，將面試官或面試記錄的 ID 傳遞給后端。后端接收到請求后，將對應的面試官或面試記錄數據復制到當前用戶的賬戶下，并返回成功提示。這一功能的實現，使得用戶可以方便地分享和獲取優(yōu)質的面試官和面試記錄資源。

數據處理與標簽優(yōu)化（孫旭）

標簽層次結構設計方案

在微調算法題推薦功能的開發(fā)過程中，團隊面臨了微調數據中特征屬性過多、標簽分布稀疏的問題。經過研究和比較，選擇了標簽層次結構設計方案，通過手動設計多層次的標簽體系，將原始標簽歸類到不同的類別和子類別中。這一方案不僅保留了原始標簽的語義信息，結構清晰，易于理解和維護，還符合領域專家的認知方式，更貼合實際應用場景。通過實現標簽層次結構，解決了標簽稀疏性問題，提高了推薦精度，增強了系統(tǒng)的可解釋性。

方案比較：研究了三種可能的解決方案，包括PCA + 特征選擇組合、卷積神經網絡（CNN）+ 聚類、標簽層次結構設計。最終選擇了標簽層次結構設計方案，因為它更符合算法和數據結構領域的層次關系，且系統(tǒng)需要保持結果的可解釋性。

標簽層次結構實現：通過代碼實現了標簽層次結構，包括關鍵標簽篩選、層次化特征生成等步驟。代碼中定義了核心算法標簽列表和層次化映射字典，通過分析標簽重要性、選擇重要標簽、創(chuàng)建層次化特征等步驟，將原始標簽優(yōu)化為更有效的特征體系。

主處理流程框架：描述了整個特征處理的總控流程，包括數據讀取、基本統(tǒng)計、特征分配策略、核心標簽篩選、層次特征生成、結果保存等步驟，并計算了信息保留度。

關鍵標簽篩選策略：采用三重機制篩選核心標簽，優(yōu)先選擇關鍵算法標簽，然后是高頻標簽和高共現標簽。

層次化特征生成：將非關鍵標簽按邏輯分類聚合，使用反向映射機制和層次化規(guī)則，過濾低頻類別。

數據分析與驗證：包括標簽共現矩陣計算、完整性檢查、信息保留率驗證等，確保處理結果的質量。

詳細報告生成：生成可追溯的處理日志，包括關鍵標簽保留清單、層次化標簽的組成說明、被合并標簽的映射關系等。

MCP服務器工具改進

修改了MCP服務器中的工具函數，增強了題目推薦的精準度。通過調用工具函數“generate_problem_selection_prompt”，根據面試表現和簡歷信息生成算法題選擇提示。
在面試官AI的提示詞模板中增加了對這些工具的調用說明，使AI能夠在合適的時機根據候選人的表現調用相應的工具函數。

題目管理與數據統(tǒng)計功能完善（吳浩明）

題目添加功能

實現了題目的添加功能，豐富了題庫內容。在后端的 ProblemController.java 中，完善了題目的添加邏輯，通過接收前端傳遞的 ProblemDTO 對象，并進行參數校驗、設置默認值、創(chuàng)建時間和更新時間等操作，最后調用服務層的方法將題目信息持久化到數據庫。前端的 add.vue 文件中，使用 Element UI 組件構建了題目添加的表單，實現了數據雙向綁定和表單校驗規(guī)則，并通過調用后端接口發(fā)送 POST 請求完成題目的添加。

數據統(tǒng)計功能

完成了用戶練習情況、題目通過率等關鍵指標的統(tǒng)計與展示。在后端的 ProblemServiceImpl.java 中，實現了用戶練習情況的統(tǒng)計邏輯，查詢當前用戶的所有提交記錄，統(tǒng)計用戶已接受的題目 ID 集合和已嘗試的題目 ID 集合，以及題目總數，并將統(tǒng)計結果封裝到 Map 中返回。前端的 index.vue 文件中，通過調用后端接口獲取統(tǒng)計數據，并使用 Element UI 的卡片和進度條組件展示總題數、已解決和嘗試過的題目數量及其對應的比率。同時，對統(tǒng)計準確性進行了修正，確保只統(tǒng)計可見的題目，并移除了 Redis 緩存邏輯，改為直接從數據庫讀取數據，保證了數據的實時性。

判題邏輯優(yōu)化

調整了獲取用戶提交記錄的邏輯，不再進行 distinct 操作，確保 acceptedProblemIds 根據題目 ID 進行去重且提交狀態(tài)為 ACCEPTED，attemptedProblemIds 根據題目 ID 進行去重且不限制提交狀態(tài)。這一優(yōu)化提高了判題的準確性和效率。

題目總數統(tǒng)計修正

修正了題目總數統(tǒng)計邏輯，確保只統(tǒng)計可見的題目，避免了因統(tǒng)計不準確導致的用戶困惑和系統(tǒng)專業(yè)性受損。

緩存策略調整

移除了數據統(tǒng)計功能中的 Redis 緩存邏輯，改為直接從數據庫讀取數據，以保證數據的實時性。這一調整雖然可能會略微增加數據庫的訪問壓力，但確保了用戶看到的統(tǒng)計數據是最新的，提升了系統(tǒng)的可靠性和用戶體驗。

AI面試官及與AI的聊天記錄分享（王博凡）

這篇文章主要介紹了山東大學軟件學院項目實訓中，基于大模型的模擬面試系統(tǒng)的AI面試官與聊天記錄分享功能的設計與實現。以下是文章的核心內容總結：

功能概述

用戶可以將自己創(chuàng)建或使用過的AI面試官及與AI的聊天記錄，通過文章的形式分享給其他用戶。
其他用戶可以查看分享的AI資源，并一鍵將其添加到自己的賬戶下使用。
分享的內容以“快照”形式存在，即分享出去的是一個獨立副本，原作者后續(xù)的修改不影響已分享的內容，反之亦然。

數據結構設計

新增ShareReference表：存儲文章與分享的AI資源（面試官/聊天記錄快照）之間的關聯關系。
擴展ArticleDTO：增加用于承載分享內容的列表，分別用于存儲聊天記錄快照和面試官快照。

核心流程設計

用戶選擇要分享的AI面試官或聊天記錄。
系統(tǒng)對每個被選中的資源執(zhí)行深度拷貝操作，生成獨立副本（快照），并與特定的系統(tǒng)用戶關聯。
創(chuàng)建新的ShareReference記錄，關聯文章ID、快照類型和快照ID。
如果是更新文章，會先刪除舊的ShareReference記錄及舊快照數據，再創(chuàng)建新的快照和關聯。

通過文章ID查詢ShareReference表，獲取關聯的分享項。
根據type和對應的chatId或interviewerId，獲取快照的詳細信息。
在前端以卡片樣式展示分享的AI資源，提供預覽信息和“添加到我的”按鈕。

前端將快照ID和類型傳遞給后端API。
后端調用相應的deepCopy服務，將快照內容復制到當前登錄用戶的賬戶下。
用戶獲得一個屬于自己的、全新的副本，可自由修改，不影響原始快照。

深度拷貝機制

為目標用戶在Milvus中創(chuàng)建新的Collection。
遍歷源知識庫中的文件，重新解析文件內容，分割成文本塊，生成向量。
將新的KnowledgeRecord批量插入到新的Collection中。

• 更新MongoDB中的MilvusDatabase和MilvusFile元數據。

調用milvusService.deepCopy復制知識庫，獲取新的知識庫ID。
創(chuàng)建新的Interviewer對象，設置新知識庫ID和其他屬性。
保存新的Interviewer對象。

調用interviewerService.deepCopy復制關聯的面試官，獲取新的面試官ID。
創(chuàng)建新的ChatRecords對象，關聯新的面試官ID和目標用戶ID。
保存新的ChatRecords以獲得其ID。
遍歷源聊天記錄的所有Branch，調用branchDeepCopy復制每個分支及其消息。
處理children（子分支ID列表）的映射，確保它們指向新復制的子分支ID。