OfferPilot：把AI Agent面试准备变成一次真实诊断

AI Agent 方向的面试，有一个很尴尬的问题：很多人学了一堆概念，真正开口讲项目、讲架构、讲 trade-off 时，还是会暴露出“不像做过”的感觉。

不是因为不会背 ReAct、RAG、Tool Calling，也不是因为不知道 LangChain / LangGraph，而是因为面试官真正想听的是：你能不能把一个 Agent 系统从模型调用、工具执行、上下文管理、状态维护、检索、权限、Web 交互一路讲成一个完整工程。

所以我做了一个小项目：OfferPilot。

它不是一个刷题网站，也不是一个普通 ChatBot，而是一个面向 AI Agent / LLM 工程面试的智能诊断 Agent。你输入面试题和回答，或者直接录音回答，它会从结构、技术深度、表达完整度、工程可信度几个角度给出诊断，并生成一份可复制、可保存的 Markdown 报告。

项目地址：

https://github.com/ranxi2001/OfferPilot

一句话介绍

OfferPilot 想解决的问题很简单：

把“我感觉自己会了”变成“我能被系统性诊断哪里没讲清楚”。

它适合三类人：

• 正在准备 AI Agent / LLM 应用开发岗位面试的人；
• 想把 Agent 工程知识从教程迁移到真实项目的人；
• 想练习“如何讲清楚自己做过一个 Agent 系统”的开发者。

我比较在意的一点是，OfferPilot 没有把自己包装成万能面试神器。它更像一个“冷静的陪练”：你讲完，它指出你哪里太空、哪里缺例子、哪里缺工程细节、哪里需要补充权衡。

为什么要做这个项目

现在 AI Agent 学习资料很多，但从学习到面试中间有一段断层。

你可能知道：

• Agent Loop 是 Thought / Action / Observation 的迭代；
• Tool Calling 可以让模型调用外部函数；
• RAG 可以让模型查知识库；
• 多 Agent 可以拆角色协作；
• 流式输出可以改善前端体验。

但面试时问题通常不是“请背一下 Agent Loop 定义”，而是：

• 你怎么控制工具调用预算？
• 工具执行失败以后怎么重试？
• 上下文太长时怎么压缩？
• 子 Agent 之间怎么并发、怎么汇总？
• 语音输入接入后，ASR、诊断、TTS 怎么串起来？
• 如何避免子 Agent 递归调用工具导致系统卡死？

这些问题只看教程不够，必须落到代码里。

OfferPilot 就是把这些工程问题揉成一个能跑的产品原型。

核心能力

目前 OfferPilot 已经完成了几个关键模块。

1. 面试诊断

你可以输入一个面试问题和自己的回答，系统会输出：

• 回答评分；
• 核心差距；
• 缺失的技术点；
• 可以补充的工程细节；
• 更像面试表达的改写建议。

这不是简单地“润色回答”。润色只能让句子更顺，诊断才会告诉你：这段回答到底为什么不够像一个做过项目的人。

2. 录音回答诊断

面试不是写作文，真正难的是开口。

OfferPilot 支持在前端直接录音，浏览器会把音频转成 WAV，后端调用 Mimo ASR 做转写，然后把转写文本送入诊断 Agent。

完整链路是：

flowchart TD
    A[录音或上传音频] --> B[浏览器转为 WAV]
    B --> C[上传到 /api/transcribe]
    C --> D[Mimo ASR 转写]
    D --> E[面试诊断 Agent]
    E --> F[Markdown 诊断报告]
    F --> G[复制或保存为 .md]

这一步很关键。因为很多回答写出来还行，但说出来会出现：逻辑跳跃、术语堆砌、缺少结论、重复绕圈。录音诊断能更接近真实面试状态。

3. 实时模拟面试

项目也支持实时模拟面试：AI 逐题提问，TTS 播报问题，用户用文字或录音回答，系统即时分析缺陷，最后生成总结报告。

这让 OfferPilot 不只是“单题诊断器”，而更接近一个完整的面试训练工作台。

4. 简历分析与 JD 匹配

除了回答诊断，OfferPilot 还做了两个很实用的模块：

• 简历分析：检查 STAR 结构、量化程度、技术决策、个人贡献；
• JD 匹配：分析关键词覆盖率、缺失能力、岗位职级和包装建议。

AI Agent 面试准备不应该只练题。简历、JD、项目表达和口头回答其实是一套系统，任何一个环节断掉，面试表现都会不稳定。

5. 能力雷达与学习路径

OfferPilot 会从多个维度给出能力评分，并生成学习路径建议。

这类功能的价值不在于分数本身，而在于帮助你定位：你现在是“概念不熟”，还是“项目讲不清”，还是“工程细节太虚”。

工程架构：不是套壳，而是手写 Agent Loop

OfferPilot 的一个设计取舍是：手写 Agent Loop，不依赖 LangChain / LangGraph。

这不是说框架不好。我的判断是，如果目标是学习和面试准备，手写一遍更能理解 Agent 系统里的真实边界：预算、状态、工具、上下文、失败恢复、权限控制、流式输出。

整体结构大致如下：

flowchart LR
    User[用户输入 / 录音] --> Web[Next.js Web UI]
    Web --> API[HTTP API Server + SSE]
    API --> Agent[Agent Loop]
    Agent --> QE[Query Engine]
    Agent --> Tools[工具注册表]
    Agent --> Sub[子 Agent 并发池]
    Agent --> Ctx[分层上下文]
    Agent --> Mem[会话记忆]
    Agent --> Perm[权限与审计]
    QE --> Models[Claude / OpenAI兼容 / DeepSeek / Mock]
    Agent --> KB[SQLite FTS5 + Embedding 知识库]
    API --> Audio[ASR / TTS]
    Agent --> Report[诊断报告]

从代码结构看，核心模块包括：

• agent/：Agent Loop，负责工具执行和预算控制；
• query-engine/：Provider 路由、流式输出、重试、结果收集；
• tools/：工具注册表和内置面试工具；
• sub-agent/：专家子 Agent 运行时和并发池；
• realtime/：ASR / TTS 集成与实时面试辅助；
• knowledge/：Markdown 知识解析、FTS 检索和 embedding；
• context/：分层上下文与压缩；
• memory/：会话级记忆；
• permission/：工具风险控制和审计；
• db/：SQLite 持久化；
• web/：Next.js 前端界面。

这套结构本身也可以作为一个 Agent 工程面试项目来讲：不是“我调了某个框架”，而是“我理解一个 Agent 产品需要哪些层”。

语音链路：让训练更接近真实面试

我个人觉得 OfferPilot 里最有意思的是语音诊断链路。

文本输入很容易给人一种错觉：你以为自己能讲清楚，其实只是能慢慢写清楚。面试现场是另一回事，尤其是 AI Agent 这种概念密度很高的方向，开口时经常会出现三类问题：

• 先讲技术名词，忘了先给结论；
• 讲了功能，没有讲为什么这样设计；
• 讲了架构，没有讲失败场景和权衡。

OfferPilot 接入了 Mimo ASR / TTS：

• ASR：mimo-v2.5-asr；
• TTS：mimo-v2.5-tts；
• Base URL：https://api.xiaomimimo.com/v1。

前端录音后会展示一个独立的“思维链 / 处理流程”卡片，包括转写状态、诊断状态、录音播放器、录音下载和转写文本。这样用户能看到整条链路发生了什么，而不是突然冒出一段诊断结果。

sequenceDiagram
    participant U as 用户
    participant W as Web UI
    participant S as API Server
    participant M as Mimo ASR
    participant A as Diagnostician Agent

    U->>W: 录音回答
    W->>W: 编码为 WAV
    W->>S: POST /api/transcribe
    S->>M: input_audio 转写
    M-->>S: 转写文本
    S-->>W: 返回 transcript
    W->>S: 请求诊断
    S->>A: 调用面试诊断 Agent
    A-->>W: 流式返回 Markdown 报告

这条链路也暴露了很多真实工程问题，比如音频格式适配、API 代理、状态展示、失败重试、用户体验反馈等。它们都比“调用一次大模型”更接近真实产品。

模型配置：兼容 OpenAI 风格接口

OfferPilot 支持 OpenAI 兼容模型配置，默认聊天模型是 gpt-5.5。

核心环境变量如下：

OPENAI_API_KEY=sk-...
OPENAI_BASE_URL=https://api.ai.tosky.top/v1
OPENAI_MODEL=gpt-5.5

MIMO_API_KEY=sk-...
MIMO_BASE_URL=https://api.xiaomimimo.com/v1
MIMO_ASR_MODEL=mimo-v2.5-asr
MIMO_TTS_MODEL=mimo-v2.5-tts

ANTHROPIC_API_KEY=sk-ant-...
DEEPSEEK_API_KEY=sk-...

这里的重点不是“只能用某个模型”，而是把 Provider 抽象出来。面试诊断这种场景，模型质量确实重要，但工程上更重要的是：你能不能稳定切换 Provider、处理失败、保持输出结构一致。

如何运行

项目使用 Node.js，建议 Node.js 20 或 22。

安装依赖：

npm install
cp .env.example .env

启动 API Server：

npm run serve

启动 Web UI：

cd web
npm install
npm run dev

打开页面：

http://localhost:3000

健康检查：

http://localhost:3001/health

也可以用 Docker Compose：

docker compose up -d

可以怎么用它准备面试

如果你只是把 OfferPilot 当成一个工具，可以这样用：

1. 先选一个 Agent / LLM 工程面试题；
2. 不看资料，直接录音回答一遍；
3. 看诊断报告里指出的缺口；
4. 补一版更完整的工程化回答；
5. 再录音复测，观察表达是否更稳定。

如果你把 OfferPilot 当成一个项目案例，可以重点研究这几块：

• Agent Loop 如何组织工具调用；
• Query Engine 如何管理模型 Provider；
• 子 Agent 并发如何避免递归卡死；
• 上下文压缩与会话记忆如何配合；
• ASR / TTS 如何接入 Web 产品；
• Markdown 报告如何兼顾可读性和可导出性。

这比单纯刷题更有效，因为它会逼你把概念讲成系统。

我对这个项目的定位

OfferPilot 不是终点，更像一个切口。

它一边是面试训练工具，另一边是 Agent 工程样板。对用户来说，它帮助你发现表达漏洞；对开发者来说，它展示了一个不靠大框架也能串起来的 Agent 产品原型。

我比较喜欢这种项目：足够具体，不是空泛概念；足够完整，不只是一个 demo；又足够小，可以让人读代码、改代码、理解每一层为什么存在。

未来可以继续往几个方向扩展：

• 更细的岗位画像和题库体系；
• 更稳定的长期训练记录；
• 更完整的 PDF 报告导出；
• 更强的项目经历包装与追问模拟；
• 更接近真实面试官风格的多轮压力面。

但当前版本已经能完成一件事：让 AI Agent 面试准备从“自我感觉良好”，变成“可诊断、可复盘、可迭代”。

结语

如果你正在准备 AI Agent / LLM 工程方向的面试，可以试试 OfferPilot。

项目地址：

https://github.com/ranxi2001/OfferPilot

如果你正在学习 Agent 工程，也可以把它当成一个参考项目：看它怎么处理模型调用、工具执行、上下文、状态、子 Agent、语音链路和 Web 交互。

真正有用的学习，不是多收藏一个教程，而是把知识压到一个能跑的系统里。OfferPilot 就是这个方向上的一次实践。