Day07 Coze AI 面试助手项目作业

一、选择题

1. ASR 在录音分析模块中的主要作用是：
   A. 把文字转成声音
   B. 把声音转成文字
   C. 判断用户身份
   D. 生成面试题

2. TTS 主要解决的问题是：
   A. 把文字读成声音
   B. 把声音转成文字
   C. 对问题进行检索
   D. 对简历进行分块

3. 在面试录音分析中，ASR 完成后还需要角色划分，是因为：
   A. ASR 一定会输出错误文字
   B. ASR 通常只解决“说了什么”，不一定解决“谁说的”
   C. 角色划分可以替代语音识别
   D. 角色划分只用于生成图片

4. 问答对提取节点的主要目的是什么？
   A. 把整场面试拆成可逐题评估的数据
   B. 把录音转换为 MP3
   C. 删除所有回答
   D. 生成数据库表结构

5. 面试回答评估中使用循环结构，是因为：
   A. 每场面试的问题数量不固定
   B. 循环可以让 ASR 更准确
   C. 循环可以替代知识库
   D. 循环只用于播放音频

6. RAG 在面试回答评估中的作用是：
   A. 让模型有参考资料再判断回答质量
   B. 把文字转换为声音
   C. 自动压缩音频文件
   D. 删除数据库中的题目

7. 面试题入库的主要价值是：
   A. 让系统以后可以复用真实面试题
   B. 减少用户上传文件数量
   C. 让 ASR 不再需要插件
   D. 让 Agent 不需要提示词

8. 面试题生成模块中，为什么要拆细技能点？
   A. 为了让生成的问题更精准
   B. 为了减少简历内容
   C. 为了让文件更小
   D. 为了避免使用大模型

9. Agent 编排的核心作用是：
   A. 根据用户意图调用合适的工作流
   B. 替代所有数据库
   C. 让用户手动选择每个节点
   D. 只负责保存图片

10. 批处理模块最适合解决哪个问题？
    A. 手动处理大量简历或录音效率低
    B. 单个音频无法播放
    C. 图片不能显示
    D. 自我介绍内容太短

二、填空题

1. ASR 的中文含义是________，它的作用是把________转成________。

2. TTS 的作用是把________转成________。

3. 在录音分析模块中，ASR 之后需要通过大模型进行________，把对话整理成面试官和应试者两类发言。

4. 概要提取节点通常会输出两个重要结果：和。

5. 问答对提取节点要把整场面试拆成多个________，方便后面逐题评估。

6. 面试回答评估中使用循环，是因为每场面试中的________数量不固定。

7. RAG 的作用是先从知识库中________，再辅助大模型判断回答质量。

8. 面试题生成模块主要从简历中提取________和________两类信息。

9. Agent 编排需要写清楚用户在什么情况下调用________。

10. 批处理的基本思路是遍历文件夹、上传文件、调用智能体、接收结果并________。

三、简答题

1. 请说明 ASR 和 TTS 的区别。

2. 为什么录音分析模块不能只做“语音转文字”？

3. 为什么本项目中可以先使用语义分角色，而不是完整的声纹识别方案？

4. 问答对提取时，为什么要把“解码器呢”这类追问补全成完整问题？

5. 为什么面试回答评估要使用循环结构？

6. RAG 在判断面试回答质量时有什么价值？

7. 为什么要把录音中提取出来的真实面试题写入数据库？

8. 面试题生成模块中，技能题和项目题有什么区别？

9. Agent 编排和单独运行工作流相比，有什么优势？

10. 为什么批处理和 API 调用更接近真实工作？

四、实操题

1. 录音分析流程梳理

根据今天所学，把录音分析模块的流程补全为 6 个步骤，并说明每一步的输入和输出。

2. 角色划分提示词优化

设计一段角色划分提示词，要求满足：

1. 能区分面试官和应试者。
2. 能保留原始内容。
3. 如果不是面试录音，能停止分析。
4. 输出格式清晰。

3. 问答对提取规则设计

设计问答对提取节点的规则，要求：

1. 不提取自我介绍。
2. 每个问题和回答配对。
3. 保留回答中的卡顿或停顿。
4. 补全追问上下文。

4. 面试题生成流程设计

假设用户上传了一份简历，请设计面试题生成模块的流程，要求包含技能题、项目题和题目整合。

5. Agent 编排规则设计

为 AI 面试助手设计 4 条调用规则：

1. 上传简历并要求看简历。
2. 上传录音。
3. 上传简历并要求生成面试题。
4. 用户闲聊或问无关问题。

6. 批处理代码阅读与补全

下面是一段极简批处理思路代码，请阅读并补全注释中的关键逻辑。

"""
需求：
批量处理一个文件夹中的简历文件，并把每份简历交给 Coze 智能体分析。

步骤：
1. 遍历指定文件夹。
2. 找到符合格式要求的简历文件。
3. 上传文件到 Coze。
4. 调用智能体获取分析结果。
5. 把结果保存为 Markdown 文件。
"""

from pathlib import Path


def is_resume_file(file_path: Path) -> bool:
    """判断当前文件是否是需要处理的简历文件。"""
    # TODO：允许处理 pdf、doc、docx 三类文件
    pass


def save_result(result_dir: Path, file_path: Path, result_text: str) -> None:
    """把智能体返回的结果保存成 Markdown 文件。"""
    # TODO：根据原文件名生成 md 文件名，并写入分析结果
    pass

7. 综合案例：AI 面试训练闭环

请设计一个完整的 AI 面试训练闭环，要求包含：

1. 简历评估。
2. 面试题生成。
3. 模拟面试录音。
4. 录音分析。
5. 下一轮改进建议。

五、答案区

选择题答案

1. B
2. A
3. B
4. A
5. A
6. A
7. A
8. A
9. A
10. A

填空题答案

1. 自动语音识别；声音；文字
2. 文字；声音
3. 角色划分
4. 自我介绍原文；面试整体概要
5. 问答对
6. 问题
7. 检索参考资料或标准答案
8. 技能点；项目经历
9. 对应工作流
10. 保存到文件

简答题参考答案

1. ASR 是把声音转成文字，TTS 是把文字转成声音。录音分析主要使用 ASR，因为系统需要先把面试录音变成可处理的文本。

2. 只做语音转文字只能得到一段原文，不能知道谁在提问、谁在回答，也不能判断回答好不好。录音分析还需要角色划分、问答提取、逐题评估和报告生成。

3. 面试场景通常只有面试官和应试者两个角色，对话语义比较明显。使用大模型根据语义划分角色，成本更低，流程更简单，适合当前项目阶段。

4. 追问如果不补全上下文，后续检索和入库会失去语义。例如“解码器呢”单独看不清楚问题，补全成“Transformer 的解码器是什么”后才能准确检索和评估。

5. 每场面试的问题数量不固定，循环可以让系统对每一道题执行同样的处理流程：拆分问题和回答、检索知识库、入库、评估回答。

6. RAG 可以给大模型提供参考答案，减少模型凭空判断的风险。模型可以先参考题库或知识库，再判断用户回答是否准确、完整、有逻辑。

7. 真实面试题入库后可以被后续复用。题库积累越多，之后的面试题生成和回答评估越有依据，这体现了项目中的数据积累思路。

8. 技能题通常来自简历技能点，可以结合题库和知识库生成；项目题来自具体项目经历，更个性化，需要围绕项目背景、技术选型、职责、难点和指标追问。

9. Agent 编排让用户只面对一个统一入口，不需要知道背后有几个工作流。Agent 根据用户上传的文件和表达判断该调用简历评估、录音分析还是面试题生成。

10. 真实工作中常常要处理大量文件，不能靠人工一个个上传。API 和批处理可以自动遍历、上传、调用、保存结果，让 Coze 能力接入业务系统。

实操题参考答案

1. 录音分析流程梳理

2. 角色划分提示词参考

你是一个面试录音转写内容整理助手。
请根据输入的语音转文字内容，判断每句话更可能来自面试官还是应试者。

要求：
1. 按“面试官：内容”和“应试者：内容”的格式输出。
2. 尽量保留原始内容，不要随意省略。
3. 如果出现明显卡顿、停顿或异常表达，可以用【停顿】等方式标注。
4. 如果输入内容不是面试对话，请直接输出空字符串，不要强行分析。

输入内容：
{{input}}

3. 问答对提取规则参考

你是一个面试问答提取助手。
请从面试官和应试者的对话中提取问题和对应回答，并以字符串数组返回。

要求：
1. 不提取开场自我介绍。
2. 每个数组元素只包含一个问题和对应回答。
3. 回答中的【停顿】、【卡顿】等信息要保留。
4. 如果问题是追问，需要结合上文补全问题含义。
5. 输出格式为：
   问题：xxx
   回答：xxx

面试对话：
{{qa}}

4. 面试题生成流程参考

1. 用户上传简历。
2. 文件解析节点把简历转成文本。
3. 内容分块节点提取技能点数组和项目经历数组。
4. 数据库查询节点获取最近 100 道真实面试题。
5. 技能点循环：每个技能点检索题库并生成技术问题。
6. 项目经历循环：每个项目生成项目追问。
7. 面试题整合节点去重、筛选、书面化，并补充人事问题。
8. 结束节点输出最终面试题集合。

5. Agent 编排规则参考

1. 如果用户上传简历，并表达“帮我看看简历”“优化简历”等意图，调用简历评估工作流。
2. 如果用户上传音频文件，无论用户文字怎么描述，优先调用录音分析工作流。
3. 如果用户上传简历，并表达“生成面试题”“模拟面试题”等意图，调用面试题生成工作流。
4. 如果用户闲聊或提出无关请求，不调用工作流，提示当前只支持简历评估、录音分析和面试题生成。

6. 批处理代码参考答案

"""
需求：
批量处理一个文件夹中的简历文件，并把每份简历交给 Coze 智能体分析。

步骤：
1. 遍历指定文件夹。
2. 找到符合格式要求的简历文件。
3. 上传文件到 Coze。
4. 调用智能体获取分析结果。
5. 把结果保存为 Markdown 文件。

说明：
这段代码只保留“文件筛选”和“结果保存”两个基础动作。
真正上传 Coze、调用智能体的部分，后续可以再接入 SDK。
"""

from pathlib import Path


def is_resume_file(file_path: Path) -> bool:
    """判断当前文件是否是需要处理的简历文件。

    参数：
    file_path：当前遍历到的文件路径。

    返回：
    True：说明这个文件是简历文件，可以继续处理。
    False：说明这个文件不是目标格式，应该跳过。
    """
    # suffix 表示文件后缀名，例如：.pdf、.docx。
    # lower() 的作用是统一转成小写，避免 .PDF 和 .pdf 被当成不同格式。
    suffix = file_path.suffix.lower()

    # allowed_suffixes 保存允许处理的简历格式。
    # 这里先支持 pdf、doc、docx 三类常见简历文件。
    allowed_suffixes = {".pdf", ".doc", ".docx"}

    # 同时判断两件事：
    # 1. 当前路径必须是文件，不能是文件夹。
    # 2. 文件后缀必须在允许列表中。
    return file_path.is_file() and suffix in allowed_suffixes


def save_result(result_dir: Path, file_path: Path, result_text: str) -> None:
    """把智能体返回的结果保存成 Markdown 文件。

    参数：
    result_dir：保存结果的文件夹。
    file_path：原始简历文件路径。
    result_text：智能体返回的分析结果。

    效果：
    假设原文件是 zhangsan.pdf，
    最终会在 result_dir 中生成 zhangsan.md。
    """
    # mkdir 用来创建结果文件夹。
    # exist_ok=True 表示如果文件夹已经存在，也不会报错。
    result_dir.mkdir(parents=True, exist_ok=True)

    # stem 表示不带后缀的文件名。
    # 例如 zhangsan.pdf 的 stem 是 zhangsan。
    result_file_name = file_path.stem + ".md"

    # 拼接最终的结果文件路径。
    result_file = result_dir / result_file_name

    # 把分析结果写入 Markdown 文件。
    # encoding="utf-8" 可以避免中文乱码。
    result_file.write_text(result_text, encoding="utf-8")

7. 综合案例参考答案

一个完整的 AI 面试训练闭环可以这样设计：

1. 用户先上传简历，系统调用简历评估工作流，输出简历问题和修改建议。
2. 用户根据建议修改简历，再上传简历生成模拟面试题。
3. 用户根据生成的题目进行模拟面试，并录制音频。
4. 用户上传面试录音，系统调用录音分析工作流。
5. 系统分析自我介绍、每道题回答质量、表达问题和知识薄弱点。
6. 系统输出下一轮改进建议，例如需要复习 RAG、优化项目介绍、控制自我介绍时长。
7. 用户根据建议继续修改简历、练习题目、再次模拟面试。

这个闭环的价值是：简历、题目、录音、复盘互相连接，训练不再靠感觉，而是靠数据和反馈持续改进。