██╗███╗   ██╗████████╗███████╗██████╗ ██╗   ██╗██╗███████╗██╗    ██╗███████╗██████╗
 ██║████╗  ██║╚══██╔══╝██╔════╝██╔══██╗██║   ██║██║██╔════╝██║    ██║██╔════╝██╔══██╗
 ██║██╔██╗ ██║   ██║   █████╗  ██████╔╝██║   ██║██║█████╗  ██║ █╗ ██║█████╗  ██████╔╝
 ██║██║╚██╗██║   ██║   ██╔══╝  ██╔══██╗╚██╗ ██╔╝██║██╔══╝  ██║███╗██║██╔══╝  ██╔══██╗
 ██║██║ ╚████║   ██║   ███████╗██║  ██║ ╚████╔╝ ██║███████╗╚███╔███╔╝███████╗██║  ██║
 ╚═╝╚═╝  ╚═══╝   ╚═╝   ╚══════╝╚═╝  ╚═╝  ╚═══╝  ╚═╝╚══════╝ ╚══╝╚══╝ ╚══════╝╚═╝  ╚═╝

🥷 基于简历的 AI 模拟面试 Claude Code Skill

根据你的简历自动生成技术面试题，逐题问答、实时评估、按主题归档，支持多轮练习和薄弱知识点分析。

✨ 特性

• 简历驱动 — 读取你的简历，针对技术栈和项目经验出题
• 逐题模拟 — 一题一答，实时评估（✅ 正确 / ⚠️ 部分 / ❌ 未答出）
• 讲解模式 — 答错后可追问，不限轮次，确认理解后再进入下一题
• 动态权重 — 高权重题目出多了自动衰减，防止低权重题目被饿死
• 难度自适应 — 根据正确率动态调整：低于 30% 出基础题，30-70% 出原理题，高于 70% 出深度题
• 智能查重 — 基于 Jaccard + LCS 双重相似度检测，避免重复出题
• 按主题归档 — 题目自动分类到 topics/，精简格式存储
• Guide 渐进积累 — 薄弱 topic 先生成基础原理文档，讲解追问增量追加，逐步完善
• 复习模式 — 从答错/跳过的题目中随机抽取，巩固薄弱点，不另出新题
• 多轮续练 — 支持断点续练，进度持久化在 bank.json

🚀 安装

一键安装（推荐）

curl -fsSL https://raw.githubusercontent.com/lznauy/interviewer/main/install.sh | bash

自动下载预编译二进制，无需 Go 环境。支持 Linux / macOS（amd64 / arm64）。

安装内容：

• ~/.claude/skills/interview/scripts/interviewer — CLI 工具
• ~/.claude/skills/interview/SKILL.md — Claude Code Skill 定义

可通过 SKILL_DIR 环境变量自定义安装路径。

从源码安装

需要 Go 1.21+。

git clone https://github.com/lznauy/interviewer.git
cd interviewer
./install.sh

如果本地有 Go 环境，install.sh 会自动从源码编译。

📖 使用

在 Claude Code 中直接说：

帮我准备面试

或：

面试            # 开始/继续面试
复习            # 复习错题
mock interview

流程

1. 检测会话 — interviewer detect 扫描已有题库，选择继续或新建
2. 简历解析 — LLM 解析简历生成 resume.json，CLI 校验格式
3. 出题计划 — interviewer plan 计算权重和分配，LLM 构造题目，dedup 查重
4. 逐题作答 — 回答后即时评估，答错进入讲解模式
5. 讲解模式 — 展示标准答案要点，用户可追问，理解后进入下一题
6. 归档落盘 — interviewer commit 更新题库，LLM 写入 topic 详情
7. 循环练习 — 继续下一轮 / 复习错题 / 结束

复习模式

已有会话后，说「复习」或在继续菜单中选择「复习错题」：

1. interviewer review 从全量错题中随机抽取 5 道
2. 展示上次作答记录，对比本次回答
3. 答错进入讲解模式，复习结果通过 commit 覆盖更新

算法说明

权重计算：

• resume.skills 中的技能基础权重 = 10
• resume.projects[].techStack 中的技术基础权重 = 5
• 衰减公式：effective = baseW / (1 + 0.1 * asked * baseW)，防止高频题目饿死低频题目
• 每轮固定出 10 题，按权重比例分配

难度调整：（基于单技能正确率）

• < 30% → 难度 1-2（基础概念）
• 30% ~ 70% → 难度 3-4（原理与设计）
• > 70% → 难度 4-5（深度 / 开放题）

查重阈值：

• 相似度 ≥ 0.8 → 判定为重复，直接过滤
• 相似度 ≥ 0.5 → 标记为可疑，提示审查
• 相似度计算：max(Jaccard(bigram), LCS_ratio)

薄弱话题判定： 正确率 < 40% 且题目数 ≥ 2

CLI 命令

所有命令输出 JSON 到 stdout，错误输出到 stderr。

命令	输入	用途
interviewer detect [dir]	—	扫描子目录，查找已有面试记录
interviewer check <dir>	—	校验 resume.json 格式
interviewer plan <dir>	—	计算出题指导（权重、分配、难度、去重索引）
interviewer weights <dir>	—	查看所有 skill 的权重计算详情（调试用）
interviewer review <dir>	—	从全量错题中随机取 5 道复习
interviewer dedup <dir>	stdin: ["title1",...]	批量查重
interviewer commit <dir>	stdin: round result JSON	落盘（更新 bank.json + index.md）

目录结构

your-interview-dir/
├── resume.json        # 简历解析结果（LLM 生成，CLI 校验，只读）
├── bank.json          # 题库状态（CLI 读写，LLM 只读）
├── index.md           # 题目总览表（CLI 自动生成）
├── topics/            # 按主题分类的题目详情（LLM 写入）
│   ├── sync.md
│   └── ...
└── guides/            # 薄弱知识点文档（LLM 写入）
    └── ...

📁 示例

example/ 包含一个 Go 后端面试题库示例：

• 10 道题目，覆盖 6 个技术方向（Go、MySQL、Redis、K8s、gRPC、Kafka）
• 含 resume.json 简历文件（6 年 Go 后端工程师）
• 含 bank.json 进度文件
• 含 guides/ 薄弱知识点解析（Kafka、MySQL、Redis）

🧪 测试

go test ./...

📁 项目结构

interviewer/
├── cmd/interviewer/       # CLI 入口
│   └── main.go
├── internal/
│   ├── bank/              # 题库数据模型
│   ├── check/             # 简历校验
│   ├── commit/            # 落盘逻辑
│   ├── dedup/             # 题目查重（Jaccard + LCS）
│   ├── detect/            # 会话检测
│   ├── plan/              # 权重计算与出题分配
│   ├── resume/            # 简历模型
│   └── review/            # 错题复习选取
├── example/               # 示例题库
├── install.sh             # 一键安装脚本
├── SKILL.md               # Claude Code Skill 定义
└── go.mod                 # 零外部依赖

License

MIT