一个 AI 面试教练平台，让 GitHub 项目自动变成面试素材
我做了一个 AI 面试教练平台，让 GitHub 项目自动变成面试素材
MemCoach— 一个面向技术求职者的 AI 面试训练平台，把简历面试、GitHub 项目分析和持久化画像记忆串成一个持续迭代的训练闭环。
前言：为什么做这个项目？
面试这件事，很多人有个共同痛点：刷了很多面经，但真正上场还是不会说。
面试不是默写八股文。面试官追问的不是"你知道什么"，而是"你为什么这样做"、“你遇到了什么问题”、“如果重新来你会怎么选”。这些能力，光靠背题是练不出来的。
所以我想做一个工具——不是一个刷题网站，而是一个AI 面试教练：它能读你的简历、分析你的 GitHub 项目、记住你的薄弱点，然后像一个真实的面试官一样和你对话、追问、评分。
这就是MemCoach。
MemCoach 是什么？
MemCoach 是一个 AI 驱动的面试训练平台，核心思路是“训练闭环”：
- 上传简历→ AI 模拟真实面试官，围绕你的经历进行多轮对话
- 连接 GitHub→ 自动分析你的开源项目，生成针对性的面试问题
- 画像记忆→ 每次训练后自动记录
你的薄弱点、掌握度和表达习惯，越练越了解你
这三个模块不是独立的，而是互相联动的：项目分析的问题可以一键导入训练，训练的结果回流到画像系统，画像系统指导下一轮出题。
三大核心功能
1. GitHub 项目分析 — 让你的代码替你说话
很多人面试时不知道怎么介绍自己的项目。MemCoach 的项目分析功能可以解决这个问题：
- 一键连接 GitHub：通过 OAuth 安全授权，选择你的公开仓库
- 智能源码解析：自动过滤关键文件，分析项目结构和技术栈
- 生成面试问题：围绕模块边界、设计决策、故障排查、技术选型、重构方向生成 5 道核心问题
- 源码证据驱动：每道问题都关联到原始代码片段，不是泛泛而谈
分析完成后，生成的问题可以一键转为专项训练，直接进入 AI 对话练习。
2. AI 面试 Agent — 真实面试模拟
这是 MemCoach 的核心模块。它不是一个简单的"一问一答"聊天机器人，而是一个基于 LangGraph 状态机的面试 Agent：
五阶段递进式面试流程：
| 阶段 | 内容 | 说明 |
|---|---|---|
| 开场问候 | AI 自我介绍，营造面试氛围 | 过渡自然，不是冷冰冰的机器 |
| 自我介绍 | 请候选人做自我介绍 | 评估表达的条理性和重点 |
| 技术问题 | 围绕简历和知识库出题 | 根据回答质量动态调整难度 |
| 项目深挖 | 深入追问项目经历 | 源码级别的追问，不是表面问答 |
| 反问环节 | 候选人向面试官提问 | 评估技术视野和好奇心 |
自适应追问策略：答得好就快速推进，答得差就深入追问——和真实面试官的行为一致。
四维评分体系：训练结束后从技术深度、项目表达、沟通能力、问题解决四个维度给出评分。
3. 画像记忆系统 — 越练越懂你
这是 MemCoach 和普通面试工具最大的区别。大部分工具每次训练都是"从零开始"，而 MemCoach 会记住你：
- 自动提取薄弱点：每次训练后，AI 自动分析你的回答，识别知识盲区
- 掌握度追踪：每个知识点有 0-100 的掌握度评分，实时更新
- 向量语义去重：使用 bge-m3 嵌入模型做语义相似度计算，避免重复记录
- 跨会话持续演进：今天练的、昨天学的，下次登录时还在
自适应学习引擎：科学的复习节奏
除了三大核心模块，MemCoach 还内置了一套自适应学习引擎：
三层上下文融合出题
出题不是随机的，而是基于三层上下文的融合：
- Layer 1 — 会话上下文：知识库检索 + FAQ 匹配 + 历史去重，保证当前训练不重复
- Layer 2 — 领域画像：根据该领域的掌握度和历史薄弱点，优先出你不会的题
- Layer 3 — 全局画像：跨领域的特征分析，比如你的沟通风格、思维模式
SM-2 间隔重复算法
MemCoach 引入了经典的SM-2 间隔重复算法（和 Anki 一样的原理）：
- 答对 → 复习间隔拉长（1天 → 3天 → 7天 → 14天…）
- 答错 → 间隔重置为 1 天
- 到期的薄弱点优先出题
这意味着：你不会的题目会反复出现，你已经掌握的题目会逐渐淡出，用最少的训练时间覆盖最多的薄弱点。
更多实用功能
| 功能 | 说明 |
|---|---|
| 录音复盘 | 上传面试录音或粘贴文字，AI 自动转写并逐条分析 |
| 知识库管理 | 按领域维护核心知识文档和高频题库，支持 Markdown |
| 多用户隔离 | JWT 认证 + 数据按用户完全隔离 |
| 会话恢复 | 训练中断后可以随时恢复，不丢失进度 |
技术架构
作为一个全栈 AI 项目，MemCoach 的技术栈涵盖了从前端到 LLM 调度的完整链路：
| 层级 | 技术选型 |
|---|---|
| 后端框架 | FastAPI + LangChain + LangGraph + LlamaIndex |
| 前端框架 | React 19 + React Router v7 + Vite + Tailwind CSS v4 |
| 数据库 | SQLite + aiosqlite（异步） |
| 向量存储 | bge-m3 embeddings（1024 维） |
| 认证 | JWT + bcrypt |
| LLM | 任何 OpenAI 兼容接口（灵活切换） |
核心架构亮点：
- LangGraph 状态机驱动面试流程，支持多阶段、有状态的对话管理
- Mem0 风格的画像引擎，LLM 提取 + 智能决策的两阶段更新机制
- SM-2 间隔重复与三层上下文融合的自适应出题系统
- GitHub OAuth 安全连接，支持 JWT state token 防 CSRF
快速开始
Docker 一键部署（推荐）
gitclone https://github.com/iZiTTMarvin/MemCoach.gitcdMemCoachcp.env.example .env# 编辑 .env 填入你的 LLM API 配置dockercompose up--build访问http://localhost即可使用。
手动部署
# 后端pipinstall-rrequirements.txt uvicorn backend.main:app--reload--port8000# 前端cdfrontend&&npminstall&&npmrun dev只需要配置一个 OpenAI 兼容的 LLM API 即可运行，模型选择完全自由。
项目地址
- GitHub：https://github.com/iZiTTMarvin/MemCoach
- 开源协议：MIT
写在最后
MemCoach 的核心理念很简单：面试能力是练出来的，不是背出来的。
它不是一个"面经合集"，也不是一个"刷题平台"，而是一个能读懂你、记住你、陪你持续进步的 AI 教练。从简历到项目到知识点，形成一个完整的训练闭环。
项目目前还在持续迭代中，未来计划支持：
- 项目面试 Agent 模式：基于源码证据的多轮动态追问
- 私有仓库分析：在安全边界内分析用户的私有项目
如果你正在准备技术面试，或者对 AI Agent 的工程化落地感兴趣，欢迎 Star 和体验。也欢迎提 Issue 和 PR，一起把这个项目做得更好！！