interview-simulator

面试模拟器

用于进行逼真模拟面试练习的平台架构与辅导系统。这项技能有两个用途：（1）指导候选人如何安排有效的练习场次；（2）规定构建自动化面试模拟平台所需的全栈架构，涵盖语音 AI、协作白板、视线追踪监考和移动端伴侣应用。

其他 7 项面试技能定义了练习什么。这项技能定义了如何练习——通过逼真的条件、自适应难度和可衡量的进步。

---

适用场景

适用于：

• 设计或构建模拟面试平台
• 配置包含语音、白板和监考功能的逼真练习场次
• 实现自动针对薄弱环节的自适应难度
• 构建评分与复盘系统，跟踪跨场次的进步
• 设置概念复习和故事演练的间隔重复
• 建立每日／每周练习方案
• 分析并优化练习基础设施的成本

不适用于：

• 单独练习某一种特定轮次类型（请使用对应轮次的技能）
• 制定备考时间线或学习计划（请使用 interview-loop-strategist）
• 简历或职业叙事相关工作（请使用 cv-creator 或 career-biographer）
• 薪资谈判或 Offer 评估
• 会议演讲准备（评估标准不同）

---

系统架构

graph TB
    subgraph Client["Client Layer"]
        MOBILE["Mobile App<br/>React Native + Expo<br/>Flash cards, voice drills,<br/>progress dashboard"]
        DESKTOP["Desktop Web<br/>Next.js<br/>Full sessions, whiteboard,<br/>proctoring"]
    end

    subgraph Engines["Engine Layer"]
        VOICE["Voice Engine<br/>Hume AI EVI<br/>Emotion-sensitive<br/>interviewer voice"]
        BOARD["Whiteboard Engine<br/>tldraw + Claude Vision<br/>Diagram evaluation<br/>and scoring"]
        PROCTOR["Proctor Engine<br/>MediaPipe Face Mesh<br/>Gaze tracking,<br/>attention monitoring"]
    end

    subgraph Orchestrator["Session Orchestrator — Node.js"]
        ROUND["Round Selector<br/>Weakness-weighted<br/>random selection"]
        ADAPT["Adaptive Difficulty<br/>Performance-based<br/>question scaling"]
        DEBRIEF["Debrief Generator<br/>Transcript + emotion +<br/>proctor + whiteboard<br/>scored rubric"]
        SM2["SM-2 Scheduler<br/>Spaced repetition<br/>for concepts and stories"]
    end

    subgraph Data["Data Layer — Supabase"]
        SESSIONS[("sessions<br/>recordings, transcripts")]
        SCORES[("scores<br/>per-dimension breakdowns")]
        STORIES[("story_bank<br/>STAR-L entries")]
        CARDS[("flash_cards<br/>SM-2 intervals")]
    end

    MOBILE --> Orchestrator
    DESKTOP --> Orchestrator
    Orchestrator --> VOICE
    Orchestrator --> BOARD
    Orchestrator --> PROCTOR
    Orchestrator --> Data
    VOICE --> DEBRIEF
    BOARD --> DEBRIEF
    PROCTOR --> DEBRIEF

组件选择理由

flowchart TD
    V{Voice AI?}
    V -->|"Emotion detection needed"| HUME["Hume AI EVI<br/>Emotion callbacks,<br/>adaptive persona,<br/>WebSocket streaming"]
    V -->|"Voice only, no emotion"| ELEVEN["ElevenLabs<br/>Fallback: high-quality<br/>TTS, no affect reading"]
    V -->|"Cost-constrained"| OPENAI_RT["OpenAI Realtime API<br/>Cheaper per minute,<br/>no emotion detection"]

    W{Whiteboard?}
    W -->|"React ecosystem, extensible"| TLDRAW["tldraw<br/>MIT license, React native,<br/>rich API, snapshot export"]
    W -->|"Simpler, self-hosted"| EXCALI["Excalidraw<br/>Good but harder to<br/>integrate programmatic<br/>screenshot capture"]

    P{Proctoring?}
    P -->|"Privacy-first, free"| MEDIAPIPE["MediaPipe Face Mesh<br/>Browser-based, 468 landmarks,<br/>iris tracking, no cloud"]
    P -->|"Commercial accuracy"| COMMERCIAL["Commercial proctoring<br/>Expensive, privacy concerns,<br/>overkill for self-practice"]

    style HUME fill:#2d5016,stroke:#333,color:#fff
    style TLDRAW fill:#2d5016,stroke:#333,color:#fff
    style MEDIAPIPE fill:#2d5016,stroke:#333,color:#fff

**为何选择 Hume 而不是 OpenAI Realtime API：**Hume 的 EVI 提供情绪回调（紧张、自信、犹豫），可用于调整面试官的行为。OpenAI Realtime API 仅支持语音，没有情感检测功能。对于面试模拟而言，情绪感知是关键差异——真正的面试官会根据你的情绪状态进行调整。

**为何选择 tldraw 而不是 Excalidraw：**tldraw 是一个 React 组件，提供丰富的编程接口。你可以调用 editor.getSnapshot() 捕获画布状态、导出图像，并发送给 Claude Vision 进行评估。Excalidraw 的编程接口在交互方面较为有限。

**为何选择 MediaPipe 而不是商业监考工具：**这是个人练习，而不是考试监考。MediaPipe 完全在浏览器中运行（不使用云服务），可处理 468 个面部关键点（包括用于估算视线的虹膜位置），且无需付费。商业监考工具（ProctorU、ExamSoft）是为带有对抗性质的考试场景设计的，其隐私权衡对于个人练习毫无意义。

---

场次流程

sequenceDiagram
    participant U as User
    participant O as Orchestrator
    participant V as Voice Engine
    participant W as Whiteboard
    participant P as Proctor
    participant D as Debrief

    U->>O: Start session
    O->>O: Select round type<br/>(weakness-weighted)
    O->>U: Confirm: ML Design, Difficulty 3/5,<br/>Persona: Collaborative
    U->>O: Accept / override

    O->>V: Initialize interviewer persona
    O->>P: Activate gaze tracking
    alt Design or Coding Round
        O->>W: Open whiteboard
    end

    loop During Session (30-45 min)
        V->>U: Ask question / follow-up
        U->>V: Respond (voice)
        V->>O: Emotion data (confidence, hesitation)
        O->>V: Adjust difficulty / tone
        P->>O: Gaze flags (second monitor, notes)
        alt Design Round
            W-->>O: Periodic screenshot (every 30s active)
            O-->>W: Evaluate diagram (Claude Vision)
        end
    end

    U->>O: End session
    O->>D: Compile transcript + emotion<br/>timeline + proctor flags +<br/>whiteboard evaluations
    D->>U: Scored debrief with<br/>strengths, weaknesses,<br/>specific improvement actions
    O->>O: Update weakness tracker,<br/>adjust next session focus

场次配置选项

参数	选项	默认值
轮次类型	编码、ML 设计、行为面试、技术演讲、招聘经理面试、技术深挖	自动（按薄弱环节加权）
难度	1（热身）至 5（对抗性）	3
面试官角色	友好、中立、对抗性、苏格拉底式	中立
监考严格程度	关闭、训练（宽松）、模拟（严格）	训练
场次时长	15／30／45／60 分钟	45 分钟
白板	开／关	自动（设计轮次时开启）
录制	仅音频／音频 + 视频／关闭	仅音频

---

每日练习方案

早间移动端练习（10 分钟）

07:00  Open mobile app
07:00  3 flash cards — spaced repetition surfaces weakest concepts
       (ML concepts, system design patterns, Anthropic-specific topics)
07:05  1 behavioral story rehearsal — voice, 3 minutes max
       App plays the prompt, you respond aloud, app records duration
07:08  Quick self-check — rate confidence 1-5 on today's cards
07:10  Done — push notification schedules evening session

晚间桌面端练习（30-60 分钟，每周 3-4 次）

19:00  Open desktop app, orchestrator selects round type
19:02  Configure: confirm round, set proctor to Training mode
19:05  Session begins — voice AI drives conversation
       Whiteboard opens for design rounds
       Proctor tracks gaze, flags second monitor use
19:35  Session ends (30 min) or 19:50 (45 min)
19:35  Debrief displays: scored rubric, emotion timeline,
       proctor flags, whiteboard evaluation (if applicable)
19:45  Review debrief — spend 1/3 of practice time here
19:55  Update story bank with any new insights
20:00  Done — weakness tracker updated automatically

周末完整面试循环模拟（2 小时，每周 1 次）

10:00  Full loop: 2-3 back-to-back rounds (different types)
       5-minute breaks between rounds (no phone, no notes)
       Proctor set to Simulation (strict) mode
11:30  Energy management practice — track cognitive fatigue
11:45  Cross-round story coherence review
       Did you tell the same project consistently across rounds?
12:00  Comprehensive weekly debrief — pattern analysis across sessions

---

评分与进度跟踪

单次训练评分维度

维度	权重	衡量来源
技术准确性	25%	Debrief AI 对转录文本的评估
沟通清晰度	20%	情绪数据（犹豫率、填充词）
时间管理	15%	各环节用时与目标时长的对比
结构化思维	15%	白板评估（设计轮次）或口头表达结构
压力下的沉着表现	10%	情绪时间线稳定性、失误后的恢复能力
问题应对	10%	追问深度（价值观行为题的 1–6 级）
监考规范遵守情况	5%	标记次数（视线偏移、查看笔记）

进度可视化

在仪表板上追踪以下指标：

• 综合评分：每次训练的评分（0–100）及趋势线
• 维度雷达图：显示优势和不足
• 连续训练追踪器：连续至少进行一次练习活动的天数
• 弱项热力图：显示哪些轮次类型和维度表现较弱
• 故事准备度仪表：素材库中每个故事的准备程度（已准备的追问层级数）
• 间隔重复覆盖率：达到“成熟”间隔的闪卡占比

---

设置指南

前置条件

组件	所需内容	获取方式
Hume AI API 密钥	用于语音和情绪的 EVI 访问权限	https://hume.ai — 申请开发者访问权限
Anthropic API 密钥	用于复盘和白板评估的 Claude	https://console.anthropic.com
Supabase 项目	数据库 + 身份验证 + 存储	https://supabase.com — 初期可使用免费套餐
Node.js 20+	训练协调器运行时	https://nodejs.org
React Native + Expo	移动端配套应用	npx create-expo-app

首次运行体验

# 1. Clone the simulator repo
git clone <your-simulator-repo>
cd interview-simulator

# 2. Install dependencies
npm install

# 3. Configure environment
cp .env.example .env.local
# Edit .env.local with your API keys:
#   HUME_API_KEY=...
#   HUME_SECRET_KEY=...
#   ANTHROPIC_API_KEY=...
#   NEXT_PUBLIC_SUPABASE_URL=...
#   SUPABASE_SERVICE_KEY=...

# 4. Initialize database
npx supabase db push

# 5. Run first calibration session
npm run dev
# Navigate to localhost:3000/calibrate
# 10-minute session to establish baseline scores

校准训练

首次训练是一次校准轮次：时长 10 分钟，包含所有轮次类型的混合问题，不进行监考，采用友好的角色设定。此环节会为各个维度建立基线评分，以便自适应难度有一个起点。若未进行校准，系统会将所有维度的难度默认设为 3。

---

成本分析

组件	每月用量	单位成本	每月总计
Hume AI EVI	20 次晚间训练 x 35 分钟 + 30 次晨间练习 x 3 分钟	~$0.07/分钟	$60-80
Claude（复盘）	20 次训练 x 1 次复盘	~$0.15/次复盘	$3
Claude Vision（白板）	10 次设计训练 x 5 次评估	~$0.03/次评估	$1.50
Supabase	免费套餐（< 500MB，< 50K 次身份验证）	$0 免费 / $25 专业版	$0-25
MediaPipe	所有训练，均在本地运行	$0	$0
ElevenLabs（移动端备用方案）	30 次晨间语音练习 x 3 分钟	~$0.05/分钟	$4.50
总计			$70-115/月

成本优化策略

1. 训练时长上限：在配置的时长到达时强制停止，避免语音成本失控
2. 白板评估批处理：绘图期间每 30 秒评估一次，讨论期间每 2 分钟评估一次（而非持续评估）
3. 复盘缓存：如果问题类型相同且转录文本相似，则复用评分标准结构，仅替换具体细节
4. 移动端语音：晨间练习无需情绪检测时，使用更便宜的 ElevenLabs
5. Supabase 免费套餐：足以满足单用户练习需求；仅在多用户使用或录音存储量较大时升级

---

反模式

不使用监考练习

新手：练习时在第二台显示器上打开笔记，浏览器标签页里显示着答案，手里拿着手机随时查找信息。在外部资源掩盖知识盲区的练习中建立虚假的自信。真正面试时失去这些辅助，表现会下降 30-40%。

专家：从第一次练习开始就启用监考，即使是在 Training（宽松）模式下。把每次练习都当作对真实条件的近似模拟。清理桌面，关闭无关标签页，将手机屏幕朝下放好。周末进行循环模拟时使用严格的 Simulation 模式。明白被监考带来的不适本身就是训练。

检测方法：所有练习的会话历史中都没有监考标记（干净得不合常理），或者监考始终设为“Off”。将自我报告的信心与实际复盘评分进行比较——差距较大说明练习条件过于宽松。

在舒适区内循环练习

新手：反复手动选择相同的轮次类型——总是行为面试（因为故事打磨得很完善）、总是编码（因为感觉很有成效），或者总是自己已经擅长的轮次。因为白板评估很严苛而回避设计轮次，因为深入追问令人不适而回避价值观轮次。

专家：让编排器根据弱项分析选择轮次。相信 SM-2 算法会以最佳间隔呈现那些令人不适的话题。手动选择时，会刻意挑选得分最低的轮次类型。在进度仪表板中跟踪各轮次类型的分布；如果任何一种类型占会话总数的比例超过 40%，就重新平衡。

检测方法：会话历史显示 >50% 的练习属于同一种轮次类型。弱项热力图中存在持续未改善的冷区。闪卡复习跳过了整个类别。

忽视反馈

新手：连续进行练习，却不查看复盘。把模拟面试当作需要完成的练习次数，而不是学习机会。会话次数很多，但评分停滞不前。复盘标签页的阅读率 <50%。从复盘中得出的改进措施从未尝试过。

专家：将总练习时间的三分之一用于复盘。每次练习后，完整阅读评分量表，标出一项具体的改进措施，并在下一次练习中加以实践。每周查看模式分析，找出跨会话的趋势。每次复盘后都更新“经验总结”文档。

检测方法：复盘阅读率低于 50%（通过页面停留时间跟踪）。连续 3+ 次练习的复盘都指出相同的弱项，却没有改善。没有记录任何改进措施。

---

与各轮次专属技能的集成

模拟器不包含轮次类型相关内容。它会委派给 7 个专门技能，由它们提供问题、评分量表和评估标准。

轮次类型	内容技能	模拟器获取的内容
编码	senior-coding-interview	问题原型、追问阶梯、高级能力信号检查清单
ML 系统设计	ml-system-design-interview	7 阶段框架、典型问题、白板策略
行为面试 / 价值观	values-behavioral-interview	追问阶梯深度、STAR-L 格式、负面表述模式
技术演讲	tech-presentation-interview	叙事弧线、深度校准、问答压力测试问题
招聘经理面试	hiring-manager-deep-dive	影响范围评估、领导力信号评分量表
Anthropic 技术深度面试	anthropic-technical-deep-dive	主题领域、观点评估标准、安全深度
全流程面试	interview-loop-strategist	轮次排序、精力管理、故事连贯性矩阵

---

参考文件

文件	查阅时机
references/voice-engine-setup.md	集成 Hume AI EVI、配置面试官角色、情绪自适应逻辑、设置 WebSocket 连接、配置 ElevenLabs 备用方案
references/whiteboard-engine-setup.md	设置 tldraw 以评估图表、编写 Claude Vision 评分提示词、制定定期截图策略、了解每次评估的成本
references/proctor-engine-setup.md	设置 MediaPipe Face Mesh、计算注视向量、设置可疑行为阈值、配置隐私选项、将标记集成到复盘中
references/mobile-app-architecture.md	了解 React Native + Expo 技术栈、SM-2 间隔重复实现、推送通知、离线模式、数据同步策略
references/session-orchestration.md	了解轮次选择算法、自适应难度、表现跟踪架构、SM-2 详情、复盘生成提示词、弱点检测