Agent Knowledge

エージェント面接

AI エージェント職の模擬面接システム —— Claude Code Skill + MCP Server + RAG ナレッジベースを基盤とし、求職者に臨場感のある AI エージェント技術面接の模擬と評価を提供します。

機能

• 履歴書の解析：候補者の履歴書（PDF/MD/TXT）を読み込み、技術的な経歴と目標とする職種を分析します
• 複数回の面接：LLM、エージェント、RAG、記憶システム、マルチエージェント、RLHF、VLM、エンジニアリングの実践など、幅広い分野を扱います
• 難易度の自動調整：候補者の回答の質に応じて、質問の深さを動的に調整します
• RAG ナレッジベース：hello-agents（16章の体系的なチュートリアル）と Agent-Learning-Hub（学習ロードマップ + 90以上の外部リソース）を基に構築しています
• 評価レポート：知識の評価、学習の方向性、改善案、履歴書の修正案を含む包括的なレポートを生成します

アーキテクチャ

┌─────────────────────────────────────────────┐
│  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           │    │
│  └─────────────────────────────────────┘    │
└─────────────────────────────────────────────┘

クイックスタート

1. 依存関係のインストール

pip install -r interview_rag_server/requirements.txt

必要な主な依存関係：

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

2. ナレッジベースのインデックスを構築

初回利用時には、ソースプロジェクトからベクトルインデックスを構築する必要があります：

# 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

構築が完了すると、interview_rag_server/data/ の下に次のファイルが生成されます：

• faiss_index.bin — ベクトルインデックス（1086 vectors, 768-dim）
• metadata.json — テキストチャンクのメタデータ

インデックスの構築後は、ソースプロジェクトのディレクトリを安全に削除できます。

3. Claude Code の設定

.claude/settings.json で MCP Server が設定されていることを確認してください：

{
  "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. 面接を開始

Claude Code で /interview スキルを使用します：

/interview path/to/resume.pdf

面接の流れ

1. 履歴書の分析 — 候補者の経歴を解析し、面接の重点を決定します
2. ウォームアップの質問 — 幅広い質問を1ラウンド行い、基礎レベルを評価します
3. 知識面接 — 3～5ラウンドで、エージェント技術の全領域を扱います
4. プロジェクトの掘り下げ — 1～2ラウンドで、履歴書に記載されたプロジェクトについて詳しく質問します
5. 評価レポート — 学習パスと履歴書への提案を含む、構造化された評価を生成します

知識の対象範囲

トピック	出典
LLM の基礎	hello-agents Ch.3, Extra01
エージェントのアーキテクチャ	hello-agents Ch.1/4/6/7, Agent-Learning-Hub Stage 0-1, Anthropic/OpenAI の公式ガイド
RAG 技術	hello-agents Ch.8, Agent-Learning-Hub Stage 2, GPT Researcher/RAGFlow などのプロジェクト
記憶システム	hello-agents Ch.8, Agent-Learning-Hub Stage 2, mem0/Letta などのプロジェクト
マルチエージェント	hello-agents Ch.15, Agent-Learning-Hub Stage 4, A2A/ACP プロトコルのドキュメント
RLHF/アラインメント	hello-agents Ch.11
VLM	hello-agents Extra01, Agent-Learning-Hub Stage 6
評価手法	hello-agents Ch.12, Agent-Learning-Hub Stage 7, AgentBench/SWE-bench の論文
エンジニアリングの実践	hello-agents Ch.9/10, Agent-Learning-Hub Stage 3/5/8, Claude Code Docs, learn-claude-code
エージェントハーネス	Agent-Learning-Hub Stage 3, Dive into Claude Code の論文, AI Harness Engineering の論文
Skills/プロトコル	Agent-Learning-Hub Stage 5, MCP/A2A/ACP プロトコルのドキュメント

MCP Server ツール

ツール	用途	パラメーター
search_knowledge	ナレッジベースのセマンティック検索	query, topic?, top_k?
get_interview_questions	難易度別の面接質問を取得	topic, difficulty?, count?
get_learning_path	学習パスを生成	weak_topics

テスト

pytest tests/ -v

プロジェクト構成

.
├── .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

技術選定

• Embedding：BAAI/bge-base-zh-v1.5 — 中国語のセマンティック表現で SOTA を実現し、オープンソースでローカル実行が可能
• ベクトルストレージ：FAISS (CPU) — インフラ不要、単一ファイルで永続化でき、100K 未満のベクトルを効率的に処理
• MCP フレームワーク：FastMCP — 公式 Python MCP SDK
• チャンク分割戦略：512 token / 64 overlap、Markdown の見出しのコンテキストを保持
• 知識ソース：hello-agents のローカルチュートリアル + Agent-Learning-Hub の外部リソース（90以上のリンクを自動取得）

ライセンス

MIT