简介这是一份面向毕业设计或课程作业的智能面试系统完整项目基于Python语言开发融合自然语言处理、机器学习与计算机视觉技术覆盖语音转写、语义解析、情感分析、表情识别及面试评估等核心功能适合计算机、人工智能相关专业学生用于实战练习与二次开发。压缩包体积仅468KB包含13个文件其中Python脚本分别用于数据处理、模型调用与前端界面搭建并配有交互页面、示例数据、Docker部署文件、依赖清单和说明文档便于快速还原环境并理解系统架构目前已有79人学习/下载可作为毕业设计选题的参考答案也是课程作业的实用蓝本。通过研究该项目读者能掌握AI面试系统从数据输入、模型推理到结果展示的完整链路理解NLP语义理解、机器学习行为评估、CV表情捕捉等模块的落地方式同时还能学习到多文件项目的组织方式、配置管理方法以及基于容器的云部署思路对独立完成一个中小型AI应用极具帮助。1. 拿到“智能面试系统.zip”之后先想清楚它该长什么样一个命名为“毕设课程作业_智能面试系统.zip”的压缩包通常意味着你从学长、导师或某篇博客里扒下了一份可供改造的课程设计项目。它不是生产级产品而是一个能在一两分钟内讲清“候选人进来-系统出题-自动评估-给出报告”的演示系统。这类项目大多由三块组成一个管理后台维护题目和岗位模型一个前端页面接收用户输入与语音/文本回答以及一个打分逻辑——既可能是规则匹配也可能接了大模型接口。拿到这份 zip 的第一件事不是解压而是先判断你能从里面获得什么以及你要往里面补什么。它解决的是“没有真实面试官时如何用程序模拟一次结构化面试”这个教学问题适合计算机相关专业的学生理解 NLP 基础、Web 全栈以及在课程答辩时讲清设计思路。接下来的步骤会带你把它从压缩包变成能演示的系统。2. 解压前先体检zip 包的完整性、结构和安全检查2.1 用 7-Zip 和命令行检查 zip 是否损坏很多同学双击 zip 后遇到“error read zip archive怎么解决”这种报错通常不是文件坏了而是下载过程中被浏览器截断或者压缩包在网盘里被重新包装过。我一般不会直接双击而是先在终端里执行完整性测试。unzip -t 毕设\课程作业_智能面试系统.zip参数说明-t是 test 模式只测试文件完整性不实际解压。输出中每一行都会显示ok或错误信息。如果看到bad CRC或者End-of-central-directory signature not found就说明文件一定损坏重新下载是首选不要尝试用“zip压缩包密码破解工具”之类的方法去修复——破解工具针对的是加密限制解决不了物理损坏。检查通过后再列出压缩包内部的目录结构避免解压出一个文件乱飞的项目。unzip -l 毕设\课程作业_智能面试系统.zip | head -50-l只列出文件名不解压。头部 50 行足够让你判断这份作业的完整度是否有README.md、是否有requirements.txt或pom.xml、是否有database或sql目录。常见的课程设计 zip 里还会附带一份《项目报告.docx》或《答辩PPT》这些在-l里能直接看到。2.2 解压后的典型目录结构源码、SQL、README、报告确认完整后建议解压到独立目录并观察第一层结构。一个合格的“智能面试系统”压缩包通常会有这样的骨架smart-interview/ ├── backend/ │ ├── app.py │ ├── models.py │ ├── requirements.txt │ └── config.py ├── frontend/ │ ├── index.html │ ├── static/ (css/js) │ └── package.json ├── database/ │ └── init.sql ├── docs/ │ └── 项目报告.docx └── README.mdREADME.md是第一落点。很多糟糕的课程作业会把环境配置藏在本机导致 zip 里只有代码没有运行说明。如果你打开 README里面没有写明 Python 版本、数据库名称、初始账号那么你需要从config.py或.env文件反推。这个反推过程也是课程答辩时老师最喜欢问的“你的项目怎么部署”2.3 别急着跑代码先看数据库脚本和依赖清单我见过太多人解压后直接python app.py然后报ModuleNotFoundError: MySQLdb又花半小时装列表之外的东西。正确顺序是先读requirements.txt或package.json再读 SQL 初始化脚本最后才启动项目。cd smart-interview python -m venv venv source venv/bin/activate # Windows 下用 venv\Scripts\activate pip install -r backend/requirements.txt这里的逻辑是数据库脚本决定了你手上有哪些字段比如candidates表里可能只有姓名和期望岗位而评分表里则是从0到100的整数。知道这些你才能决定是补数据还是改代码来适配空壳数据库。如果压缩包的数据库脚本里没有初始题目数据你还需要手动插入几条面试题这部分会在第 4 章展开。3. 智能面试系统的核心链路题库、会话与自动评分3.1 从简历解析到第一道面试题一种可落地的设计课程作业里的“智能”通常并不需要你训练神经网络。更可靠的方案是用规则从用户输入中提取技能关键词比如“Python”“Java”“项目管理”再匹配题库表中打好的标签。这是理解智能面试系统的最短路径。系统流程拆解如下候选人注册后前端展示一个“开始面试”按钮后端在会话开始时随机挑选 3-5 道与岗位相关的题目每道题下方有文本框或语音输入提交后立刻触发评分逻辑全部完成后展示总分与每道小题的评语。这个链路里的关键设计是面试会话状态机——你不能让用户刷新页面后还能重新提交同一道题。3.2 用 Python FastAPI 实现一个最小面试接口这里我选择 FastAPI 而不是 Flask因为课程作业答辩时你可以多讲一句“用了异步请求”和“自动生成 OpenAPI 文档”。下面的代码只保留了取题和提交答案两个核心端点。# backend/app.py from fastapi import FastAPI, HTTPException from pydantic import BaseModel import random import uuid app FastAPI() # 模拟题库实际项目里这里查数据库 QUESTION_POOL { python: [ {id: 1, text: 解释一下 Python 的 GIL 作用, tags: [python]}, {id: 2, text: list 和 tuple 区别是什么, tags: [python]}, ], java: [ {id: 3, text: Java 内存模型是什么, tags: [java]}, ], } class InterviewRequest(BaseModel): job_tag: str # 岗位标签如 python/java class AnswerRequest(BaseModel): session_id: str question_id: int answer_text: str app.post(/api/start_interview) def start_interview(req: InterviewRequest): 根据岗位标签随机取题并创建一个面试会话 questions QUESTION_POOL.get(req.job_tag, []) if not questions: raise HTTPException(status_code404, detail没有找到对应岗位的题目) session_id str(uuid.uuid4()) selected random.sample(questions, kmin(2, len(questions))) return {session_id: session_id, questions: selected} app.post(/api/submit_answer) def submit_answer(req: AnswerRequest): 接收候选人答案调用评分函数 if len(req.answer_text.strip()) 10: return {question_id: req.question_id, score: 0, comment: 回答过短无法判断} score simple_score(req.answer_text) return {question_id: req.question_id, score: score, comment: 根据关键词规则评分}代码说明start_interview返回session_id前端需要保存这个 ID后续提交答案时带着它用来防止重复提交。submit_answer里先用长度判断过滤掉无效回答再调用simple_score函数。random.sample从题库中抽取不重复题目第二个参数k是一次面试的题量课程项目里 2-3 道就够。3.3 评分模块基于关键词模型的混合评分参数如何调如果只在代码里写“回答包含‘闭包’就加 10 分”答辩时很容易被问“如果候选人换一种说法呢”。所以常见做法是引入一个轻量级文本相似度模型比如利用difflib配合关键词权重。# backend/score.py import difflib def keyword_score(answer: str, keywords: list[str]) - float: 基础关键词命中每个关键词视为一个得分点 hit sum(1 for kw in keywords if kw.lower() in answer.lower()) return hit / len(keywords) * 100 def similarity_score(answer: str, reference: str) - float: 使用 SequenceMatcher 计算与参考答案的相似度 matcher difflib.SequenceMatcher(None, answer, reference) return matcher.ratio() * 100 def mixed_score(answer: str, keywords: list[str], reference: str) - float: kw keyword_score(answer, keywords) sim similarity_score(answer, reference) # 权重分配关键词 30%相似度 70% return round(kw * 0.3 sim * 0.7, 2)参数说明keywords是出题时预设的得分点比如题目“解释 GIL”关键词可以是[全局锁, 线程, 同一时刻]。reference是参考答案的完整句子。实际产生的分数会被mixed_score的0.3:0.7权重拉偏这组权重可以调如果想让系统更宽容把相似度权重降到 0.5如果想让答案必须踩到专业术语则把关键词权重提到 0.6。调参时建议准备 10 条人工标注答案画出分数分布再决定改多少。4. 本地跑通并解决最常踩的五个坑4.1 环境安装Python 版本、虚拟环境和依赖锁定课程设计最常见的环境灾难是代码是在 Python 3.8 下写的但你的机器装了 3.12于是async相关语法或者某些库的版本冲突了。建议先查看压缩包内是否有.python-version文件或 CI 配置。没有的话观察requirements.txt里的依赖版本。python --version # 检查当前版本 python -m venv venv source venv/bin/activate pip install --upgrade pip pip install -r backend/requirements.txt如果requirements.txt缺失不要硬装。先试着运行import flask、import fastapi缺什么补什么。对于课程作业最简单的方法是不要再追新版本而是安装能跑通的旧版本。比如有的项目在 Flask 2.x 下正常但 Flask 3.x 后before_first_request被移除导致启动报错。这时你可以直接在环境中固定版本pip install flask2.2.54.2 数据库初始化与初始数据导入多数智能面试系统会使用 MySQL 或 SQLite。如果是 SQLite代码里通常自带一个test.db解压后直接能跑。如果是 MySQL你需要手动建库然后导入database/init.sql。mysql -u root -p database/init.sql导入前先打开init.sql看第一行有没有CREATE DATABASE。如果没有需要先手动建库CREATE DATABASE interview_system DEFAULT CHARACTER SET utf8mb4; USE interview_system; SOURCE /path/to/init.sql;utf8mb4很重要因为候选人答案里可能有 emoji或者中文表情符号用旧版utf8会报Incorrect string value。4.3 常见错误对照表与解决思路报错现象可能原因解决步骤ModuleNotFoundError: pymysql依赖列表遗漏pip install pymysql并在代码中确认数据库连接驱动Unknown database interview未建库手动执行建库语句再跑 init.sql(2003, Cant connect to MySQL server on localhost)MySQL 服务未启动检查服务状态Windows 下net start mysqlMac/ Linux 下systemctl start mysqlValueError: Unknown timezone: Asia/Shanghai连接串里时区配置无法识别在连接 URL 后加?server_timezoneAsia/Shanghai或8:00unzip: zip is not recognizedWindows 环境缺少 unzip 命令使用 7-Zip 图形界面或 PowerShell 的Expand-Archive表格里的最后一个报错和热词里的“7 zip百度网盘”挂钩不要从网盘下载来路不明的“绿色版”压缩软件直接安装官方 7-Zip或者用 Windows 自带解压功能即可。对于已经解压失败的项目文件不要反复解压到同一个目录先删干净再重新解压避免旧文件残留覆盖。4.4 启动前端页面与后端服务的顺序前后端分离的课程项目前端可能是一个Vue工程也可能只是一个index.html。如果只有 HTML 文件直接用浏览器打开index.html即可但要注意这类页面通常做了fetch请求浏览器会拦截跨域你需要让后端允许来自file://的请求。# 在 FastAPI/Flask 入口文件中添加 CORS 中间件 from fastapi.middleware.cors import CORSMiddleware app.add_middleware( CORSMiddleware, allow_origins[*], # 仅用于本地演示 allow_methods[*], allow_headers[*], )allow_origins[*]表示所有来源都允许生产环境绝不能这样但课程作业本地演示可以接受。启动顺序是先运行 MySQL再启动后端用uvicorn app:app --reload --port 8000最后打开前端页面。如果前端页面里写死了http://127.0.0.1:8080/api你需要手动确认端口是否一致不一致时要么改前端请求地址要么后端启动时换端口。5. 让它在演示现场不崩三件套准备5.1 用 Docker 打包后端前端一次启动答辩现场经常遇到“我机器上能跑换一台就不能跑”的尴尬。给智能面试系统写一个简单的 Dockerfile 会很有用。下面的 Dockerfile 适用于后端前端如果是静态文件也可以直接打进同一个镜像里。# Dockerfile FROM python:3.10-slim WORKDIR /app COPY backend/requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY backend/ . COPY frontend/ ./frontend EXPOSE 8000 CMD [uvicorn, app:app, --host, 0.0.0.0, --port, 8000]构建与运行命令docker build -t smart-interview . docker run -p 8000:8000 smart-interview注意--host 0.0.0.0是必须的否则容器外部无法访问。EXPOSE 8000只是声明实际端口映射靠-p完成。5.2 准备默认演示账号和种子数据演示时最怕临时注册账号花半小时填写资料。所以应该在代码里预设一个demo账号。在init.sql中插入以下内容。INSERT INTO users (username, password_hash, role) VALUES (demo, pbkdf2:sha256:..., candidate);密码哈希值不能直接写明文。你可以在本地用 Python 生成from werkzeug.security import generate_password_hash print(generate_password_hash(demo123))把生成的值替换到 SQL 中。同时再插入两条候选人回答记录这样打开系统就能看到历史评估结果不用现场从零表演。5.3 录制演示视频的小技巧如果老师要求提交演示视频别用手机对着屏幕拍。开个录制工具流程控制在三分钟内。先用默认账号登录选择“Python 后端开发”岗位答一道题后展示评分页最后打开数据库表interview_result指着其中一行说明评分持久化。这个顺序比在系统里乱点更能说明你理解数据流。另外不要把 zip 包里的报告逐字念一遍老师重点想听的是你如何设计题库与评分权重的关联以及如果用户恶意输入超长文本系统如何截断或报错——提前在代码里加上最大长度校验并在视频里演示一下是很好的加分项。本文还有配套的精品资源点击获取 从压缩包到可演示系统：智能面试课程设计部署与调优指南
简介这是一份面向毕业设计或课程作业的智能面试系统完整项目基于Python语言开发融合自然语言处理、机器学习与计算机视觉技术覆盖语音转写、语义解析、情感分析、表情识别及面试评估等核心功能适合计算机、人工智能相关专业学生用于实战练习与二次开发。压缩包体积仅468KB包含13个文件其中Python脚本分别用于数据处理、模型调用与前端界面搭建并配有交互页面、示例数据、Docker部署文件、依赖清单和说明文档便于快速还原环境并理解系统架构目前已有79人学习/下载可作为毕业设计选题的参考答案也是课程作业的实用蓝本。通过研究该项目读者能掌握AI面试系统从数据输入、模型推理到结果展示的完整链路理解NLP语义理解、机器学习行为评估、CV表情捕捉等模块的落地方式同时还能学习到多文件项目的组织方式、配置管理方法以及基于容器的云部署思路对独立完成一个中小型AI应用极具帮助。1. 拿到“智能面试系统.zip”之后先想清楚它该长什么样一个命名为“毕设课程作业_智能面试系统.zip”的压缩包通常意味着你从学长、导师或某篇博客里扒下了一份可供改造的课程设计项目。它不是生产级产品而是一个能在一两分钟内讲清“候选人进来-系统出题-自动评估-给出报告”的演示系统。这类项目大多由三块组成一个管理后台维护题目和岗位模型一个前端页面接收用户输入与语音/文本回答以及一个打分逻辑——既可能是规则匹配也可能接了大模型接口。拿到这份 zip 的第一件事不是解压而是先判断你能从里面获得什么以及你要往里面补什么。它解决的是“没有真实面试官时如何用程序模拟一次结构化面试”这个教学问题适合计算机相关专业的学生理解 NLP 基础、Web 全栈以及在课程答辩时讲清设计思路。接下来的步骤会带你把它从压缩包变成能演示的系统。2. 解压前先体检zip 包的完整性、结构和安全检查2.1 用 7-Zip 和命令行检查 zip 是否损坏很多同学双击 zip 后遇到“error read zip archive怎么解决”这种报错通常不是文件坏了而是下载过程中被浏览器截断或者压缩包在网盘里被重新包装过。我一般不会直接双击而是先在终端里执行完整性测试。unzip -t 毕设\课程作业_智能面试系统.zip参数说明-t是 test 模式只测试文件完整性不实际解压。输出中每一行都会显示ok或错误信息。如果看到bad CRC或者End-of-central-directory signature not found就说明文件一定损坏重新下载是首选不要尝试用“zip压缩包密码破解工具”之类的方法去修复——破解工具针对的是加密限制解决不了物理损坏。检查通过后再列出压缩包内部的目录结构避免解压出一个文件乱飞的项目。unzip -l 毕设\课程作业_智能面试系统.zip | head -50-l只列出文件名不解压。头部 50 行足够让你判断这份作业的完整度是否有README.md、是否有requirements.txt或pom.xml、是否有database或sql目录。常见的课程设计 zip 里还会附带一份《项目报告.docx》或《答辩PPT》这些在-l里能直接看到。2.2 解压后的典型目录结构源码、SQL、README、报告确认完整后建议解压到独立目录并观察第一层结构。一个合格的“智能面试系统”压缩包通常会有这样的骨架smart-interview/ ├── backend/ │ ├── app.py │ ├── models.py │ ├── requirements.txt │ └── config.py ├── frontend/ │ ├── index.html │ ├── static/ (css/js) │ └── package.json ├── database/ │ └── init.sql ├── docs/ │ └── 项目报告.docx └── README.mdREADME.md是第一落点。很多糟糕的课程作业会把环境配置藏在本机导致 zip 里只有代码没有运行说明。如果你打开 README里面没有写明 Python 版本、数据库名称、初始账号那么你需要从config.py或.env文件反推。这个反推过程也是课程答辩时老师最喜欢问的“你的项目怎么部署”2.3 别急着跑代码先看数据库脚本和依赖清单我见过太多人解压后直接python app.py然后报ModuleNotFoundError: MySQLdb又花半小时装列表之外的东西。正确顺序是先读requirements.txt或package.json再读 SQL 初始化脚本最后才启动项目。cd smart-interview python -m venv venv source venv/bin/activate # Windows 下用 venv\Scripts\activate pip install -r backend/requirements.txt这里的逻辑是数据库脚本决定了你手上有哪些字段比如candidates表里可能只有姓名和期望岗位而评分表里则是从0到100的整数。知道这些你才能决定是补数据还是改代码来适配空壳数据库。如果压缩包的数据库脚本里没有初始题目数据你还需要手动插入几条面试题这部分会在第 4 章展开。3. 智能面试系统的核心链路题库、会话与自动评分3.1 从简历解析到第一道面试题一种可落地的设计课程作业里的“智能”通常并不需要你训练神经网络。更可靠的方案是用规则从用户输入中提取技能关键词比如“Python”“Java”“项目管理”再匹配题库表中打好的标签。这是理解智能面试系统的最短路径。系统流程拆解如下候选人注册后前端展示一个“开始面试”按钮后端在会话开始时随机挑选 3-5 道与岗位相关的题目每道题下方有文本框或语音输入提交后立刻触发评分逻辑全部完成后展示总分与每道小题的评语。这个链路里的关键设计是面试会话状态机——你不能让用户刷新页面后还能重新提交同一道题。3.2 用 Python FastAPI 实现一个最小面试接口这里我选择 FastAPI 而不是 Flask因为课程作业答辩时你可以多讲一句“用了异步请求”和“自动生成 OpenAPI 文档”。下面的代码只保留了取题和提交答案两个核心端点。# backend/app.py from fastapi import FastAPI, HTTPException from pydantic import BaseModel import random import uuid app FastAPI() # 模拟题库实际项目里这里查数据库 QUESTION_POOL { python: [ {id: 1, text: 解释一下 Python 的 GIL 作用, tags: [python]}, {id: 2, text: list 和 tuple 区别是什么, tags: [python]}, ], java: [ {id: 3, text: Java 内存模型是什么, tags: [java]}, ], } class InterviewRequest(BaseModel): job_tag: str # 岗位标签如 python/java class AnswerRequest(BaseModel): session_id: str question_id: int answer_text: str app.post(/api/start_interview) def start_interview(req: InterviewRequest): 根据岗位标签随机取题并创建一个面试会话 questions QUESTION_POOL.get(req.job_tag, []) if not questions: raise HTTPException(status_code404, detail没有找到对应岗位的题目) session_id str(uuid.uuid4()) selected random.sample(questions, kmin(2, len(questions))) return {session_id: session_id, questions: selected} app.post(/api/submit_answer) def submit_answer(req: AnswerRequest): 接收候选人答案调用评分函数 if len(req.answer_text.strip()) 10: return {question_id: req.question_id, score: 0, comment: 回答过短无法判断} score simple_score(req.answer_text) return {question_id: req.question_id, score: score, comment: 根据关键词规则评分}代码说明start_interview返回session_id前端需要保存这个 ID后续提交答案时带着它用来防止重复提交。submit_answer里先用长度判断过滤掉无效回答再调用simple_score函数。random.sample从题库中抽取不重复题目第二个参数k是一次面试的题量课程项目里 2-3 道就够。3.3 评分模块基于关键词模型的混合评分参数如何调如果只在代码里写“回答包含‘闭包’就加 10 分”答辩时很容易被问“如果候选人换一种说法呢”。所以常见做法是引入一个轻量级文本相似度模型比如利用difflib配合关键词权重。# backend/score.py import difflib def keyword_score(answer: str, keywords: list[str]) - float: 基础关键词命中每个关键词视为一个得分点 hit sum(1 for kw in keywords if kw.lower() in answer.lower()) return hit / len(keywords) * 100 def similarity_score(answer: str, reference: str) - float: 使用 SequenceMatcher 计算与参考答案的相似度 matcher difflib.SequenceMatcher(None, answer, reference) return matcher.ratio() * 100 def mixed_score(answer: str, keywords: list[str], reference: str) - float: kw keyword_score(answer, keywords) sim similarity_score(answer, reference) # 权重分配关键词 30%相似度 70% return round(kw * 0.3 sim * 0.7, 2)参数说明keywords是出题时预设的得分点比如题目“解释 GIL”关键词可以是[全局锁, 线程, 同一时刻]。reference是参考答案的完整句子。实际产生的分数会被mixed_score的0.3:0.7权重拉偏这组权重可以调如果想让系统更宽容把相似度权重降到 0.5如果想让答案必须踩到专业术语则把关键词权重提到 0.6。调参时建议准备 10 条人工标注答案画出分数分布再决定改多少。4. 本地跑通并解决最常踩的五个坑4.1 环境安装Python 版本、虚拟环境和依赖锁定课程设计最常见的环境灾难是代码是在 Python 3.8 下写的但你的机器装了 3.12于是async相关语法或者某些库的版本冲突了。建议先查看压缩包内是否有.python-version文件或 CI 配置。没有的话观察requirements.txt里的依赖版本。python --version # 检查当前版本 python -m venv venv source venv/bin/activate pip install --upgrade pip pip install -r backend/requirements.txt如果requirements.txt缺失不要硬装。先试着运行import flask、import fastapi缺什么补什么。对于课程作业最简单的方法是不要再追新版本而是安装能跑通的旧版本。比如有的项目在 Flask 2.x 下正常但 Flask 3.x 后before_first_request被移除导致启动报错。这时你可以直接在环境中固定版本pip install flask2.2.54.2 数据库初始化与初始数据导入多数智能面试系统会使用 MySQL 或 SQLite。如果是 SQLite代码里通常自带一个test.db解压后直接能跑。如果是 MySQL你需要手动建库然后导入database/init.sql。mysql -u root -p database/init.sql导入前先打开init.sql看第一行有没有CREATE DATABASE。如果没有需要先手动建库CREATE DATABASE interview_system DEFAULT CHARACTER SET utf8mb4; USE interview_system; SOURCE /path/to/init.sql;utf8mb4很重要因为候选人答案里可能有 emoji或者中文表情符号用旧版utf8会报Incorrect string value。4.3 常见错误对照表与解决思路报错现象可能原因解决步骤ModuleNotFoundError: pymysql依赖列表遗漏pip install pymysql并在代码中确认数据库连接驱动Unknown database interview未建库手动执行建库语句再跑 init.sql(2003, Cant connect to MySQL server on localhost)MySQL 服务未启动检查服务状态Windows 下net start mysqlMac/ Linux 下systemctl start mysqlValueError: Unknown timezone: Asia/Shanghai连接串里时区配置无法识别在连接 URL 后加?server_timezoneAsia/Shanghai或8:00unzip: zip is not recognizedWindows 环境缺少 unzip 命令使用 7-Zip 图形界面或 PowerShell 的Expand-Archive表格里的最后一个报错和热词里的“7 zip百度网盘”挂钩不要从网盘下载来路不明的“绿色版”压缩软件直接安装官方 7-Zip或者用 Windows 自带解压功能即可。对于已经解压失败的项目文件不要反复解压到同一个目录先删干净再重新解压避免旧文件残留覆盖。4.4 启动前端页面与后端服务的顺序前后端分离的课程项目前端可能是一个Vue工程也可能只是一个index.html。如果只有 HTML 文件直接用浏览器打开index.html即可但要注意这类页面通常做了fetch请求浏览器会拦截跨域你需要让后端允许来自file://的请求。# 在 FastAPI/Flask 入口文件中添加 CORS 中间件 from fastapi.middleware.cors import CORSMiddleware app.add_middleware( CORSMiddleware, allow_origins[*], # 仅用于本地演示 allow_methods[*], allow_headers[*], )allow_origins[*]表示所有来源都允许生产环境绝不能这样但课程作业本地演示可以接受。启动顺序是先运行 MySQL再启动后端用uvicorn app:app --reload --port 8000最后打开前端页面。如果前端页面里写死了http://127.0.0.1:8080/api你需要手动确认端口是否一致不一致时要么改前端请求地址要么后端启动时换端口。5. 让它在演示现场不崩三件套准备5.1 用 Docker 打包后端前端一次启动答辩现场经常遇到“我机器上能跑换一台就不能跑”的尴尬。给智能面试系统写一个简单的 Dockerfile 会很有用。下面的 Dockerfile 适用于后端前端如果是静态文件也可以直接打进同一个镜像里。# Dockerfile FROM python:3.10-slim WORKDIR /app COPY backend/requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY backend/ . COPY frontend/ ./frontend EXPOSE 8000 CMD [uvicorn, app:app, --host, 0.0.0.0, --port, 8000]构建与运行命令docker build -t smart-interview . docker run -p 8000:8000 smart-interview注意--host 0.0.0.0是必须的否则容器外部无法访问。EXPOSE 8000只是声明实际端口映射靠-p完成。5.2 准备默认演示账号和种子数据演示时最怕临时注册账号花半小时填写资料。所以应该在代码里预设一个demo账号。在init.sql中插入以下内容。INSERT INTO users (username, password_hash, role) VALUES (demo, pbkdf2:sha256:..., candidate);密码哈希值不能直接写明文。你可以在本地用 Python 生成from werkzeug.security import generate_password_hash print(generate_password_hash(demo123))把生成的值替换到 SQL 中。同时再插入两条候选人回答记录这样打开系统就能看到历史评估结果不用现场从零表演。5.3 录制演示视频的小技巧如果老师要求提交演示视频别用手机对着屏幕拍。开个录制工具流程控制在三分钟内。先用默认账号登录选择“Python 后端开发”岗位答一道题后展示评分页最后打开数据库表interview_result指着其中一行说明评分持久化。这个顺序比在系统里乱点更能说明你理解数据流。另外不要把 zip 包里的报告逐字念一遍老师重点想听的是你如何设计题库与评分权重的关联以及如果用户恶意输入超长文本系统如何截断或报错——提前在代码里加上最大长度校验并在视频里演示一下是很好的加分项。本文还有配套的精品资源点击获取