前言

当下企业招聘、校招、技术面试需求激增，HR / 技术面试官需要大量重复提问、简历匹配、面试复盘工作。基于 Coze 低代码智能体平台，无需深厚算法基础，结合 RAG、ASR、提示词工程，就能快速搭建私有化 AI 面试助手，自动完成简历解析、技术提问、面试打分、面试总结全流程。
本文基于 Ollama 本地私有化 DeepSeek 模型 + Coze 私有化部署，完整实现 AI 面试智能体，附带可运行代码、工作流配置方案，零基础可落地。

技术栈说明

1. Coze：智能体可视化搭建、工作流编排、插件管理
2. Ollama：本地部署开源大模型 DeepSeek-R1:8B
3. Python：文档解析、后端辅助脚本
4. LangChain：文档文本抽取、RAG 知识库预处理
5. ASR/TTS：语音面试录音转文字、AI 语音提问
6. Milvus：向量数据库存储简历知识库

一、环境前置准备

1.1 安装 Ollama 并拉取模型

# 安装Ollama后执行，拉取DeepSeek-R1 8B轻量化模型
ollama pull deepseek-r1:8b
# 验证模型是否正常运行
ollama run deepseek-r1:8b

1.2 本地部署 Coze（Docker 一键启动）

# Coze 私有化部署 docker-compose.yml 启动命令
docker run -d \
  --name coze-local \
  -p 8080:8080 \
  -v /data/coze-data:/app/data \
  cozeai/coze:latest

访问地址：http://127.0.0.1:8080

1.3 依赖 Python 环境

pip install pypdf2 python-docx langchain langchain-ollama milvus pydub

二、核心需求梳理：AI 面试助手能力

1. 上传简历（PDF/DOCX）自动解析提取工作经历、技能、项目
2. 根据简历匹配岗位，自动生成对应难度面试题（初级 / 中级 / 高级）
3. 支持语音面试：录音转文字作答，AI 实时点评回答
4. 面试结束自动输出打分表、优缺点总结、录用建议
5. 支持历史面试记录知识库检索（RAG）

三、Python 辅助代码：简历文档解析插件

Coze 支持自定义代码插件，下面脚本用于解析 PDF、Word 简历，提取结构化信息，可直接上传至 Coze 代码插件模块。

# resume_parser.py Coze自定义插件代码
from PyPDF2 import PdfReader
from docx import Document
import re

def extract_resume_text(file_path, file_type):
    """读取简历文件，返回纯文本内容"""
    text = ""
    if file_type == "pdf":
        reader = PdfReader(file_path)
        for page in reader.pages:
            page_text = page.extract_text()
            if page_text:
                text += page_text + "\n"
    elif file_type == "docx":
        doc = Document(file_path)
        for para in doc.paragraphs:
            text += para.text + "\n"
    return text

def parse_resume_info(resume_text: str):
    """大模型前置结构化抽取：姓名、岗位、技能、项目、工作年限"""
    skill_pattern = re.compile(r"(Python|Java|大模型|RAG|Agent|Coze|Dify|深度学习|MySQL|Pytorch)")
    skills = list(set(skill_pattern.findall(resume_text)))
    
    year_pattern = re.compile(r"(\d+)年工作经验|工作(\d+)年")
    work_years = re.findall(year_pattern, resume_text)
    
    return {
        "raw_text": resume_text,
        "skills": skills,
        "work_years": work_years,
    }

# Coze插件入口函数
def main(args):
    file_path = args.get("file_path")
    file_type = args.get("file_type")
    raw_text = extract_resume_text(file_path, file_type)
    info = parse_resume_info(raw_text)
    return {
        "code": 200,
        "data": info,
        "msg": "简历解析完成"
    }

四、Coze 平台可视化搭建完整流程

4.1 创建空白智能体

1. 登录 Coze 后台 → 新建智能体，命名「AI 技术面试助手」
2. 基础模型配置：模型地址填写本地 Ollama 接口
   • 模型接口地址：http://host.docker.internal:11434/v1
   • 模型名称：deepseek-r1:8b
3. 基础提示词（系统角色设定）粘贴至智能体人设框：

你是资深AI技术面试官，专业面试大模型开发、Python、RAG、Agent岗位候选人。
规则：
1. 先读取候选人简历结构化信息，匹配工作年限、技术栈，分级出题：0-2年初级，3-5中级，5年以上高级；
2. 每次只输出1道面试题，等待候选人回答，不一次性输出多题；
3. 候选人回答后，从知识点完整性、代码规范、工程落地三个维度点评；
4. 候选人输入【结束面试】，自动生成综合评分（0-100）、优势、短板、录用建议；
5. 禁止脱离简历内容提问，严格贴合候选人掌握技术栈。

4.2 上传自定义简历解析插件

1. 左侧插件中心 → 自定义插件 → 创建代码插件
2. 将上方 resume_parser.py 完整代码粘贴，入参设置两个字段：
   • file_path：字符串，文件本地路径
   • file_type：字符串，pdf /docx
3. 保存插件，命名「简历结构化解析工具」

4.3 搭建核心工作流（Coze 可视化拖拽）

工作流节点顺序：

1. 文件上传节点：支持 PDF、DOCX 简历上传
2. 自定义插件节点：调用「简历结构化解析工具」，输出简历技能、工作年限
3. 知识库检索节点（RAG）
   • 向量库：Milvus
   • 知识库内容：大模型岗位历年面试题库、简历评分标准
   • 检索逻辑：根据候选人技能匹配对应面试题目
4. LLM 推理节点：传入简历信息 + 检索题库，生成个性化面试问题
5. ASR 语音转文字节点：接收候选人录音，转文本作答内容
6. 打分总结分支节点：判断用户输入是否为「结束面试」，是则执行综合评估，否则继续提问

RAG 知识库加载简易 Python 脚本（用于初始化面试题库向量库）

# init_milvus_rag.py 初始化面试题库向量库
from langchain_ollama import OllamaEmbeddings
from langchain_milvus import Milvus
import os

# 面试题库文本
interview_docs = [
    "RAG如何解决大模型幻觉，BM25+向量多路召回实现方案",
    "LoRA、QLoRA微调区别，轻量化微调落地流程",
    "Coze/Dify开发Agent，多智能体工作流搭建思路",
    "Ollama+vLLM本地大模型推理优化手段",
    "Transformer注意力机制底层原理面试高频题"
]

# 初始化嵌入模型
embeddings = OllamaEmbeddings(model="deepseek-r1:8b")
# 初始化Milvus向量库
vector_store = Milvus(
    embedding_function=embeddings,
    connection_args={"host": "127.0.0.1", "port": "19530"},
    collection_name="interview_db"
)
# 写入题库向量
vector_store.add_texts(interview_docs)
print("面试题库向量入库完成，Coze可直接检索")

五、面试交互完整演示示例

交互 1：上传简历后 AI 自动出题

用户：上传 Python 大模型开发 3 年经验简历
AI：根据你的简历，你拥有 3 年大模型应用开发经验，熟练使用 RAG、Coze。第一道面试题：请简述你项目中如何使用 Milvus+BM25 混合检索优化 RAG 召回准确率？

交互 2：候选人作答后 AI 点评

用户：我在人力资源简历 RAG 项目中，先用 BM25 做关键词粗召回，再用向量做语义精排，搭配 Redis 缓存高频查询提升速度。
AI 点评：
优点：完整覆盖多路召回工程落地方案，考虑线上并发缓存优化，具备生产落地思维；
不足：未提及 Ragas 评估指标、文档分片预处理方案；
追问：你如何使用 Ragas 衡量 RAG 系统的忠实度与回答相关性？

交互 3：结束面试生成总结报告

用户：结束面试
AI 面试综合报告

1. 综合得分：78 分（中级大模型开发达标线 70 分）
2. 个人优势：熟悉企业级 RAG 架构，具备向量数据库实战经验，了解线上性能优化；
3. 能力短板：缺少 LoRA 微调、多 Agent 协作实战经验；
4. 录用建议：可发放中级 AI 应用开发岗 offer，入职后安排微调专项培训。

六、进阶拓展：OpenClaw 多智能体协同升级

当前单智能体仅完成面试，可新增多 Agent 分工：

1. 打分 Agent：专门负责面试评分标准计算
2. 题库更新 Agent：自动爬取最新大厂面试题更新 RAG 库
3. 简历筛选 Agent：批量筛选简历初筛候选人

多 Agent 调用简易代码片段（Coze 代码节点）

# multi_agent_dispatch.py 多智能体调度
def dispatch_agent(user_input, resume_data):
    if "结束面试" in user_input:
        agent_type = "score_agent"
    elif "更新题库" in user_input:
        agent_type = "db_update_agent"
    else:
        agent_type = "interview_agent"
    return {
        "target_agent": agent_type,
        "resume_info": resume_data
    }

七、部署与上线优化方案

1. 私有化安全：Coze 配置数据脱敏插件，简历敏感信息（手机号、身份证）自动掩码；
2. 性能优化：Ollama 开启 vLLM 加速推理，并发面试响应速度提升 3-5 倍；
3. 持久化存储：MongoDB 存储所有面试记录、打分报告，支持 HR 后台回溯；
4. 权限管控：Coze 后台配置账号权限，普通面试官仅可使用，管理员可编辑工作流。

八、总结

本文依托 Coze 可视化低代码平台，无需从零开发前端、大模型服务，通过插件、RAG 知识库、工作流拖拽，搭配 Python 辅助脚本，零基础即可搭建商用 AI 面试助手。整套方案覆盖文档解析、向量检索、LLM 推理、语音交互、多智能体调度完整链路，可直接用于企业招聘、培训机构模拟面试场景，同时适配大模型开发工程师求职项目简历。