市面上的面试辅助工具，吃相可怕，功能也不是那么好。
做了一个基于ASR、CAM+、Multi-LLM的面试辅助工具

ASR实时转语音，支持录入声纹即说话人识别与多个不同的智能体共同协作。
浏览器作为原生客户端。Python作为服务端。仅支持1对1
支持添加本地模型与不同服务商的api

分为四层

第一层是 智能分析或用户手动发送消息    
第二层是 意图识别 （off/on）  
第三层是 用户个性化 （off/on）
第四层是 智囊团或直接回答     

• 实时语音转文本（ASR）: 基于 SenseVoice Small 模型，支持多语言识别
• 说话人识别: 基于 CAM++ 模型，支持声纹库管理和实时说话人识别
• 语音活动检测（VAD）: 基于 WebRTC VAD，准确检测语音片段
• 大模型对话: 集成多种 LLM API（OpenAI 兼容），支持流式对话
• 智能分析助手: 根据ASR结果智能判定是否需要启动智囊团
• 智囊团模式: 多个不同 LLM 同时给出提议，辅助主人公回复
• 意图识别: 自动提取对话中的核心问题和讨论大纲，发送给
• 简历个性化: 基于简历内容的个性化回答和建议
• 目标岗位分析: 智能分析职位描述（JD），提取技术栈、考察重点和面试要点
• Web 界面: 响应式界面，支持实时显示转录结果和 LLM 对话
• 多会话管理: 支持聊天历史、会话切换等功能

核心模块流程图

项目结构 (Path Notation)

|-- api_config.json  // 配置: LLM API 配置信息
|-- main.py          // 核心模块: ASR 实时处理核心 (语音转文本、声纹识别、VAD 检测)
|-- server.py        // 核心模块: Web 服务 (FastAPI, WebSocket, REST API, 线程管理)
|-- llm_client.py    // 核心模块: 客户端 (LLM API 集成, 流式响应)
|-- chat_manager.py  // 核心模块: 管理器 (聊天会话管理, 历史存储)
|-- resume_manager.py// 核心模块: 管理器 (简历解析管理, PDF 解析)
|-- job_manager.py   // 核心模块: 管理器 (岗位分析管理, JD 分析, 技术栈提取)
|-- intelligent_agent.py // 核心模块: 智能体 (智能分析核心, 意图识别, 分发)
|-- trigger_manager.py // 核心模块: 管理器 (触发机制管理, 字数/静音检测)
|
|-- data/             // 配置与数据目录
|   |-- agent.json    // 配置: 智囊团角色配置
|   |-- ui_state.json // 数据: 前端界面状态
|
|-- static/           // 前端资源目录
|   |-- index.html    // UI 页面: 主界面布局
|   |-- css/          // 样式: UI 样式定义
|   |-- js/           // 脚本: 前端交互逻辑
|
|-- voiceprints/      // 数据目录: 声纹库 (用户音频样本)
|
|-- output/           // 数据目录: 临时音频文件输出
|
|-- resumes/          // 数据目录: 简历数据和分析结果

# 核心依赖
uv pip sync requirements.lock.txt
或  
pip install requirements.lock.txt

# 可选：CUDA 支持（用于 GPU 加速）
# 确保已安装 CUDA 和 PyTorch

或使用简化依赖（不含 torch）：

pip install -r requirements_notourch.txt

系统会自动下载以下模型：

• SenseVoiceSmall: 约 200MB，用于语音识别
• CAM++: 约 50MB，用于说话人识别

首次运行时会自动从 ModelScope 下载
可以自行配置路径main.py

        self.model_asr = AutoModel(
            model="SenseVoiceSmall",   # 当前目录文件夹
            trust_remote_code=True,
            device="cuda" 
        )

        print("正在加载 CAM++ 模型 (声纹识别)...")
        # 使用你找到的正确 SV 模型 ID
        self.sv_pipeline = pipeline(
            task='speaker-verification',
            model='speech_campplus_sv_zh-cn_16k-common', # 当前目录文件夹
            model_revision='v1.0.0'
        )

配置原理：

• 前端可配：大部分配置通过 Web 界面设置即可
• 必须手动：本地模型列表需手动修改配置文件

快速配置：

1. 配置：访问 http://localhost:8000 ，在设置面板中添加 API 配置
2. 本地模型配置：编辑 api_config.json

{
    // 本地模型列表（定义前端下拉框选项） 等同于路径，我是配在当前目录中，只实测过以下模型
    // 来源：https://www.modelscope.cn/
    "model_local": [
        "Qwen3-0.6B",  //https://www.modelscope.cn/models/Qwen/Qwen3-0.6B   有思考模式
        "Qwen2.5-0.5B-Instruct", //https://www.modelscope.cn/models/Qwen/Qwen2.5-0.5B-Instruct 
    ],
}

操作步骤：

1. 前端配置：打开 Web 界面 → 设置 → 添加/编辑 LLM 配置
2. 手动补充：编辑 api_config.json，添加 model_local 本地模型列表
3. 核心逻辑：如需自定义子智能体逻辑，编辑 data/agent.json 的 sub_agents 字段

详细配置说明请参考：README/操作手册.md

控制台实时显示转录结果

详细 API 文档请参考：backend_api_documentation.md

This project is licensed under the MIT License. See https://opensource.org/license/mit/ for details.