【免费下载链接】AI-Meeting基于 Spring Boot 3 Java 17 Spring AI MySQL MongoDB Redis SSE/WebSocket实现 AI 对话、智能体会话、AI 模拟面试、实时语音转写、长文本语音合成等核心功能。架构清晰、文档完整支持本地运行与 Docker 一键部署非常适合作为 Spring Boot AI 应用开发、智能体后端设计与简历展示项目。项目地址https://gitcode.com/gh_mirrors/ai/AI-Meeting点击查看免费下载如果你用过 AI 模拟面试大概都遇到过这样的情况答得不完整时面试官不会直接打低分而是再追问一两句深挖一下。这个要不要追问、最多追几次的决策背后不能只靠大模型随口一说——它需要一套确定性的规则来裁决。AI-Meeting是一个基于 Spring Boot 3 Java 17 的 AI 面试平台除了 AI 对话、语音转写最有意思的模块就是 AI 模拟面试。它用LiteFlow 规则链把是否追问拆成了 7 个职责单一的小节点串成一条可配置、可观测、失败可兜底的裁决流水线。本文用通俗的方式带你把这条链走一遍。先看效果追问是怎么发生的在 AI-Meeting 的面试流程里你回答完一题后系统会先让答案评分官工作流打分再决定三件事要不要追问比如答案漏了关键点、得分太低还能不能追问每个主问题默认最多追问 2 次追问问什么由面试提问官工作流生成针对性的追问。第 1、2 件事就是规则链裁决的范围。裁决完成后追问问题会被缓存并以1-F1、1-F2这样的编号挂到主问题下面见 InterviewFollowUpService.java 中的resolveMainQuestionNumber和buildFollowUpQuestionNumber方法最后呈现在结果复盘中。规则链从哪里被触发裁决的入口在答题流水线 InterviewAnswerPipeline.java 的stepAdvanceFlowAndAssemble步骤里评分工作流返回结构化结果后解析出score得分、follow_up_neededAI 建议追问、missing_points缺失要点、follow_up_question追问提示等字段decideFollowUp把这些信息装进一个规则上下文InterviewFollowUpRuleContext.java包含会话 ID、当前题号、已追问次数、得分、是否已结束等然后调用 InterviewFollowUpRuleService.java 的decide方法交给 LiteFlow 执行规则链拿回一个带原因码的裁决结果。一句话AI 负责给建议规则链负责拍板。配置先行一条 YAML 管好所有参数规则引擎的全部参数集中在 interview-followup-rule.yaml对应配置类 InterviewRuleEngineConfiguration.java配置项默认值作用enabletrue规则引擎总开关default-chain-iddefault_followup_chain默认执行哪条链fail-opentrue链路异常时是否回退旧策略不阻断面试rule-versionv1.0.0规则版本用于日志观测default-max-follow-up2每题最多追问次数default-low-score-threshold60低分追问阈值而规则链本身定义在一个 5 行的 XML 文件里——liteflow/interview-followup-chain.xmlchain namedefault_followup_chain THEN(loadFollowUpContext, completedStateGuard, followUpLimitGuard, aiSuggestionJudge, lowScoreJudge, missingPointsJudge, followUpDecisionFinalize); /chainTHEN(...)表示 7 个节点严格串行执行任何节点都可以提前终止整条链。7 个节点逐个拆解所有节点代码都在 application/rule/node/ 目录下每个节点只干一件事1️⃣ loadFollowUpContext —— 参数兜底LoadFollowUpContextNode.java 把最多追问几次解析成一个确定的值缺省时取配置默认值 2保证后续节点拿到的一定是合法数字。2️⃣ completedStateGuard —— 结束守卫CompletedStateGuardNode.java如果面试已经结束最后一题答完直接标记不追问原因码INTERVIEW_COMPLETED。防止面试都收尾了还补刀。3️⃣ followUpLimitGuard —— 次数上限FollowUpLimitGuardNode.java已追问次数 ≥ 上限时直接标记不追问原因码FOLLOW_UP_LIMIT_REACHED。这是深挖但不纠缠的关键护栏。4️⃣ aiSuggestionJudge —— AI 建议采纳AiSuggestionJudgeNode.java评分工作流说这答案值得追问follow_up_neededtrue时标记需要追问原因码AI_SUGGESTED。注意它只是投赞成票最终仍要过后面所有守卫。5️⃣ lowScoreJudge —— 低分触发LowScoreJudgeNode.java得分低于阈值默认 60时同样标记需要追问原因码LOW_SCORE。答得差 多给一次解释机会。6️⃣ missingPointsJudge —— 缺失要点触发MissingPointsJudgeNode.java只要答案存在缺失要点或评分器给出了追问提示就标记需要追问原因码MISSING_POINTS。比如你谈项目只说了技术栈没说难点这里就会被捕获。7️⃣ followUpDecisionFinalize —— 收口FollowUpDecisionFinalizeNode.java 调用 InterviewFollowUpRuleContext.java 的finalizeDecision如果前面没有任何规则命中兜底记为NO_RULE_TRIGGER不追问并把链 ID、规则版本、最终次数上限写入裁决结果。裁决之后发生了什么裁决结果回到流水线后InterviewAnswerPipeline.java需要追问→ 调用 InterviewFollowUpService.java 生成追问。它会带上前文、简历上下文和modeFOLLOW_UP参数调用面试提问官工作流如果工作流挂了就降级使用评分器给出的追问提示保证流程不断。不需要追问→ 直接推进到下一道主问题并把评分计入总分。每一步决策都会打日志带上chainId、reasonCode、ruleVersion、fallback等字段InterviewAnswerPipeline.java线上排查为什么这里没追问时一眼就能定位。为什么这样设计比让 AI 直接决定更稳这套追问裁决链的思路其实很适合任何做 LLM 应用的团队借鉴决策可解释每个追问/不追问都有原因码AI_SUGGESTED/LOW_SCORE/MISSING_POINTS/FOLLOW_UP_LIMIT_REACHED/INTERVIEW_COMPLETED不是玄学护栏与智能分离AI 只负责打分和给建议次数上限、面试结束等硬性约束由确定性节点保证模型失言也不影响流程正确性失败可兜底fail-opentrue时LiteFlow 执行异常会回退到旧策略AI 建议追问且未超限则追问见 InterviewFollowUpRuleService.java 的fallbackDecision规则引擎自身故障不会阻断面试规则即配置调阈值、换链、加节点只需改 YAML/XML 和 node 目录 下的类行为可测试——单测见 InterviewFollowUpRuleServiceTest.java。总结一张图记住追问裁决链评分工作流产出 → 装填规则上下文 → LiteFlow 规则链守卫 → 判官 → 收口 → 需要追问→ 生成追问工作流 降级兜底→ 缓存并推进流程 → 不需要追问→ 推进下一题 → 计分核心要点回顾LiteFlow 规则链把是否追问变成一条 7 节点的串行流水线节点间通过共享上下文传递结论任一守卫节点可提前终止追问上限 2 次、低分阈值 60等参数全部收敛在一份 YAML 中改配置即可调策略fail-open 兜底 原因码日志让这套裁决机制在线上既敢用又查得到想让 AI 面试深挖但不纠缠关键就是这套确定性规则约束非确定性模型的设计。想动手看细节的话从 interview-followup-chain.xml 的 5 行 XML 读起再顺着 rule 目录 把 7 个节点过一遍二十分钟就能吃透整条链。项目内的领域说明文档 scoring-followup-rules.md 也值得对照阅读。赞分享【免费下载链接】AI-Meeting基于 Spring Boot 3 Java 17 Spring AI MySQL MongoDB Redis SSE/WebSocket实现 AI 对话、智能体会话、AI 模拟面试、实时语音转写、长文本语音合成等核心功能。架构清晰、文档完整支持本地运行与 Docker 一键部署非常适合作为 Spring Boot AI 应用开发、智能体后端设计与简历展示项目。项目地址https://gitcode.com/gh_mirrors/ai/AI-Meeting点击查看免费下载相关推荐GitBook AI Assistant 追问排队机制回答生成期间发送追问的实现解析GitBook AI Assistant 追问排队机制回答生成期间发送追问的实现解析 本文深入解析 GitBook 开源前端仓库中 AI Assistant前端后端知识管理10分钟上手VeOmni从安装到运行Qwen3模型的完整指南10分钟上手VeOmni从安装到运行Qwen3模型的完整指南 VeOmni是一个基于PyTorch的原生训练框架能够将任何模态模型训练扩展到任何加速器上。本终极Collapse Launcher完整指南5分钟掌握米哈游游戏管理神器终极Collapse Launcher完整指南5分钟掌握米哈游游戏管理神器 Collapse Launcher是一款专为米哈游游戏玩家设计的高级启动器它不仅桌面应用创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考