Agent Knowledge

Agent Interview

AI Agent 岗位模拟面试系统 —— 基于 Claude Code Skill + MCP Server + RAG 知识库，为求职者提供沉浸式的 AI Agent 技术面试模拟与评估。

功能

• 简历解析：读取候选人简历（PDF/MD/TXT），分析技术背景和目标岗位
• 多轮面试：覆盖 LLM、Agent、RAG、记忆系统、多智能体、RLHF、VLM、工程实践等方向
• 自适应难度：根据候选人回答质量动态调整问题深度
• RAG 知识库：基于 hello-agents（16章系统教程）、Agent-Learning-Hub（学习路线图 + 90+ 外部资源）构建
• 评估报告：生成包含知识评分、学习方向、改进建议和简历修改建议的完整报告

架构

┌─────────────────────────────────────────────┐
│  Claude Code                                │
│                                             │
│  /interview [resume_path]                   │
│       ↓                                     │
│  ┌─────────────────────────────────────┐    │
│  │  agent-interview Skill              │    │
│  │  面试流程编排 + 评估 + 报告生成      │    │
│  └──────────────┬──────────────────────┘    │
│                 │ MCP tool calls             │
│  ┌──────────────▼──────────────────────┐    │
│  │  interview-rag MCP Server           │    │
│  │                                     │    │
│  │  search_knowledge    语义检索知识库   │    │
│  │  get_interview_questions 获取面试题  │    │
│  │  get_learning_path   生成学习路径    │    │
│  │                                     │    │
│  │  FAISS + bge-base-zh-v1.5           │    │
│  └─────────────────────────────────────┘    │
└─────────────────────────────────────────────┘

快速开始

1. 安装依赖

pip install -r interview_rag_server/requirements.txt

需要的核心依赖：

• fastmcp >= 2.0.0
• faiss-cpu >= 1.7.4
• sentence-transformers >= 2.2.0

2. 构建知识库索引

首次使用需要从源项目构建向量索引：

# 克隆知识源项目（构建完成后可删除）
git clone https://github.com/datawhalechina/hello-agents.git
git clone https://github.com/datawhalechina/Agent-Learning-Hub.git

# 抓取 Agent-Learning-Hub 中引用的外部资源（官方文档、论文、开源项目 README）
python -m interview_rag_server.knowledge_base.fetch_web_sources

# 构建 FAISS 索引
python -m interview_rag_server.knowledge_base.build_index

构建完成后会在 interview_rag_server/data/ 下生成：

• faiss_index.bin — 向量索引（1086 vectors, 768-dim）
• metadata.json — 文本块元数据

源项目目录在索引构建完成后可以安全删除。

3. 配置 Claude Code

确保 .claude/settings.json 中已配置 MCP Server：

{
  "mcpServers": {
    "interview-rag": {
      "command": "python",
      "args": ["-m", "interview_rag_server.server"],
      "cwd": "/path/to/agent_study",
      "env": {
        "EMBEDDING_MODEL": "BAAI/bge-base-zh-v1.5",
        "HF_HUB_OFFLINE": "1"
      }
    }
  }
}

4. 开始面试

在 Claude Code 中使用 /interview 技能：

/interview path/to/resume.pdf

面试流程

1. 简历分析 — 解析候选人背景，确定面试重点
2. 热身问题 — 1 轮宽泛问题，评估基线水平
3. 知识面试 — 3-5 轮，覆盖 Agent 技术全栈
4. 项目深挖 — 1-2 轮，针对简历中的项目追问
5. 评估报告 — 生成结构化评估，含学习路径和简历建议

知识覆盖

主题	来源
LLM 基础	hello-agents Ch.3, Extra01
Agent 架构	hello-agents Ch.1/4/6/7, Agent-Learning-Hub Stage 0-1, Anthropic/OpenAI 官方指南
RAG 技术	hello-agents Ch.8, Agent-Learning-Hub Stage 2, GPT Researcher/RAGFlow 等项目
记忆系统	hello-agents Ch.8, Agent-Learning-Hub Stage 2, mem0/Letta 等项目
多智能体	hello-agents Ch.15, Agent-Learning-Hub Stage 4, A2A/ACP 协议文档
RLHF/对齐	hello-agents Ch.11
VLM	hello-agents Extra01, Agent-Learning-Hub Stage 6
评估方法	hello-agents Ch.12, Agent-Learning-Hub Stage 7, AgentBench/SWE-bench 论文
工程实践	hello-agents Ch.9/10, Agent-Learning-Hub Stage 3/5/8, Claude Code Docs, learn-claude-code
Agent Harness	Agent-Learning-Hub Stage 3, Dive into Claude Code 论文, AI Harness Engineering 论文
Skills/协议	Agent-Learning-Hub Stage 5, MCP/A2A/ACP 协议文档

MCP Server Tools

Tool	用途	参数
search_knowledge	语义检索知识库	query, topic?, top_k?
get_interview_questions	获取分级面试题	topic, difficulty?, count?
get_learning_path	生成学习路径	weak_topics

测试

pytest tests/ -v

项目结构

.
├── .claude/
│   ├── skills/agent-interview.md   # Claude Code 技能文件
│   └── settings.json               # MCP Server 配置
├── interview_rag_server/
│   ├── server.py                   # MCP Server 入口
│   ├── vector_store.py             # FAISS 向量存储
│   ├── question_bank.py            # 面试题库
│   ├── learning_path.py            # 学习路径生成
│   ├── knowledge_base/
│   │   ├── build_index.py          # 索引构建脚本
│   │   ├── chunker.py              # 文本分块
│   │   └── embedder.py             # Embedding 封装
│   └── data/
│       ├── questions.json          # 面试题库数据
│       ├── learning_paths.json     # 学习路径数据
│       ├── topic_file_mapping.json # 主题-文件映射
│       ├── topic_index.json        # 主题-向量映射
│       ├── faiss_index.bin         # FAISS 索引（gitignored）
│       └── metadata.json           # 块元数据（gitignored）
├── tests/                          # 单元测试
└── docs/                           # 设计文档和实施计划

技术选型

• Embedding: BAAI/bge-base-zh-v1.5 — 中文语义表示 SOTA，开源本地运行
• 向量存储: FAISS (CPU) — 零基础设施，单文件持久化，<100K 向量高效
• MCP 框架: FastMCP — 官方 Python MCP SDK
• 分块策略: 512 token / 64 overlap，保留 markdown 标题上下文
• 知识源: hello-agents 本地教程 + Agent-Learning-Hub 外部资源（自动抓取 90+ 链接）

License

MIT