科研模擬面試(Research Mock Interview)Hermes Skill
1. 這是什麼
一個本地優先的科研場景模擬面試系統,以 Hermes Skill 型態交付。它讀取候選人的真實科研資料(履歷 / 專案 / 論文), 針對推甄、申請博士班、科研職缺求職、答辯、組會、海外 PhD 等場景,用可插拔的 LLM 後端扮演嚴謹考官,進行多輪對話式模擬面試, 並在候選人「講專案 / 程式碼」回答過淺時發起硬阻塞追問,結束後產出評分 + 短板庫 + 覆盤報告。
1.1 與架構方案的一致性(已鎖定決策)
- X1 目標使用者:全方向(推甄 / 申請博士 + 求職輕量版),本 v1 題庫涵蓋推甄 / 申請博士 / 求職 / 答辯 / 組會 / 海外 PhD 六類場景。
- X2 型態:本地 Hermes Skill + 公域內容引流;本倉庫即 Skill 本體。
- X3 語音:v1.1 已落地「可插拔語音雙工」——
mock離線零依賴跑通整條鏈路;真實 STT(vosk/whisper)+ 真實 TTS(pyttsx3/edge-tts)為可選後端,全部延遲載入,缺失依賴時執行時期明確報錯(不破壞核心零依賴)。 - X4 公眾號採集:已放棄,本 Skill 不採集任何外部內容來源。
- X5 Python 版本:目標 3.12,最低 3.11(詳見
requirements.txt與 §6)。 - 可插拔 LLM 後端:抽象介面 +
mock(離線零依賴)/ollama(本地預設)/cloud(BYOK,金鑰不落盤)。 - 冷啟動資料:範例去識別化資料先行(
data/sample_profile.json),預留真實資料匯入入口(cli run --profile)。 - 隱私鐵律:本地單租戶、可刪除、無遙測、不出域;
tenant_id=local;purge一鍵清除 owner 全部資料。
2. 何時觸發
- 使用者想練習 / 覆盤科研類面試(推甄、申請博士、科研職缺、答辯、組會、海外 PhD)。
- 使用者希望基於自己的專案經歷做「講清楚、講細節」的壓力測試。
- 使用者需要一份結構化覆盤報告與可沉澱的短板清單。
3. 工作流程(主理人 / 使用者執行順序)
第一步:環境準備(一次性)
cd research-mock-interview
python --version # 需 >=3.11,推薦 3.12
pip install -r requirements.txt # 可選:僅當你要用 config.yaml 時才需 PyYAML
第二步:跑通示範(無網也能跑)
python src/cli.py run --demo
--demo 使用內建範例資料 + mock 後端,自動跑完「提問→作答→硬阻塞追問→評分→覆盤報告」閉迴圈,
證明系統離線可執行、資料已落盤本地 SQLite。
第三步:接入真實資料
把你的真實履歷 / 專案整理成一個 JSON(參考 data/sample_profile.json 欄位),然後:
python src/cli.py run --profile /path/to/your_profile.json --scenario 推甄
進入互動模式,逐輪作答;輸入 /finish 結束並生成報告,/quit 中途退出(記錄仍保留)。
第四步:切換 LLM 後端(可選)
複製 config.example.yaml 為 config.yaml,把 llm.backend 改成:
mock:離線零依賴(預設,適合示範 / 無網)。ollama:本地預設生產後端,填base_url/model(如qwen2.5:7b)。cloud:雲端 API(BYOK),金鑰只來自環境變數(如RMI_LLM_API_KEY),絕不硬編碼 / 落盤。
第五步:查看沉澱與刪除權限
python src/cli.py list # 列出本 tenant 全部面試
python src/cli.py report --id <session_id前8位或完整> # 看覆盤報告
python src/cli.py weakness # 看短板庫
python src/cli.py purge --yes # owner 刪除權限:清除本 tenant 全部本地資料
第六步(v1.1 新增):語音雙工模式(可插拔)
# 離線自檢:mock 雙工,無需麥克風 / 網路,證明語音編排鏈路閉迴圈
python src/cli.py run --demo --voice
# 接入真實語音(需先 pip install 對應可選依賴,見 requirements.txt)
# 複製 config.example.yaml 為 config.yaml,設 voice.enabled=true 或執行時期加 --voice,
# 並把 voice.stt / tts 的 backend 改為 vosk / whisper / pyttsx3 / edge,填好模型路徑。
第七步(v1.1 新增):短板庫跨場次聚合分析
python src/cli.py analyze # 全部場景聚合
python src/cli.py analyze --scenario 推甄 # 只看某場景
python src/cli.py analyze --out report.md # 匯出 Markdown 報告
聚合維度:分類分佈、嚴重度分佈、跨場次趨勢(改善 / 惡化 / 持平)、反覆出現的短板(≥2 次)與行動建議。
4. 模組職責(src/)
llm_backend.py:LLMBackend抽象 +MockBackend/OllamaBackend/CloudBackend,from_config(cfg)工廠按配置切換。storage.py:Store封裝 SQLite 本地持久化,tenant 作用域隔離,purge_owner()實現刪除權限閉迴圈。interview_engine.py:InterviewSession驅動「匯入→提問→硬阻塞追問→評分→短板庫→覆盤報告」。voice_io.py(v1.1):STTProvider/TTSProvider/DuplexVoice可插拔語音;mock離線零依賴,真實後端延遲載入 + 缺失依賴守衛。analytics.py(v1.1):aggregate_weaknesses/render_aggregate_report短板跨場次聚合(純標準庫)。cli.py:argparse 入口(run/list/report/weakness/purge/analyze,run支援--voice)。
5. 設計紀律(不可違反)
- 不出域:任何資料只在本地 SQLite;cloud 後端只把面試文字發往使用者設定的 API,金鑰僅來自環境變數。
- 無遙測:不收集、不上報任何使用行為。
- 可刪除:
data_dir可整體刪除;purge提供程式化一鍵清除。 - 後端可插拔:業務程式碼只依賴
LLMBackend抽象,新增後端只需實作generate()。 - 冷啟動友善:範例資料保證開箱即跑;真實資料透過
--profile匯入,格式向後相容。
6. 執行環境
- 目標 Python 3.12;最低 3.11(見
requirements.txt註解)。 - 核心依賴僅標準庫;
PyYAML為可選(啟用config.yaml時才需要)。 - 語音為可選增強:核心仍零強制第三方依賴;真實 STT / TTS 依賴僅在啟用語音且選擇真實引擎時需要(見
requirements.txt註解)。