录音分析流程梳理
录音分析流程梳理 根据今天所学，把录音分析模块的流程补全为 6 个步骤，并说明每一步的输入和输出。
查看参考答案 ▼
录音分析流程梳理
| 步骤 | 输入 | 输出 | 说明 |
|---|---|---|---|
| 上传录音 | MP3/WAV 音频 | 音频对象或链接 | 接收原始材料 |
| ASR 转写 | 音频链接 | 转写文本 | 把声音转成文字 |
| 角色划分 | 转写文本 | 面试官/应试者对话 | 分清谁问谁答 |
| 概要与问答提取 | 对话文本 | 自我介绍、概要、问答数组 | 把文本结构化 |
| 面试表现评估 | 自我介绍、问答数组、知识库 | 评估结果 | 对自我介绍和每题回答进行判断 |
| 报告生成 | 各评估结果 | 复盘报告 | 汇总输出给用户 |
✓ 正确
参考答案：录音分析流程梳理
| 步骤 | 输入 | 输出 | 说明 |
|---|---|---|---|
| 上传录音 | MP3/WAV 音频 | 音频对象或链接 | 接收原始材料 |
| ASR 转写 | 音频链接 | 转写文本 | 把声音转成文字 |
| 角色划分 | 转写文本 | 面试官/应试者对话 | 分清谁问谁答 |
| 概要与问答提取 | 对话文本 | 自我介绍、概要、问答数组 | 把文本结构化 |
| 面试表现评估 | 自我介绍、问答数组、知识库 | 评估结果 | 对自我介绍和每题回答进行判断 |
| 报告生成 | 各评估结果 | 复盘报告 | 汇总输出给用户 |
角色划分提示词优化
角色划分提示词优化 设计一段角色划分提示词，要求满足： 1. 能区分面试官和应试者。 2. 能保留原始内容。 3. 如果不是面试录音，能停止分析。 4. 输出格式清晰。
查看参考答案 ▼
角色划分提示词参考
``<code>text
你是一个面试录音转写内容整理助手。
请根据输入的语音转文字内容，判断每句话更可能来自面试官还是应试者。
要求：
1. 按“面试官：内容”和“应试者：内容”的格式输出。
2. 尽量保留原始内容，不要随意省略。
3. 如果出现明显卡顿、停顿或异常表达，可以用【停顿】等方式标注。
4. 如果输入内容不是面试对话，请直接输出空字符串，不要强行分析。
输入内容：
{{input}}
</code>``
✓ 正确
参考答案：角色划分提示词参考
``<code>text
你是一个面试录音转写内容整理助手。
请根据输入的语音转文字内容，判断每句话更可能来自面试官还是应试者。
要求：
1. 按“面试官：内容”和“应试者：内容”的格式输出。
2. 尽量保留原始内容，不要随意省略。
3. 如果出现明显卡顿、停顿或异常表达，可以用【停顿】等方式标注。
4. 如果输入内容不是面试对话，请直接输出空字符串，不要强行分析。
输入内容：
{{input}}
</code>``
问答对提取规则设计
问答对提取规则设计 设计问答对提取节点的规则，要求： 1. 不提取自我介绍。 2. 每个问题和回答配对。 3. 保留回答中的卡顿或停顿。 4. 补全追问上下文。
查看参考答案 ▼
问答对提取规则参考
``<code>text
你是一个面试问答提取助手。
请从面试官和应试者的对话中提取问题和对应回答，并以字符串数组返回。
要求：
1. 不提取开场自我介绍。
2. 每个数组元素只包含一个问题和对应回答。
3. 回答中的【停顿】、【卡顿】等信息要保留。
4. 如果问题是追问，需要结合上文补全问题含义。
5. 输出格式为：
问题：xxx
回答：xxx
面试对话：
{{qa}}
</code>``
✓ 正确
参考答案：问答对提取规则参考
``<code>text
你是一个面试问答提取助手。
请从面试官和应试者的对话中提取问题和对应回答，并以字符串数组返回。
要求：
1. 不提取开场自我介绍。
2. 每个数组元素只包含一个问题和对应回答。
3. 回答中的【停顿】、【卡顿】等信息要保留。
4. 如果问题是追问，需要结合上文补全问题含义。
5. 输出格式为：
问题：xxx
回答：xxx
面试对话：
{{qa}}
</code>``
面试题生成流程设计
面试题生成流程设计 假设用户上传了一份简历，请设计面试题生成模块的流程，要求包含技能题、项目题和题目整合。
查看参考答案 ▼
面试题生成流程参考
1. 用户上传简历。
2. 文件解析节点把简历转成文本。
3. 内容分块节点提取技能点数组和项目经历数组。
4. 数据库查询节点获取最近 100 道真实面试题。
5. 技能点循环：每个技能点检索题库并生成技术问题。
6. 项目经历循环：每个项目生成项目追问。
7. 面试题整合节点去重、筛选、书面化，并补充人事问题。
8. 结束节点输出最终面试题集合。
✓ 正确
参考答案：面试题生成流程参考
1. 用户上传简历。
2. 文件解析节点把简历转成文本。
3. 内容分块节点提取技能点数组和项目经历数组。
4. 数据库查询节点获取最近 100 道真实面试题。
5. 技能点循环：每个技能点检索题库并生成技术问题。
6. 项目经历循环：每个项目生成项目追问。
7. 面试题整合节点去重、筛选、书面化，并补充人事问题。
8. 结束节点输出最终面试题集合。
Agent 编排规则设计
Agent 编排规则设计 为 AI 面试助手设计 4 条调用规则： 1. 上传简历并要求看简历。 2. 上传录音。 3. 上传简历并要求生成面试题。 4. 用户闲聊或问无关问题。
查看参考答案 ▼
Agent 编排规则参考
1. 如果用户上传简历，并表达“帮我看看简历”“优化简历”等意图，调用简历评估工作流。
2. 如果用户上传音频文件，无论用户文字怎么描述，优先调用录音分析工作流。
3. 如果用户上传简历，并表达“生成面试题”“模拟面试题”等意图，调用面试题生成工作流。
4. 如果用户闲聊或提出无关请求，不调用工作流，提示当前只支持简历评估、录音分析和面试题生成。
✓ 正确
参考答案：Agent 编排规则参考
1. 如果用户上传简历，并表达“帮我看看简历”“优化简历”等意图，调用简历评估工作流。
2. 如果用户上传音频文件，无论用户文字怎么描述，优先调用录音分析工作流。
3. 如果用户上传简历，并表达“生成面试题”“模拟面试题”等意图，调用面试题生成工作流。
4. 如果用户闲聊或提出无关请求，不调用工作流，提示当前只支持简历评估、录音分析和面试题生成。
批处理代码阅读与补全
批处理代码阅读与补全 下面是一段极简批处理思路代码，请阅读并补全注释中的关键逻辑。 ``python """ 需求： 批量处理一个文件夹中的简历文件，并把每份简历交给 Coze 智能体分析。 步骤： 1. 遍历指定文件夹。 2. 找到符合格式要求的简历文件。 3. 上传文件到 Coze。 4. 调用智能体获取分析结果。 5. 把结果保存为 Markdown 文件。 """ from pathlib import Path def is_resume_file(file_path: Path) -> bool: """判断当前文件是否是需要处理的简历文件。""" # TODO：允许处理 pdf、doc、docx 三类文件 pass def save_result(result_dir: Path, file_path: Path, result_text: str) -> None: """把智能体返回的结果保存成 Markdown 文件。""" # TODO：根据原文件名生成 md 文件名，并写入分析结果 pass ``
查看参考答案 ▼
批处理代码参考答案
``<code>python
"""
需求：
批量处理一个文件夹中的简历文件，并把每份简历交给 Coze 智能体分析。
步骤：
1. 遍历指定文件夹。
2. 找到符合格式要求的简历文件。
3. 上传文件到 Coze。
4. 调用智能体获取分析结果。
5. 把结果保存为 Markdown 文件。
说明：
这段代码只保留“文件筛选”和“结果保存”两个基础动作。
真正上传 Coze、调用智能体的部分，后续可以再接入 SDK。
"""
from pathlib import Path
def is_resume_file(file_path: Path) -> bool:
"""判断当前文件是否是需要处理的简历文件。
参数：
file_path：当前遍历到的文件路径。
返回：
True：说明这个文件是简历文件，可以继续处理。
False：说明这个文件不是目标格式，应该跳过。
"""
# suffix 表示文件后缀名，例如：.pdf、.docx。
# lower() 的作用是统一转成小写，避免 .PDF 和 .pdf 被当成不同格式。
suffix = file_path.suffix.lower()
# allowed_suffixes 保存允许处理的简历格式。
# 这里先支持 pdf、doc、docx 三类常见简历文件。
allowed_suffixes = {".pdf", ".doc", ".docx"}
# 同时判断两件事：
# 1. 当前路径必须是文件，不能是文件夹。
# 2. 文件后缀必须在允许列表中。
return file_path.is_file() and suffix in allowed_suffixes
def save_result(result_dir: Path, file_path: Path, result_text: str) -> None:
"""把智能体返回的结果保存成 Markdown 文件。
参数：
result_dir：保存结果的文件夹。
file_path：原始简历文件路径。
result_text：智能体返回的分析结果。
效果：
假设原文件是 zhangsan.pdf，
最终会在 result_dir 中生成 zhangsan.md。
"""
# mkdir 用来创建结果文件夹。
# exist_ok=True 表示如果文件夹已经存在，也不会报错。
result_dir.mkdir(parents=True, exist_ok=True)
# stem 表示不带后缀的文件名。
# 例如 zhangsan.pdf 的 stem 是 zhangsan。
result_file_name = file_path.stem + ".md"
# 拼接最终的结果文件路径。
result_file = result_dir / result_file_name
# 把分析结果写入 Markdown 文件。
# encoding="utf-8" 可以避免中文乱码。
result_file.write_text(result_text, encoding="utf-8")
</code>``
✓ 正确
参考答案：批处理代码参考答案
``<code>python
"""
需求：
批量处理一个文件夹中的简历文件，并把每份简历交给 Coze 智能体分析。
步骤：
1. 遍历指定文件夹。
2. 找到符合格式要求的简历文件。
3. 上传文件到 Coze。
4. 调用智能体获取分析结果。
5. 把结果保存为 Markdown 文件。
说明：
这段代码只保留“文件筛选”和“结果保存”两个基础动作。
真正上传 Coze、调用智能体的部分，后续可以再接入 SDK。
"""
from pathlib import Path
def is_resume_file(file_path: Path) -> bool:
"""判断当前文件是否是需要处理的简历文件。
参数：
file_path：当前遍历到的文件路径。
返回：
True：说明这个文件是简历文件，可以继续处理。
False：说明这个文件不是目标格式，应该跳过。
"""
# suffix 表示文件后缀名，例如：.pdf、.docx。
# lower() 的作用是统一转成小写，避免 .PDF 和 .pdf 被当成不同格式。
suffix = file_path.suffix.lower()
# allowed_suffixes 保存允许处理的简历格式。
# 这里先支持 pdf、doc、docx 三类常见简历文件。
allowed_suffixes = {".pdf", ".doc", ".docx"}
# 同时判断两件事：
# 1. 当前路径必须是文件，不能是文件夹。
# 2. 文件后缀必须在允许列表中。
return file_path.is_file() and suffix in allowed_suffixes
def save_result(result_dir: Path, file_path: Path, result_text: str) -> None:
"""把智能体返回的结果保存成 Markdown 文件。
参数：
result_dir：保存结果的文件夹。
file_path：原始简历文件路径。
result_text：智能体返回的分析结果。
效果：
假设原文件是 zhangsan.pdf，
最终会在 result_dir 中生成 zhangsan.md。
"""
# mkdir 用来创建结果文件夹。
# exist_ok=True 表示如果文件夹已经存在，也不会报错。
result_dir.mkdir(parents=True, exist_ok=True)
# stem 表示不带后缀的文件名。
# 例如 zhangsan.pdf 的 stem 是 zhangsan。
result_file_name = file_path.stem + ".md"
# 拼接最终的结果文件路径。
result_file = result_dir / result_file_name
# 把分析结果写入 Markdown 文件。
# encoding="utf-8" 可以避免中文乱码。
result_file.write_text(result_text, encoding="utf-8")
</code>``
综合案例
综合案例：AI 面试训练闭环 请设计一个完整的 AI 面试训练闭环，要求包含： 1. 简历评估。 2. 面试题生成。 3. 模拟面试录音。 4. 录音分析。 5. 下一轮改进建议。
查看参考答案 ▼
综合案例参考答案
一个完整的 AI 面试训练闭环可以这样设计：
1. 用户先上传简历，系统调用简历评估工作流，输出简历问题和修改建议。
2. 用户根据建议修改简历，再上传简历生成模拟面试题。
3. 用户根据生成的题目进行模拟面试，并录制音频。
4. 用户上传面试录音，系统调用录音分析工作流。
5. 系统分析自我介绍、每道题回答质量、表达问题和知识薄弱点。
6. 系统输出下一轮改进建议，例如需要复习 RAG、优化项目介绍、控制自我介绍时长。
7. 用户根据建议继续修改简历、练习题目、再次模拟面试。
这个闭环的价值是：简历、题目、录音、复盘互相连接，训练不再靠感觉，而是靠数据和反馈持续改进。
✓ 正确
参考答案：综合案例参考答案
一个完整的 AI 面试训练闭环可以这样设计：
1. 用户先上传简历，系统调用简历评估工作流，输出简历问题和修改建议。
2. 用户根据建议修改简历，再上传简历生成模拟面试题。
3. 用户根据生成的题目进行模拟面试，并录制音频。
4. 用户上传面试录音，系统调用录音分析工作流。
5. 系统分析自我介绍、每道题回答质量、表达问题和知识薄弱点。
6. 系统输出下一轮改进建议，例如需要复习 RAG、优化项目介绍、控制自我介绍时长。
7. 用户根据建议继续修改简历、练习题目、再次模拟面试。
这个闭环的价值是：简历、题目、录音、复盘互相连接，训练不再靠感觉，而是靠数据和反馈持续改进。