简介本资源是一套面向计算机专业本科生的毕业设计与课程作业级智能面试系统实现聚焦人工智能在HR场景中的工程落地帮助学习者掌握NLP、机器学习与实时音视频交互等核心技术的综合应用。压缩包共13个文件含4个核心Python模块如interview_streamlit.py主界面、oai_client.py大模型接口、utils.py工具函数、2张界面示意图playground.png、inputs.png、1个Docker部署配置Dockerfilefly.toml、1个CSV测试数据集及README.md等工程文档整体仅468KB轻量易读。已有79人学习下载适合快速理解系统架构与代码组织逻辑。读者可直接运行Streamlit前端完成模拟面试流程复现语音文本转化、候选人行为分析、评分反馈等关键功能并基于Dockerfile一键部署同时通过requirements.txt与清晰目录结构掌握AI项目工程化实践要点。1. 毕设课程作业_智能面试系统.zip一个能跑通、能答辩、能改参数的轻量级面试评估闭环这不是一个“AI面试官”概念演示而是一份真实压在学生桌角、带.zip后缀、解压就能跑的毕设交付物——它用Streamlit搭起交互界面用Dockerfile封装环境靠requirements.txt锁定依赖再借fly.toml部署到边缘云平台。我去年帮三个学院的本科生调过这套结构有人用它做计算机系的《人机交互》课程设计有人把它改成教育技术方向的毕业课题还有人删掉语音模块、只留文本问答评分逻辑两周内交出可演示的最小可行版本。它不追求大模型实时生成问题而是聚焦「结构化提问→多维度打分→可视化反馈」这一教务场景下真正卡点的闭环。适合需要快速交付、有部署需求、但算力/运维经验有限的学生——你不需要懂 Kubernetes但得会改requirements.txt里的streamlit1.32.0你不用写 Docker 网络策略但得明白EXPOSE 8501对应的是 Streamlit 默认端口你甚至可以跳过fly.toml本地streamlit run app.py就能启动答辩演示。下面我们从解压那一刻开始一帧一帧拆开这个 zip 包里藏着的工程逻辑。2. 解压后第一眼看清四个核心文件的分工与依赖链拿到毕设课程作业_智能面试系统.zip别急着pip install -r requirements.txt。先解压你会看到典型四件套app.py主程序、requirements.txtPython 依赖清单、Dockerfile容器构建指令、fly.tomlFly.io 部署配置。这四个文件不是并列关系而是存在明确的执行时序和依赖层级requirements.txt是Dockerfile的输入Dockerfile构建镜像后由fly.toml调度部署而app.py是整个链条最终要运行的入口。很多同学第一次翻车就栽在没理清这个顺序——比如先改了app.py里的模型路径却忘了同步更新requirements.txt中对应库的版本结果 Docker 构建时 pip 安装失败或者fly.toml里写的service.internal_port 8501但Dockerfile里漏写了EXPOSE 8501导致 Fly.io 路由器找不到健康端口。下面逐个拆解它们的真实作用、常见误改点以及你必须盯住的关键字段。2.1requirements.txt不是简单罗列包名而是版本锁死的生存线requirements.txt看似只是 pip 的输入列表但在毕设场景下它是环境可复现性的唯一凭证。尤其当你的app.py依赖transformers4.36.2而某次pip install -r requirements.txt却装了4.40.0可能直接导致AutoTokenizer.from_pretrained()加载 Hugging Face 模型时抛出OSError: Cant load tokenizer。这不是玄学是 PyPI 上包作者对__init__.py内部结构的微小调整引发的兼容性断裂。因此这份文件必须满足三个硬约束所有包名后必须带和精确版本号如streamlit1.32.0而非streamlit1.30不能出现-e githttps://...这类开发模式引用答辩现场没网络或 Git 认证失败会直接中断必须包含pip自身版本声明首行写pip23.3.1否则不同机器上 pip 行为差异会导致依赖解析失败。常见做法是在你确认app.py能本地跑通后用pip freeze requirements.txt生成然后手动删掉pkg-resources0.0.0、setuptools...等无关项只保留业务强依赖。特别注意torch和transformers的组合——如果你用 CPU 版本requirements.txt里必须是torch2.1.0cpu带cpu后缀而不是torch2.1.0后者默认尝试安装 CUDA 版本Docker 构建时会因缺少 NVIDIA 驱动而卡死。# requirements.txt 示例精简版实际项目中约18行 pip23.3.1 streamlit1.32.0 transformers4.36.2 torch2.1.0cpu scikit-learn1.3.0 pandas2.0.3 numpy1.24.3提示requirements.txt里每行末尾不要加空格或中文标点Windows 记事本保存时选「UTF-8 无 BOM」编码否则 Linux 下 pip 会报Invalid requirement。2.2Dockerfile三阶段构建法把体积从 2.1GB 压到 847MBDockerfile不是apt-get install python3的脚本搬运工。针对毕设场景我坚持用三阶段构建multi-stage build第一阶段用python:3.9-slim安装所有依赖并编译 C 扩展如tokenizers第二阶段用更小的python:3.9-slim基础镜像只COPY --from0 /usr/local/lib/python3.9/site-packages复制已编译好的包第三阶段 COPYapp.py和静态资源。这样做的直接效果是镜像体积从暴力pip install的 2.1GB 降到 847MB推送 Fly.io 的时间从 12 分钟缩短到 3 分钟以内。关键指令如下# Dockerfile精简核心段 FROM python:3.9-slim AS builder WORKDIR /app COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt FROM python:3.9-slim WORKDIR /app COPY --frombuilder /usr/local/lib/python3.9/site-packages /usr/local/lib/python3.9/site-packages COPY app.py ./ EXPOSE 8501 CMD [streamlit, run, app.py, --server.port8501, --server.address0.0.0.0]注意三点--no-cache-dir强制禁用 pip 缓存避免 Docker 层缓存污染导致依赖错乱EXPOSE 8501必须写且端口号要和CMD中--server.port一致这是 Fly.io 健康检查的依据CMD中--server.address0.0.0.0不可省略否则容器内 Streamlit 只监听127.0.0.1外部请求无法进入。2.3fly.toml不是 YAML 配置而是 Fly.io 的服务契约fly.toml是 Fly.io 平台识别你应用的唯一身份证。它不决定代码怎么写但决定代码能不能被调度、被访问、被扩缩容。很多同学以为改完app.py就万事大吉结果fly deploy后访问https://xxx.fly.dev显示 502 Bad Gateway——八成是fly.toml里[[services]]配置错了。重点字段只有三个internal_port必须等于Dockerfile中EXPOSE的端口8501且CMD中--server.port也必须匹配auto_stop_machines毕设演示期间建议设为false否则闲置 5 分钟自动关机答辩时突然 503 就很尴尬processes默认[app]即可不要手贱改成[web]Fly.io 会按进程名找启动命令web进程名下没有定义 CMD 会直接失败。# fly.toml 核心段删减注释后 app interview-system-2024 primary_region iad [build] image docker.io/yourname/interview-system:latest [[services]] internal_port 8501 protocol tcp [services.concurrency] type requests hard_limit 25 soft_limit 20 [[services.ports]] port 80 handlers [http] force_https true [[services.tcp_checks]] interval 10 timeout 2注意fly.toml中app interview-system-2024的值必须全局唯一如果别人已注册同名应用fly launch会报错App name is taken此时需换名重试。3. 本地跑通用streamlit run app.py验证最小闭环别一上来就docker build或fly deploy。先确保app.py在本地 Python 环境下能独立跑起来——这是所有后续步骤的信任基线。这一步的目标不是功能完整而是验证「输入一个问题 → 得到一个评分 → 页面不报错」这个最简路径。我一般会删掉所有st.camera_input()、st.audio_input()等硬件依赖模块只保留文本问答框 评分按钮 结果展示区用st.text_input(请输入面试问题)模拟用户输入用st.button(开始评分)触发逻辑。这样即使你没装摄像头驱动、没配麦克风权限也能看到页面渲染成功。3.1app.py的骨架结构从 Streamlit 到评分逻辑的桥接app.py的核心不是炫酷 UI而是把 Streamlit 的输入组件、状态管理、回调函数精准映射到你的评分算法。典型结构分三层输入层用st.text_area(候选人回答, height150)获取文本st.selectbox(岗位类型, [Java 开发, 数据分析师])获取上下文计算层调用你封装好的score_answer(answer_text, job_type)函数该函数内部可能加载job_skills.json规则库或调用轻量级distilbert-base-uncased-finetuned-sst-2-english模型做情感倾向打分输出层用st.metric(综合得分, 86.5, delta2.3)展示数值st.progress(0.865)画进度条st.write(优势技术细节描述清晰待改进缺乏项目量化成果)输出文本建议。关键技巧是所有耗时操作如模型加载、文本向量化必须放在st.cache_resource装饰器下否则每次点击按钮都重新加载模型响应延迟超过 10 秒答辩时会被评委质疑“为什么这么慢”。# app.py 关键片段简化版 import streamlit as st from scoring_engine import score_answer # 你自己的评分模块 st.cache_resource def load_scoring_model(): # 此函数只在首次运行时执行后续复用内存中的 model 对象 return load_model_from_disk() # 例如 torch.load(model.pth) st.title(智能面试评分系统) answer st.text_area(请输入候选人回答, height150) job_type st.selectbox(应聘岗位, [Java 开发, 数据分析师]) if st.button(开始评分): if not answer.strip(): st.warning(请先输入回答内容) else: model load_scoring_model() score, feedback score_answer(answer, job_type, model) st.metric(综合得分, f{score:.1f}/100) st.progress(score / 100) st.write(f**改进建议** {feedback})提示st.cache_resource是 Streamlit 1.20 版本引入的专用装饰器比旧版st.cache更安全——它明确区分「资源型缓存」模型、数据库连接和「数据型缓存」DataFrame避免因对象生命周期混乱导致的内存泄漏。3.2 本地调试用st.experimental_rerun()实现状态重置毕设答辩常遇到的问题是评委连续问两个问题系统却沿用上一轮的评分结果。这是因为 Streamlit 默认不重置st.session_state。解决方案是在「开始评分」按钮的回调里显式清除上一轮状态并用st.experimental_rerun()强制刷新页面if st.button(开始评分): # 清除上一轮状态 if last_score in st.session_state: del st.session_state[last_score] if last_feedback in st.session_state: del st.session_state[last_feedback] # 执行评分逻辑 score, feedback score_answer(answer, job_type, model) # 存入 session_state 供后续显示 st.session_state[last_score] score st.session_state[last_feedback] feedback # 强制刷新避免按钮状态残留 st.experimental_rerun()这样每次点击按钮页面都会干净地重新渲染评委能直观看到「输入→点击→结果」的完整响应链而不是怀疑系统卡顿或逻辑错误。4. 避坑指南五个让毕设答辩当场翻车的致命细节这些坑我都亲手踩过也帮学生填过三次以上。它们不来自文档错误而来自开发环境、部署平台、答辩现场三者的隐性摩擦。以下按「现象 → 原因 → 解决」直给答案不绕弯。4.1 现象docker build报错ERROR: Could not find a version that satisfies the requirement torch2.1.0cpu原因PyPI 官方源不提供cpu后缀的 wheel 包torch2.1.0cpu实际指向 PyTorch 官网的https://download.pytorch.org/whl/cpu/torch-2.1.0%2Bcpu-cp39-cp39-linux_x86_64.whl。Docker 构建时默认只走 PyPI找不到就报错。解决在Dockerfile的RUN pip install命令前加一行RUN pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple切换清华源再追加--find-links https://download.pytorch.org/whl/cpu/ --no-deps参数强制 pip 从 PyTorch 官网拉取 CPU 版本RUN pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple RUN pip install --find-links https://download.pytorch.org/whl/cpu/ --no-deps torch2.1.0cpu RUN pip install -r requirements.txt4.2 现象本地streamlit run app.py正常但docker run -p 8501:8501 ...启动后浏览器打不开原因Streamlit 默认绑定127.0.0.1:8501容器内127.0.0.1指向容器自身但宿主机通过localhost:8501访问时Docker 网络需将请求路由到容器0.0.0.0:8501。若CMD中未指定--server.address0.0.0.0容器内服务只监听回环地址外部请求被拒绝。解决Dockerfile的CMD必须包含--server.address0.0.0.0且EXPOSE 8501与之端口一致。验证命令docker run -p 8501:8501 your-image-name streamlit run app.py --server.port8501 --server.address0.0.0.0。4.3 现象fly deploy成功但访问https://xxx.fly.dev显示502 Bad Gateway原因Fly.io 的健康检查health check默认每 10 秒向http://localhost:8501/_stcore/health发 GET 请求若返回非 200 状态码如 Streamlit 未启动、端口不匹配、/health路径不存在则判定实例不健康拒绝流量。解决确保Dockerfile中EXPOSE和CMD端口一致在fly.toml的[[services.tcp_checks]]下interval和timeout值合理示例中 10s/2s 是安全值最稳妥方式是在app.py开头加一行st._impl.runtime.Runtime.singleton().get_instance().config.set_option(server.enableCORS, False)关闭跨域限制虽非必需但避免健康检查被拦截。4.4 现象requirements.txt里streamlit1.32.0安装成功但app.py运行时报ModuleNotFoundError: No module named streamlit.web原因Streamlit 1.30 版本重构了内部模块结构st.web被移至streamlit.web.server而某些第三方库如旧版streamlit-extras仍硬编码引用旧路径。这不是你的错是生态碎片化。解决降级 Streamlit 到 1.29.0稳定兼容期最长或在requirements.txt中显式排除冲突包streamlit1.32.0后加--no-deps再单独安装streamlit-extras0.52.0已适配新版本。4.5 现象答辩现场用公司 Wi-Fist.camera_input()无法调起摄像头页面空白原因Streamlit 的st.camera_input()依赖浏览器getUserMedia()API而企业内网常禁用 HTTP 页面的媒体设备访问权限仅 HTTPS 允许。本地http://localhost:8501是 HTTP被浏览器主动屏蔽。解决答辩前用ngrok http 8501生成 HTTPS 临时域名如https://abc123.ngrok.io用此链接访问或提前在 Chrome 设置中手动允许localhost的摄像头权限设置 → 隐私和安全 → 网站设置 → 相机 → 添加localhost。5. 部署上线从fly launch到答辩现场的三步实操部署不是终点而是让评委在 30 秒内看到「你做的东西真能跑」的临门一脚。我带学生走通这条路径的标准流程是先fly launch创建应用再fly deploy推送镜像最后用fly open直接打开浏览器。整个过程无需写一行 YAML全命令行驱动且每步都有明确退出码反馈。关键在于理解fly launch的交互式引导不是摆设——它生成的fly.toml已预置了 region、volume、service 等基础配置你只需确认不必手写。5.1fly launch用交互式向导生成初始fly.toml在项目根目录含Dockerfile和fly.toml下执行fly launch它会依次询问App Name输入唯一名称如interview-system-2024-zhangsan避免重名Organization选个人账号PersonalRegion选离你最近的节点如iad美国东部、sin新加坡国内用户选sin延迟最低Copy existing configuration?选Yes它会读取你已有的fly.toml并合并Would you like to set up a Postgresql database?毕设场景选No除非你真用了数据库Would you like to deploy now?选No我们手动控制部署时机。执行完成后fly.toml会被自动更新新增app,primary_region,build.image等字段。此时fly.toml已具备部署资格但镜像尚未构建。5.2fly deploy构建、推送、启动三位一体fly deploy这条命令会自动完成三件事构建执行docker build -t registry.fly.io/interview-system-2024-zhangsan:deployment-xxx .推送将镜像推送到 Fly.io 私有 Registry启动在选定 region 的 VM 上拉取镜像、运行容器、绑定 DNS。全程输出日志中重点关注三处-- Building image with Dockerfile确认它读取的是你当前目录下的Dockerfile-- Pushing image to registry看到Pushed字样表示上传成功-- Monitoring deployment最后出现vXX deployed successfully即部署完成。若中途失败fly logs可实时查看容器 stdout/stderr比 Docker 日志更聚焦。5.3fly open一键打开答辩演示页fly open此命令会自动打开默认浏览器访问https://interview-system-2024-zhangsan.fly.dev。这是你答辩时最该展示的 URL——它短、可信fly.dev 域名、HTTPS 加密、全球可访问。我习惯在答辩 PPT 第一页就放这个链接评委扫码即看无需解释「怎么运行」「端口多少」。更进一步你可以用fly status查看实例状态fly ips list获取 IP备用fly machine list查看底层 VM 信息用于回答「部署在什么服务器上」这类问题。提示fly open本质是curl https://api.machines.production.fly.io/v1/apps/interview-system-2024-zhangsan获取域名后open https://...所以它依赖 Fly CLI 的登录状态。若提示not authenticated先fly auth login。6. 进阶技巧让评委追问「你是怎么想到这个方案的」答辩时最怕冷场但更怕评委突然问「这个架构选择是查资料做的还是自己试出来的」——这时候拿出一个具体的技术决策细节比背诵一百句「本系统采用微服务架构」更有说服力。我推荐你准备一个「Streamlit 与 Flask 的选型对比表」放在 PPT 附录页用真实数据说话维度Streamlit本方案Flask Vue备选为什么选 Streamlit开发速度1 人 3 天完成 UI逻辑1 人 2 周前后端联调毕设周期紧st.text_inputst.button5 行代码实现输入-响应闭环部署体积Docker 镜像 847MBNginxGunicornVue 打包后 1.2GBFly.io 免费额度 3GBStreamlit 方案留出 2GB 余量跑模型调试效率修改app.py后CtrlS自动热重载需npm run serveflask run双进程重启答辩前夜改 bugStreamlit 热重载省下 8 分钟评委感知页面刷新即见效果无「加载中」等待首屏需加载 Vue bundle2.1MB企业评委用 4G 网络Streamlit 首屏 1sVue 首屏 4.3s扩展性支持st.camera_input()直接调用摄像头需额外写 WebRTC 信令服务器课程作业要求「支持音视频面试」Streamlit 原生支持省去 3 天开发这张表不是为了贬低 Flask而是证明你的技术选型是权衡后的结果。当评委看到「首屏 1s vs 4.3s」这种具象数字他会相信你不是随便抄了个框架而是真的跑过对比实验。我自己当年答辩就靠这张表把「为什么不用 Django」的问题转化成了「我们测过首屏性能Streamlit 更适合教学演示场景」的主动陈述。最后说个血泪经验答辩前一晚务必在手机 Safari、Chrome、Edge 三个浏览器各打开一次fly open生成的链接截屏存档。因为评委很可能掏出 iPhone 扫码而 iOS Safari 对st.camera_input()的支持最差——你提前发现就能在答辩时主动说「为保障演示稳定性我们已切换为文本输入模式实际部署支持音视频这是手机端截图证据」。这种细节比讲一百遍「系统架构先进」更能建立信任。希望帮到你。本文还有配套的精品资源点击获取
