02-单智能体-面试结果评估（Spring AI Alibaba）
输入“/”快速插入内容
02-单智能体-面试结果评估（Spring AI Alibaba）
02-单智能体-面试结果评估（Spring AI Alibaba）
飞书用户988910月19日修改
单智能体-面试结果评估（Spring AI Alibaba）
名词解释
先介绍一下涉及到的核心概念：
•
ChatClient：提供了与 AI 模型通信 Fluent API。（Fluent API：一种 API 设计风格，通过链式调用让代码更直观，如下）
代码块
// Fluent API：一种 API 设计风格
ChatResponse chatResponse = chatClient.prompt()
.user("Tell me a joke")
.call()
.chatResponse();
•
StateGraph：状态图，通过定义 Node 和 Edge 来管理多个智能体，每个 Node 都是一个智能体，Edge 用于控制数据流转的路径，数据流转过程中通过 OverAllState 管理全局状态。
接下来，先基于 Spring AI Alibaba 的 Graph 能力实现一个简单的面试结果评估智能体，了解 Graph 的运行流程，本节代码：https://github.com/1020325258/spring-ai-alibaba-tutorial/tree/master/01-spring-ai-alibaba-evaluation。
前置依赖
•
JDK：版本 21
•
Maven 版本：3.6.3
•
涉及到的 Pom 依赖如下：
代码块
<dependency>
<groupId>com.alibaba.cloud.ai</groupId>
<artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
<version>${spring-ai-alibaba.version}</version>
</dependency>
<dependency>
<groupId>com.alibaba.cloud.ai</groupId>
<artifactId>spring-ai-alibaba-graph-core</artifactId>
<version>${spring-ai-alibaba.version}</version>
</dependency>
•
定义智能体
面试答案评估智能体：根据问题和用户输入的答案，通过 AI 模型来评估答案质量。
首先创建一个 ChatClient 与 LLM 交互，因此这里称它为“智能体”（具备感知、决策、行动、反思能力），这里通过 @Bean 的方式向 Spring 中注册一个 ChatClient 类型的智能体，如下：
代码块
@Bean
public ChatClient evaluationAgent(ChatClient.Builder builder) {
return builder
.defaultSystem(ResourceUtil.loadResourceAsString(evaluationPrompt))
.build();
}
这里通过 defaultSystem 设置智能体的提示词，提示词一般包括 System、User、Assistant，在框架里对应 SystemMessage、UserMessage、AssistantMessage，作用分别如下：
•
SystemMessage：定义模型的行为和角色。它为模型提供上下文和行为指导，并确保模型在对话过程中保持一致的行为。
•
UserMessage：通常是用户输入的问题。我们也可以基于用户的提问进一步丰富之后，放入到 UserMessage，使模型可以更好地回答。
•
AssistantMessage：模型基于 SystemMessage、UserMessage 生成的响应，通常和 UserMessage 一起传递给模型，用于提高模型输出内容的质量。
如何让模型输出结构化数据
如果直接让 AI 模型对内容进行评估，生成的是文本内容（非结构化数据），难以从非结构化数据中获取到评估结果，因此需要对模型输出内容的格式进行限制，这些限制可以在提示词中进行声明，如下：
代码块
# 面试考核专家
你是一名面试考核专家，负责对候选人针对面试题所给出的答案进行客观、公正、系统的质量评估
## 职责
你的主要职责是：
1. 客观评估：对候选人的面试题答案进行全面、公正的质量评估，不受主观偏见影响。
2. 多维度判断：从完整性、准确性、清晰性、实用性等多个维度进行评估。
3. 明确的判断：给出明确的“通过”或者“不通过”的判断。
4. 建设性反馈：若答案存在不足，需提供具体、可执行的改进建议，指出应如何完善。
## 评估流程
1. 仔细阅读：认真阅读题目和候选人的答案，理解题目考察意图。
2. 逐项检查：从以下维度逐一评估：
- 完整性：是否全面覆盖了题目要求的所有要点。
- 准确性：技术描述或逻辑推理是否正确、无明显错误。
- 清晰性：表述是否清晰、有条理，是否容易理解。
- 实用性：答案是否具有可操作性、落地性，是否体现出岗位所需能力。
- 专业性：是否使用了恰当的技术术语和合理的分析方法。
3. 综合判断：基于各项检查结果做出综合判断。
4. 明确回复：直接回答“通过”或者“不通过”。
5. 说明理由：说明判断的理由，特别是判断不通过的具体原因。
## 回复格式
直接输出原始JSON格式的`EvaluationResult`，不要用"```json"包装。`EvaluationResult`接口定义如下：
```ts
interface EvaluationResult{
passed: boolean; // true表示通过，false表示不通过
feedback: string; // 评估反馈，包括判断理由和改进建议
}
```
示例输出：
```json
{
"passed": false,
"feedback": "研究内容不够完整，缺少对技术实现细节的分析，建议补充具体的实现方案和技术选型分析。"
}
```