点燃你的 Offer：AI 驱动的面试训练与营销闭环。
SparkOffer 是一个面向技术岗求职者的 AI 面试训练系统。
它解决的问题很具体：市面上的面试工具大多“答完即结束”——题目随机、反馈泛泛、下次再来又是从零开始。SparkOffer 把每一次训练都变成一次可累积的能力建模过程：AI 持续记录你的薄弱点、掌握度、思维模式与表达习惯，下一轮训练自动围绕你的短板展开，并按遗忘曲线安排复习。
简而言之——练得越多，AI 越懂你；越懂你，越能精准点燃你的下一个 Offer。
不是从固定题库随机抽题，而是在每一轮提问前融合三层上下文：
┌─ Layer 3 · 长期画像 ──────────────────────┐
│ 跨领域强弱项 · 思维模式 · 沟通风格 │
├─ Layer 2 · 领域掌握度 ────────────────────┤
│ 0-100 掌握度 · 历史薄弱点 · 训练洞察 │
├─ Layer 1 · 会话上下文 ────────────────────┤
│ 简历 · JD · 知识库 RAG · 最近 20 题去重 │
└────────────────────────────────────────────┘
↓ 注入 LangGraph 工作流
AI 面试官生成 10 道高度个性化的问题
掌握度 0-30 主打概念辨析；30-60 进入场景应用；60-100 直接拉到系统设计与权衡分析。前 3 题精准命中历史薄弱点，再向新主题扩展。
每一次训练都不是孤立事件，而是一次可量化的能力迭代：
作答 → 逐题打分 + 薄弱点提取
→ 加权掌握度算法（confidence = 难度/5 × 得分/10）
→ LLM 画像更新（Mem0 风格的 ADD / UPDATE / IMPROVE）
→ 向量化记忆入库（语义检索历史洞察）
→ SM-2 调度下一轮复习
→ 下一次出题更精准
掌握度走的是确定性算法，不依赖 LLM 主观打分；画像走的是LLM 智能合并，避免重复堆叠、保持画像精炼。
| 场景 | 用法 |
|---|---|
| 弱点狙击站 | 选定领域，10 道动态生成的高针对性问题，难度随掌握度自适应 |
| 实战模拟场 | LangGraph 状态机驱动：自我介绍 → 技术问题 → 项目深挖 → 反问 |
| 岗位特训营 | 抽取 JD 重点，结合简历与知识库生成贴合岗位的题目 |
| 知识训练场 | 知识库拆成记忆卡片，三档深度翻面强化，配合 SM-2 到期复习 |
| 算法竞技场 | 题目收藏、错题回顾、AI 解题陪练 |
| 问答演练场 | 自由追问任意技术点，好答案一键沉淀回知识库 |
- 领域知识库：LlamaIndex 索引你自己维护的 Markdown 知识文档，作为出题与评分的事实依据
- 历史训练记忆：训练产生的洞察（薄弱点、错误模式、改进建议）自动向量化入库，下次出题时语义检索召回
- 逐题评分 + 改进建议
- 掌握度雷达图与趋势图
- 跨领域强弱项对比
- 长期画像（思维模式、沟通风格、习惯性问题）
- 错题与高频题热区
cp .env.example .env模型配置必填：LLM + Embedding（Embedding 必须二选一）。
# LLM（任意 OpenAI 兼容端点）
API_BASE=https://your-llm-api-base/v1
API_KEY=sk-your-api-key
MODEL=your-model-name
# Embedding
EMBEDDING_BACKEND=api # api | local
EMBEDDING_API_BASE=https://your-embedding-api-base/v1
EMBEDDING_API_KEY=sk-your-embedding-key
EMBEDDING_API_MODEL=BAAI/bge-m3Docker / 生产安全配置必填：生产模式会拒绝空值、公开弱口令和不安全的跨域来源。以下值都是待替换的安全占位，不是可直接使用的默认凭据：
APP_ENV=production
FRONTEND_BIND_ADDRESS=127.0.0.1
JWT_SECRET=<独立生成的随机强密钥>
DEFAULT_EMAIL=admin@sparkoffer.local
DEFAULT_PASSWORD=<至少12字符的唯一强密码>
ALLOW_REGISTRATION=false
CORS_ALLOW_ORIGINS=https://app.example.com
QDRANT_API_KEY=<另一份独立生成的随机强密钥>可用 openssl rand -hex 32 分别生成 JWT_SECRET 和 QDRANT_API_KEY。HTTPS 证书、宿主反向代理、可信代理链和完整生产检查见 DEPLOYMENT.md。
docker compose up -d --buildCompose 只把前端 HTTP 监听绑定到宿主回环地址 127.0.0.1:9000，供宿主 Nginx/Caddy/负载均衡器反代；它不是浏览器的生产访问入口。配置 TLS 后请访问 https://你的域名，不要把 9000 暴露到公网或直接访问该明文监听。完整步骤见 DEPLOYMENT.md。
后端：
pip install -r requirements.txt
# 如需本地 embedding：pip install -r requirements.local-embedding.txt
uvicorn backend.main:app --reload --port 8000前端：
cd frontend
npm install
npm run dev # http://localhost:5173| 层 | 技术 |
|---|---|
| 后端 | FastAPI · LangChain · LangGraph · LlamaIndex |
| 前端 | React 19 · React Router v7 · Vite · Tailwind CSS v4 |
| 存储 | SQLite · 用户隔离目录 · 向量化长期记忆 |
| 向量库 | Qdrant（Docker 部署默认）/ numpy（本地开发默认） |
| 认证 | JWT · bcrypt |
| LLM | 任意 OpenAI 兼容 API |
SparkOffer/
├── backend/
│ ├── main.py # FastAPI 入口
│ ├── auth.py # JWT + bcrypt 鉴权
│ ├── memory.py # 长期画像（Mem0 风格）
│ ├── vector_memory.py # 向量化历史洞察
│ ├── indexer.py # LlamaIndex 知识库索引（manifest 增量重建）
│ ├── spaced_repetition.py # SM-2 复习调度
│ ├── graphs/ # LangGraph 工作流
│ │ ├── resume_interview.py
│ │ ├── job_prep.py
│ │ ├── topic_drill.py
│ │ └── review.py
│ ├── prompts/ # 角色提示词
│ ├── routers/ # FastAPI 路由
│ └── storage/ # SQLite 持久化
├── frontend/src/
│ ├── pages/ # Home/Interview/Profile/Knowledge/...
│ ├── components/ # UI 与图表
│ └── api/ # API 客户端
├── data/ # 运行时数据（用户目录 gitignored）
│ ├── topics.example.json
│ ├── knowledge/ # 共享领域知识文档
│ └── users/{user_id}/ # 每用户隔离：简历/画像/知识库/索引
├── docker-compose.yml
├── requirements.txt
└── .env.example
- 准备后端、算法、AI 应用、Agent、RAG 等技术岗位面试的求职者
- 已经刷过很多题，但缺乏“连续性 + 复盘闭环”的人
- 想围绕自己的简历项目和目标 JD 做定向训练的人
- 想长期跟踪能力曲线，而不是做一次性问答的人
MIT