AI Skill Hub 强烈推荐:AI 面试助手 是一款优质的MCP工具。AI 综合评分 8.0 分,在同类工具中表现稳健。如果你正在寻找可靠的MCP工具解决方案,这是一个值得深入了解的选择。
AI 面试助手 是一款遵循 MCP(Model Context Protocol)标准协议的 AI 工具扩展。通过 MCP 协议,它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务,实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用,都可以通过自然语言在 AI 对话中直接触发,极大提升生产效率。
AI 面试助手 是一款遵循 MCP(Model Context Protocol)标准协议的 AI 工具扩展。通过 MCP 协议,它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务,实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用,都可以通过自然语言在 AI 对话中直接触发,极大提升生产效率。
# 方式一:通过 Claude Code CLI 一键安装
claude skill install https://github.com/BMN-zyb/AI_InterviewerAgent
# 方式二:手动配置 claude_desktop_config.json
{
"mcpServers": {
"ai-----": {
"command": "npx",
"args": ["-y", "ai_intervieweragent"]
}
}
}
# 配置文件位置
# macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
# Windows: %APPDATA%/Claude/claude_desktop_config.json
# 安装后在 Claude 对话中直接使用 # 示例: 用户: 请帮我用 AI 面试助手 执行以下任务... Claude: [自动调用 AI 面试助手 MCP 工具处理请求] # 查看可用工具列表 # 在 Claude 中输入:"列出所有可用的 MCP 工具"
// claude_desktop_config.json 配置示例
{
"mcpServers": {
"ai_____": {
"command": "npx",
"args": ["-y", "ai_intervieweragent"],
"env": {
// "API_KEY": "your-api-key-here"
}
}
}
}
// 保存后重启 Claude Desktop 生效
InterviewAgent 是一个完整工程级的 AI Agent 应用,集成了当前 AI 工程领域最主流的技术范式:
---
| 依赖 | 版本要求 | 用途 | 验证命令 |
|---|---|---|---|
| Python | 3.10+(推荐 3.11/3.12) | 运行环境 | python --version |
| MySQL | 8.0+ | 用户画像、面试记录、长期记忆 | mysql --version |
| Redis | 6.0+ | 短期记忆(会话上下文) | redis-cli ping |
| Weaviate | 最新版 | 向量数据库,RAG 向量索引 | curl http://localhost:8080/v1/.well-known/ready |
| DashScope API Key | — | 通义千问 LLM + Embedding | — |
| GitHub Token | 可选 | MCP GitHub 工具 | — |
| FFmpeg | 可选 | 音视频格式转换(STT/TTS) | ffmpeg -version |
<details> <summary>📦 Python 3.11</summary>
```bash
python -m venv venv
source venv/bin/activate # Windows: venv\Scripts\activate
pip install -r requirements.txt
```bash
wget https://github.com/weaviate/weaviate/releases/latest/download/weaviate-linux-amd64 tar -xvf weaviate-linux-amd64 ./weaviate --host 0.0.0.0 --port 8080 --scheme http
sudo systemctl start mysql
sudo systemctl start redis
./weaviate --host 0.0.0.0 --port 8080 --scheme http ```
CLI 模式(适合快速体验)
python -m cli.main interview --jd "岗位职责:
1、基于大模型技术 (如Qwen、DeepSeek、GPT、Kimi等),主导Agent、 RAG (RetrievalAugmented Generation) 及知识库系统的架构设计与开发,构建包含Planning、Memory、Tool Use、Reflection等能力的Agent系统,推动Al产品在复杂业务场景中的高效落地
2、负责大模型Agent的全流程工作,包括但不限于数据处理、模型训练/微调(SFTLoRA等)、效果评估(oftine/online evaI)、优化和部署,形成数据闭环持续迭代能力
3、集成和部署A模型服务APl,设计高并发、低延迟的推理服务架构(如基于vLLM等推理引擎),确保系统的高性能、高可用性和可扩展性
4、持续关注LLM及Agent方向的最新进展(如Multi-Agent、Tool Calling、复杂工作流编排等),结合业务场景提出优化方案并推动落地" --resume ./resume.pdf --total 10
--
Web 模式(完整功能,含语音 + 摄像头)
```bash python cli/main.py serve --host 0.0.0.0 --port 8000
curl -X POST http://localhost:8000/api/interview/start \
-H "Content-Type: application/json" \
-d '{
"jd": "招聘 Python 后端工程师,5 年经验,熟悉 FastAPI/MySQL/Redis",
"resume": "...(简历文本)..."
}'
---
cp .env.example .env
vim .env
```env
cp .env.example .env
vim .env # 填入 DASHSCOPE_API_KEY、MYSQL_PASSWORD 等
启动 Web 模式后,访问 FastAPI 自动生成的 Swagger 文档:
http://<服务器IP>:8000/docs
| 方法 | 路径 | 说明 |
|---|---|---|
POST | /api/interview/start | 启动一场面试 |
POST | /api/interview/chat | 发送消息,获取面试官回复 |
GET | /api/interview/report/{session_id} | 获取面试评估报告 |
WS | /api/ws/chat | WebSocket 实时双向通信 |
通过 Model Context Protocol(MCP) 标准协议接入外部工具:
Agent ──► MCP Client ──► MCP Server(Stdio / SSE)
│
┌─────────┴─────────┐
│ │
GitHub 工具 Web 抓取工具
(分析开源项目) (获取技术文档)
掌握下一代 AI 工具集成标准,工具即插即用。
📄 核心文件:mcp/mcp_client.py
---
InterviewAgent 是一个面向工程实践的 AI Agent 应用,旨在模拟真实的面试场景。本项目集成了当前 AI 领域最前沿的技术范式,包括基于 LangGraph 编排的多 Agent DAG 协作系统、结合向量与 BM25 双路召回的 RAG 架构,以及具备长期记忆能力的 Agent 记忆系统。通过集成 MCP 协议与多模态交互能力(Web 界面、摄像头、STT/TTS),它不仅是一个聊天机器人,更是一个具备动态难度调节与��能扩展能力的完整工程化解决方案。
本项目具备八大核心技术亮点,能够提供极具沉浸感的面试体验。核心能力涵盖了基于状态机的动态难度调节、支持跨会话记忆的 Redis 与 MySQL 混合存储系统、以及可插拔的 Skill 技能模块。此外,系统通过 RAG 技术实现了精准的知识检索,并利用 MCP 协议实现了工具的标准化接入,配合完整的 Web 交互界面与语音交互功能,为开发者展示了下一代 AI Agent 的工程实现标准。
在开始部署前,请确保您的开发环境已安装以下依赖:Python 版本需为 3.10 及以上(推荐使用 3.11 或 3.12);数据库方面需要 MySQL 8.0+ 用于存储用户画像与长期记忆,Redis 6.0+ 用于处理会话上下文等短期记忆;向量数据库需安装最新版的 Weaviate。请在安装前通过相关命令(如 `python --version` 或 `mysql --version`)验证环境是否符合要求。
本项目支持多种部署方式。推荐方式为通过 Python 虚拟环境进行源码安装:首先创建并激活 venv 环境,随后通过 `pip install -r requirements.txt` 安装依赖。对于向量数据库 Weaviate,您可以选择下载二进制文件在本地运行,或者直接使用 Weaviate Cloud 的��费套餐以简化环境配置。请根据您的硬件条件选择最适合的部署方案。
项目启动流程分为环境准备、数据库启动与应用运行三个阶段。首先,请确保 MySQL 服务已正常启动。接着,在项目根目录下通过 `cp .env.example .env` 复制配置文件,并根据实际情况编辑 `.env` 文件以填入必要的 API Key(如 DASHSCOPE_API_KEY)及数据库密码。最后,运行应用启动脚本,即可通过 Web 界面开启面试交互。
项目的核心配置通过根目录下的 `.env` 文件进行管理。开发者需要在此文件中配置各类敏感信息,包括大模型 API Key(如 DASHSCOPE_API_KEY)、MySQL 数据库连接凭据、Redis 配置以及其他系统参数。请务必在部署前完成配置检查,确保环境变量正确加载,以保证 Agent 记忆系统与外部工具调用的正常运作。
本项目提供了基于 FastAPI 构建的标准化 API 接口。启动 Web 模式后,您可以访问自动生成的 Swagger 文档(`http://<服务器IP>:8000/docs`)进行交互式测试。主要接口包括用于启动面试的 `/api/interview/start`、处理实时对话的 `/api/interview/chat` 以及获取面试评估报告的 `/api/interview/report/{session_id}`。此外,系统还支持 WebSocket (`/api/ws/chat`) 实现低延迟的双向实时通信。
本项目深度集成了 Model Context Protocol (MCP) 标准协议,实现了 Agent 与外部工具的高效协作。通过 MCP Client 架构,Agent 可以无缝接入 GitHub 工具(用于分析开源项目)或 Web 抓取工具(用于获取实时技术文档)。这种设计遵循了“工具即插即用”的理念,使得 Agent 能够通过标准化的 Stdio 或 SSE 协议扩展其能力边界,是构建复杂 AI 工��流的核心模块。
高质量的AI面试助手,自动化程度高
该工具未明确声明开源协议,商业使用前请联系原作者确认授权范围,避免侵权风险。
AI Skill Hub 为第三方内容聚合平台,本页面信息基于公开数据整理,不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后,再部署至生产环境,并做好必要的安全评估。
总体来看,AI 面试助手 是一款质量优秀的MCP工具,在同类工具中具备一定竞争力。AI Skill Hub 将持续追踪其更新动态,建议收藏备用,结合自身场景选择合适时机引入使用。
| 原始名称 | AI_InterviewerAgent |
| 原始描述 | 开源MCP工具:基于 LangChain/LangGraph + LlamaIndex 构建的工程级多 Agent 协作系统,支持上传简历与岗位 JD 后全自动完成面试准备、模。⭐17 · Python |
| Topics | AI面试自动化 |
| GitHub | https://github.com/BMN-zyb/AI_InterviewerAgent |
| 语言 | Python |
收录时间:2026-07-06 · 更新时间:2026-07-11 · License:未公布 · AI Skill Hub 不对第三方内容的准确性作法律背书。
选择 Agent 类型,复制安装指令后粘贴到对应客户端