Research Mock Interview

科研模拟面试（Research Mock Interview）Hermes Skill

1. 这是什么

一个本地优先的科研场景模拟面试系统，以 Hermes Skill 形态交付。它读取候选人的真实科研资料（简历 / 项目 / 论文）， 针对保研、申博、科研岗求职、答辩、组会、海外 PhD 等场景，用可插拔的 LLM 后端扮演严谨考官，进行多轮对话式模拟面试， 并在候选人「讲项目 / 代码」回答过浅时发起硬阻塞追问，结束后产出评分 + 短板库 + 复盘报告。

1.1 与架构方案的一致性（已锁定决策）

• X1 目标用户：全方向（保研/申博 + 求职轻量版），本 v1 题库覆盖保研/申博/求职/答辩/组会/海外phd 六类场景。
• X2 形态：本地 Hermes Skill + 公域内容引流；本仓库即 Skill 本体。
• X3 语音：v1.1 已落地「可插拔语音双工」——mock 离线零依赖跑通整条链路；真实 STT（vosk/whisper）+ 真实 TTS（pyttsx3/edge-tts）为可选后端，全部懒加载，缺失依赖时运行时明确报错（不破坏核心零依赖）。
• X4 公众号采集：已放弃，本 Skill 不采集任何外部内容源。
• X5 Python 版本：目标 3.12，最低 3.11（详见 requirements.txt 与 §6）。
• 可插拔 LLM 后端：抽象接口 + mock（离线零依赖）/ ollama（本地默认）/ cloud（BYOK，密钥不落盘）。
• 冷启动资料：示例脱敏数据先行（data/sample_profile.json），预留真实资料导入入口（cli run --profile）。
• 隐私铁律：本地单租户、可删除、无遥测、不出域；tenant_id=local；purge 一键清除 owner 全部数据。

2. 何时触发

• 用户想练习 / 复盘科研类面试（保研、申博、科研岗、答辩、组会、海外 PhD）。
• 用户希望基于自己的项目经历做「讲清楚、讲细节」的压力测试。
• 用户需要一份结构化复盘报告与可沉淀的短板清单。

3. 工作流（主理人 / 使用者执行顺序）

第一步：环境准备（一次性）

cd research-mock-interview
python --version            # 需 >=3.11，推荐 3.12
pip install -r requirements.txt   # 可选：仅当你要用 config.yaml 时才需 PyYAML

第二步：跑通演示（无网也能跑）

python src/cli.py run --demo

--demo 使用内置示例资料 + mock 后端，自动跑完「提问→作答→硬阻塞追问→评分→复盘报告」闭环， 证明系统离线可运行、数据已落盘本地 SQLite。

第三步：接入真实资料

把你的真实简历/项目整理成一个 JSON（参考 data/sample_profile.json 字段），然后：

python src/cli.py run --profile /path/to/your_profile.json --scenario 保研

进入交互模式，逐轮作答；输入 /finish 结束并生成报告，/quit 中途退出（记录仍保留）。

第四步：切换 LLM 后端（可选）

复制 config.example.yaml 为 config.yaml，把 llm.backend 改成：

• mock：离线零依赖（默认，适合演示 / 无网）。
• ollama：本地默认生产后端，填 base_url / model（如 qwen2.5:7b）。
• cloud：云端 API（BYOK），密钥只来自环境变量（如 RMI_LLM_API_KEY），绝不硬编码 / 落盘。

第五步：查看沉淀与删除权

python src/cli.py list          # 列出本 tenant 全部面试
python src/cli.py report --id <session_id前8位或完整>   # 看复盘报告
python src/cli.py weakness      # 看短板库
python src/cli.py purge --yes   # owner 删除权：清除本 tenant 全部本地数据

第六步（v1.1 新增）：语音双工模式（可插拔）

# 离线自检：mock 双工，无需麦克风/网络，证明语音编排链路闭环
python src/cli.py run --demo --voice

# 接入真实语音（需先 pip install 对应可选依赖，见 requirements.txt）
# 复制 config.example.yaml 为 config.yaml，设 voice.enabled=true 或运行时加 --voice，
# 并把 voice.stt/tts 的 backend 改为 vosk/whisper/pyttsx3/edge，填好模型路径。

第七步（v1.1 新增）：短板库跨场聚合分析

python src/cli.py analyze                 # 全部场景聚合
python src/cli.py analyze --scenario 保研   # 只看某场景
python src/cli.py analyze --out report.md  # 导出 Markdown 报告

聚合维度：分类分布、严重度分布、跨场趋势（改善/恶化/持平）、反复出现的短板（≥2 次）与行动建议。

4. 模块职责（src/）

• llm_backend.py：LLMBackend 抽象 + MockBackend / OllamaBackend / CloudBackend，from_config(cfg) 工厂按配置切换。
• storage.py：Store 封装 SQLite 本地持久化，tenant 作用域隔离，purge_owner() 实现删除权闭环。
• interview_engine.py：InterviewSession 驱动「导入→提问→硬阻塞追问→评分→短板库→复盘报告」。
• voice_io.py（v1.1）：STTProvider / TTSProvider / DuplexVoice 可插拔语音；mock 离线零依赖，真实后端懒加载 + 缺失依赖守卫。
• analytics.py（v1.1）：aggregate_weaknesses / render_aggregate_report 短板跨场聚合（纯标准库）。
• cli.py：argparse 入口（run / list / report / weakness / purge / analyze，run 支持 --voice）。

5. 设计纪律（不可违反）

1. 不出域：任何数据只在本地 SQLite；cloud 后端只把面试文本发往用户配置的 API，密钥仅来自环境变量。
2. 无遥测：不收集、不上报任何使用行为。
3. 可删除：data_dir 可整体删除；purge 提供程序化一键清除。
4. 后端可插拔：业务代码只依赖 LLMBackend 抽象，新增后端只需实现 generate()。
5. 冷启动友好：示例数据保证开箱即跑；真实资料通过 --profile 导入，格式向后兼容。

6. 运行环境

• 目标 Python 3.12；最低 3.11（见 requirements.txt 注释）。
• 核心依赖仅标准库；PyYAML 为可选（启用 config.yaml 时才需要）。
• 语音为可选增强：核心仍零硬性第三方依赖；真实 STT/TTS 依赖仅在启用语音且选择真实引擎时需要（见 requirements.txt 注释）。