山东大学软件学院项目实训-基于大模型的模拟面试系统-个人博客（十）

开发博客：AI面试官个性化出题MCP功能最终完善

本周作为项目开发的最后冲刺阶段，我们致力于进一步增强AI面试官在个性化题目生成方面的能力。核心工作是新增和优化了一系列MCP（Multi-turn Conversation Protocol）工具，旨在为AI面试官提供更丰富、更精准的用户画像和知识背景，从而生成更具针对性的面试题目。

目前整个MCP工具链的结构如下：

本周主要完成的MCP功能模块包括：query_user_submission_stats，query_user_articles，以及search_articles_by_keyword。以下将对这些功能进行详细说明。

1. query_user_submission_stats：用户答题数据统计

• 功能描述： 此工具通过分析用户在在线判题系统（OJ）中的答题记录，评估用户的代码熟练度和能力水平。统计信息包括用户尝试过的题目总数、成功解答的题目总数，以及成功解答题目按难度（简单、中等、困难）的分布情况。
• 实现逻辑：
  1. 工具接收用户ID（userId）作为输入。首先对userId进行校验，确保其为有效的整型数字字符串。
  2. 从oj_code_submission数据库表中查询指定用户的所有提交记录，提取problem_id和status。
  3. 使用Set数据结构统计用户尝试过的所有题目ID（attemptedProblemIds）和状态为“accepted”的题目ID（acceptedProblemIds），以实现自动去重。
  4. 若用户有成功解答的题目（acceptedProblemIds不为空），则进一步从oj_problem表中查询这些已通过题目的难度（difficulty）。
  5. 根据查询到的难度信息，统计“简单”、“中等”、“困难”各自的数量。
  6. 最终返回一个包含总尝试题目数（totalAttempted）、总通过题目数（totalAccepted）以及按难度分类的通过题目数（acceptedByDifficulty）的JSON对象。
  7. 包含完整的错误处理机制，如无效userId或数据库查询失败等情况。
• 价值： AI面试官可以利用这些数据了解候选人的实际编程能力和薄弱环节，从而调整面试题目的难度和类型，实现更精准的考察。
• 代码实现：

  server.tool(
      "query_user_submission_stats",
      "统计用户的答题记录信息，包括已完成题目数和完成题目的按难度分类统计",
      {
          userId: z.string().describe("用户ID,为整形数字的字符串格式"),
      },
      async ({ userId }) => {
          try {
              const mysqlPool = getMySQL();
              const userIdInt = parseInt(userId);
            
              if (isNaN(userIdInt)) {
                  return {
                      content: [{ type: "text", text: `无效的userId格式: ${userId}` }],
                      isError: true
                  };
              }
  
              // 获取用户的提交记录
              const [submissions] = await mysqlPool.query(`
                  SELECT problem_id, status 
                  FROM oj_code_submission 
                  WHERE user_id = ?
              `, [userIdInt]);
            
       
  
              // 统计已尝试和已通过的题目
              const attemptedProblemIds = new Set();
              const acceptedProblemIds = new Set();
              const ACCEPTED_STATUS = "accepted";
  
              for (const submission of submissions) {
                  const problemId = submission.problem_id;
                  // 所有提交过的题目ID（自动去重）
                  attemptedProblemIds.add(problemId);
  
                  // 仅添加ACCEPTED状态的题目ID（自动去重）
                  if (ACCEPTED_STATUS.toLowerCase() === submission.status.toLowerCase()) {
                      acceptedProblemIds.add(problemId);
                  }
              }
  
              // 查询已通过题目的难度分布
              const acceptedProblemsList = Array.from(acceptedProblemIds);
              let difficultyStats = {
                  easy: 0,
                  medium: 0,
                  hard: 0
              };
            
              if (acceptedProblemsList.length > 0) {
                  const [problemDifficulties] = await mysqlPool.query(`
                      SELECT id, difficulty 
                      FROM oj_problem 
                      WHERE id IN (?)
                  `, [acceptedProblemsList]);
  
                  // 按难度统计
                  for (const problem of problemDifficulties) {
                      const difficulty = problem.difficulty ? problem.difficulty.toLowerCase() : 'unknown';
                      if (difficulty === '简单') difficultyStats.easy++;
                      else if (difficulty === '中等') difficultyStats.medium++;
                      else if (difficulty === '困难') difficultyStats.hard++;
                  }
              }
  
              // 构建统计结果
              const stats = {
                  totalAttempted: attemptedProblemIds.size,
                  totalAccepted: acceptedProblemIds.size,
                  acceptedByDifficulty: difficultyStats
              };
  
              return {
                  content: [{ type: "text", text: JSON.stringify(stats, null, 2) }]
              };
          } catch (error) {
              console.error(`查询用户答题统计时发生错误: ${error.message}`);
              return {
                  content: [{ type: "text", text: `查询用户答题统计时发生内部错误: ${error.message}` }],
                  isError: true
              };
          }
      }
  );
  

2. query_user_articles：用户论坛发帖分析

• 功能描述： 该工具用于检索并分析用户近期在社区论坛中发布的文章。目的是从用户的发帖内容中提取其关注的技术方向、感兴趣的公司、讨论过的面试题目等信息，作为个性化出题的参考。
• 实现逻辑：
  1. 工具接收用户ID（userId）作为输入，并进行有效性校验。
  2. 通过联合查询forest_article（文章主表）和forest_article_content（文章内容表），获取指定article_author_id用户的最多20篇最新发布的文章，包括文章标题、标签、浏览/评论/点赞数、创建时间、预览内容及完整内容。
  3. 若未找到用户文章，则返回相应提示。
  4. 如果查询到文章，且配置了DashScope的API密钥（DASHSCOPE_API_KEY）和应用ID（DASHSCOPE_SUM_APP_ID），则将获取的文章数据（JSON格式）作为输入，调用DashScope大模型服务进行内容分析和总结。Prompt中指定为“模式一以分析下面内容”。
  5. AI服务返回对用户发帖内容的提炼信息，该信息将作为出题参考返回。
  6. 若AI调用失败、未配置API密钥或应用ID，则直接返回原始查询到的文章数据（JSON格式）。
  7. 包含数据库查询和AI服务调用的错误处理。
• 价值： 通过用户自身的言论，AI面试官能更深入地了解候选人的求职意向、技术栈偏好以及对特定问题的看法，为生成高度个性化的面试场景和问题提供素材。
• 代码实现：

  server.tool(
      "query_user_articles",
      "根据用户ID获取该用户发布文章，用于作为用户个性化问题出题参考",
      {
          userId: z.string().describe("用户ID,为整形数字的字符串格式"),
      },
      async ({ userId }) => {
          try {
              const mysqlPool = getMySQL();
              const userIdInt = parseInt(userId);
            
              if (isNaN(userIdInt)) {
                  return {
                      content: [{ type: "text", text: `无效的userId格式: ${userId}` }],
                      isError: true
                  };
              }
  
              // 联合查询获取用户的文章及其内容
              const [articles] = await mysqlPool.query(`
                  SELECT 
                      a.id, 
                      a.article_title, 
                      a.article_tags, 
                      a.article_view_count,
                      a.article_comment_count,
                      a.article_thumbs_up_count,
                      a.created_time,
                      a.article_preview_content,
                      c.article_content
                  FROM 
                      forest_article a
                  LEFT JOIN 
                      forest_article_content c ON a.id = c.id_article
                  WHERE 
                      a.article_author_id = ?
                  ORDER BY 
                      a.created_time DESC
                  LIMIT 20
              `, [userIdInt]);
            
              if (!articles || articles.length === 0) {
                  return {
                      content: [{ type: "text", text: `未找到用户ID为${userId}的文章` }]
                  };
              }
  
              // 调用AI处理查询结果
              const apiKey = process.env.DASHSCOPE_API_KEY;
              const appId = process.env.DASHSCOPE_SUM_APP_ID;
  
              if (!apiKey || !appId) {
                  console.error('DashScope API Key or App ID not configured.');
                  return {
                      content: [{ type: "text", text: JSON.stringify(articles, null, 2) }]
                  };
              }
  
              const url = `https://dashscope.aliyuncs.com/api/v1/apps/${appId}/completion`;
            
              const data = {
                  input: {
                      prompt: `以模式一以分析下面内容：\n${JSON.stringify(articles)}`
                  },
                  parameters: {},
                  debug: {}
              };
  
              try {
                  const response = await axios.post(url, data, {
                      headers: {
                          'Authorization': `Bearer ${apiKey}`,
                          'Content-Type': 'application/json'
                      }
                  });
  
                  if (response.status === 200 && response.data.output && response.data.output.text) {
                      return {
                          content: [{ type: "text", text: "获取到以下信息作为你的出题参考"+response.data.output.text }]
                      };
                  } 
              } catch (aiError) {
                  console.error(`Error calling DashScope: ${aiError.message}`);
                  // 如果AI调用失败，返回原始查询结果
                  return {
                      content: [{ type: "text", text: JSON.stringify(articles, null, 2) }]
                  };
              }
          } catch (error) {
              console.error(`查询用户文章时发生错误: ${error.message}`);
              return {
                  content: [{ type: "text", text: `查询用户文章时发生内部错误: ${error.message}` }],
                  isError: true
              };
          }
      }
  );
  

3. search_articles_by_keyword：社区内容关键词检索

• 功能描述： 此工具允许根据特定关键词（如目标公司名称“阿里”、“腾讯”等）在社区论坛中搜索相关的文章，如面经分享、技术探讨、解题思路等，为AI面试官提供针对性的出题参考。
• 实现逻辑：
  1. 工具接收搜索关键词（keyword）作为输入，并校验关键词非空。
  2. 构建SQL的LIKE查询模式（%keyword%），在forest_article表的article_title字段和forest_article_content表的article_content字段中进行模糊匹配。
  3. 查询并返回按创建时间倒序排列的最多20篇相关文章，包含与query_user_articles类似的字段信息。
  4. 若未找到匹配文章，则返回相应提示。
  5. 与query_user_articles类似，如果查询到文章且配置了DashScope服务，则将文章数据发送给大模型进行分析总结。Prompt中指定为“模式二以分析下面内容”。
  6. AI服务返回对搜索结果的提炼信息，作为出题参考。
  7. 若AI调用失败、未配置或关键词无效，则返回原始文章数据或错误信息。
  8. 包含数据库查询和AI服务调用的错误处理。
• 价值： 当AI面试官需要针对特定公司或技术领域出题时，此工具能快速从社区中聚合相关的高价值信息，确保面试问题的前沿性和针对性，例如了解某公司常考的知识点或最新的技术趋势。
• 代码实现：

  server.tool(
      "search_articles_by_keyword",
      "根据企业相关关键词（如阿里，腾讯）获取社区中提及相关出题知识点，用于作为出题参考",
      {
          keyword: z.string().describe("搜索关键词"),
      },
      async ({ keyword }) => {
          try {
              if (!keyword || keyword.trim() === "") {
                  return {
                      content: [{ type: "text", text: "搜索关键词不能为空" }],
                      isError: true
                  };
              }
  
              const mysqlPool = getMySQL();
              const searchKeyword = `%${keyword}%`; // 构建LIKE匹配模式
            
              // 联合查询匹配标题或内容的文章
              const [articles] = await mysqlPool.query(`
                  SELECT 
                      a.id, 
                      a.article_title, 
                      a.article_tags, 
                      a.article_view_count,
                      a.article_comment_count,
                      a.article_thumbs_up_count,
                      a.created_time,
                      a.article_preview_content,
                      c.article_content
                  FROM 
                      forest_article a
                  LEFT JOIN 
                      forest_article_content c ON a.id = c.id_article
                  WHERE 
                      a.article_title LIKE ? 
                      OR c.article_content LIKE ?
                  ORDER BY 
                      a.created_time DESC
                  LIMIT 20
              `, [searchKeyword, searchKeyword]);
            
              if (!articles || articles.length === 0) {
                  return {
                      content: [{ type: "text", text: `未找到包含关键词"${keyword}"的文章` }]
                  };
              }
  
              // 调用AI处理查询结果
              const apiKey = process.env.DASHSCOPE_API_KEY;
              const appId = process.env.DASHSCOPE_SUM_APP_ID;
  
              if (!apiKey || !appId) {
                  console.error('DashScope API Key or App ID not configured.');
                  return {
                      content: [{ type: "text", text: JSON.stringify(articles, null, 2) }]
                  };
              }
  
              const url = `https://dashscope.aliyuncs.com/api/v1/apps/${appId}/completion`;
            
              const data = {
                  input: {
                      prompt: `以模式二以分析下面内容：\n${JSON.stringify(articles)}`
                  },
                  parameters: {},
                  debug: {}
              };
  
              try {
                  const response = await axios.post(url, data, {
                      headers: {
                          'Authorization': `Bearer ${apiKey}`,
                          'Content-Type': 'application/json'
                      }
                  });
  
                  if (response.status === 200 && response.data.output && response.data.output.text) {
                      return {
                          content: [{ type: "text", text:"获取到以下信息作为你的出题参考"+ response.data.output.text }]
                      };
                  } 
              } catch (aiError) {
                  console.error(`Error calling DashScope: ${aiError.message}`);
                  // 如果AI调用失败，返回原始查询结果
                  return {
                      content: [{ type: "text", text: JSON.stringify(articles, null, 2) }]
                  };
              }
          } catch (error) {
              console.error(`关键词搜索文章时发生错误: ${error.message}`);
              return {
                  content: [{ type: "text", text: `关键词搜索文章时发生内部错误: ${error.message}` }],
                  isError: true
              };
          }
      }
  );
  

代码集成说明

上述三个核心功能均已通过server.tool方法在服务端进行了注册。每个工具都明确了其名称、功能描述、输入参数模式（使用zod进行定义和校验）以及异步执行函数。这种模块化的工具设计，使得AI面试官能够根据对话上下文和面试需求，灵活地调用这些外部能力。代码实现细节已在各功能模块中展示。

本周工作总结与意义

通过本周新增的这三个MCP工具，AI面试官获取个性化信息的能力得到了显著加强：

1. 更精准的能力评估： 基于用户的实际刷题数据，准确判断其编程水平。
2. 更深入的意向洞察： 通过分析用户发帖，了解其技术偏好和求职目标。
3. 更相关的知识获取： 结合社区中关于目标公司的热门讨论，使面试题目更贴近实际。

这些工具的组合使AI面试官能够构建一个更全面的用户画像，从而设计出既能考察核心能力，又能体现候选人特点和意向的面试流程。