群面系统中五维能力评估的实现

一、背景

在群面（无领导小组讨论）模拟面试系统中，我们需要对候选人的表现进行量化评估。传统的评估方式依赖面试官人工打分，主观性强且效率低。我们设计了一套五维能力评估模型，结合大语言模型实现自动化、客观化的能力评分。

五维能力模型将候选人在群面中的表现映射到五个核心维度：

二、架构设计

整体架构分为三层：

前端层（Vue 3）

• 雷达图展示

• 评分进度条

• 提示信息展示

后端层（Spring Boot）

• RoomController.evaluateWithAI()

• 校验消息数量是否达到4条

• 构造System Prompt和User Prompt

• 调用DeepSeekService

• 解析JSON响应并返回分数

AI服务层

• DeepSeek Chat API

• 基于发言内容进行语义理解和评分

后端通过HTTP POST请求调用DeepSeek API完成最终的评分计算。

三、评分流程详解

3.1 消息收集

页面加载时，前端从后端获取当前房间的讨论事件流，通过GET /api/room/{roomId}/discussion-events接口取得数据。从事件流中过滤出用户类型（非AI Agent、非系统）的发言内容：

const userMsgs = timeline.value .filter((item) => item.type === 'user') .map((item) => item.content) .filter(Boolean)

3.2 发言数量校验

群面评估需要足够的发言样本才能做出合理判断。我们设定最少4条发言的门槛：

发言为0条时，提示暂无发言记录，无法生成五维能力评估。发言少于4条时，提示发言次数不足，并显示当前发言次数与4条的差值，此时五维分数均为0。只有当发言达到或超过4条时，才会调用AI进行评分。

3.3 提示词工程

这是整个评分系统的核心。我们精心设计了System Prompt和User Prompt。

System Prompt要求模型扮演专业的群面面试官角色，根据候选人的发言内容从五个维度进行0到100分的评分。每个维度都有明确的考察点定义：逻辑思维关注分析条理性、论据充分性和逻辑严谨性；沟通表达关注表达清晰度、语言组织能力和说服力；团队协作关注合作意识以及倾听与回应能力；领导力关注主动引导、推动决策和组织协调能力；专业度关注专业知识储备和职业素养。模型必须严格按照JSON格式返回结果，不包含任何额外内容。

User Prompt的构造方式是将候选人的所有发言逐条列出，每条发言前加上序号，最后要求模型根据这些发言内容从五个维度评分，仅返回JSON。

3.4 API调用与响应解析

后端使用DeepSeekService.generateResponse方法发送请求到DeepSeek Chat API。由于大语言模型可能返回带有markdown格式标记的JSON，即被三个反引号和json关键字包裹的形式，我们需要进行健壮的解析。

解析过程首先移除markdown代码块标记，然后提取出第一个左大括号和最后一个右大括号之间的内容作为纯JSON字符串，最后使用Jackson的ObjectMapper进行解析。解析成功后，将各维度的分数以0到100的整数形式返回给前端。

3.5 前端分数映射

前端收到0到100的整数分数后，将其转换为0到1的浮点数，以适配雷达图的渲染接口。每个维度的分数都除以100，得到对应的浮点数值。雷达图每次在数据更新后通过nextTick重新绘制，确保视图与数据同步。

3.6 异常降级

当DeepSeek API调用失败或返回的JSON无法解析时，系统采用安全降级策略：各维度默认给50分，代表中等水平。这样可以确保页面不会因为评分失败而崩溃，同时后端会记录错误日志供后续排查。这种降级策略在保证系统稳定性的同时也提供了相对合理的默认评分。

四、从规则引擎到大模型：演进之路

4.1 初版：规则引擎评分

最初版本使用基于关键词和正则表达式进行评分的方案。例如，发言中包含风险、故障、超发等关键词时，团队协作维度增加0.2分；包含收敛、定下来、目标等关键词时，领导力维度增加0.15分。

这种方案存在明显的问题。规则过于简单，无法理解语义层面的真实含义。覆盖场景有限，大量有价值的发言无法被正确评估。评分粒度粗糙，缺乏可解释性，用户无法理解为什么得到某个分数。

4.2 新版：大模型评分

采用DeepSeek API后，模型能够真正理解候选人的发言内容，从语义层面进行多维度评估。

语义理解方面，模型能识别论证结构、逻辑链条、团队互动等深层特征，而不仅仅是关键词匹配。维度关联方面，模型能综合考量不同发言之间的连贯性和成长性，而非孤立地评估每句话。可解释性方面，虽然未直接展示推理过程，但评分基于模型对全部文本的综合理解，结果更加可信。门槛灵活性方面，不同数量的发言都能给出相对合理的评估，适应性更强。

五、关键设计决策

5.1 为什么选择0到100分而非0到1或1到5

0到100分更符合直觉，用户对百分制有天然的认知习惯。同时这种分数范围与大语言模型的输出习惯一致，模型对百分制的把握更加准确。前端进行分数转换时，乘除运算简单，精度损失小。

5.2 为什么设定4条发言门槛

从统计意义上看，4条以上的发言才能覆盖多个维度的表现，使得评估结果更有代表性。少于4条的样本会导致大语言模型给出过于笼统或偏差较大的评分，无法准确反映候选人的真实能力。在实际群面场景中，参与者通常会有多次发言机会，4条是合理的下限。

5.3 为什么放在后端调用AI

将AI调用放在后端主要出于四个方面的考虑。API Key安全是最重要的因素，避免将密钥暴露在前端代码中。统一错误处理后端可以统一处理API超时、限流等问题，提供更好的用户体验。日志记录方便追踪评分请求和异常，便于问题排查和系统优化。扩展性方面，未来可以引入缓存、批量评估等优化措施。

六、总结

五维能力评估从最初的规则引擎演进到大模型评分，是面试系统智能化的关键一步。通过收集用户实际发言、精心设计提示词、结合DeepSeek API进行语义理解，我们实现了更准确、更可信的能力评估。

未来可以在以下方向继续优化。多轮对话评估方面，可以结合多轮讨论中角色的变化趋势，评估候选人在讨论进程中的成长性。同侪对比方面，可以在同一场群面中对比多位候选人的相对表现，提供排名和百分位信息。分数校准方面，可以引入人工标注数据对大语言模型输出进行校准，提高评分的准确性。维度权重方面，可以根据不同岗位需求动态调整各维度权重，实现定制化的评估标准。