一、项目背景与核心功能

无领导小组讨论（群面）是校招、社招的核心筛选环节，多数候选人因缺乏实战模拟经验，难以掌握角色定位与沟通节奏。本次开源的群面智伴系统，通过模拟不同MBTI人格、不同群面角色的AI智能体，帮助候选人低成本完成高拟真群面练习。

核心功能清单

功能模块	描述
MBTI智能体选择	支持16种MBTI人格类型，每种类型对应专属性格向量
群面角色切换	5类核心角色可选：LEADER（领导者）、COORDINATOR（协调者）、VIEWPOINT（观点者）、EXECUTOR（执行者）、SUPPORTER（支持者）
上下文对话	智能体记忆多轮对话历史，回复符合人格与角色设定
大模型驱动	接入DeepSeek V4 Flash API，生成自然流畅的对话内容

---

二、整体技术架构

项目采用前后端分离架构，分层设计如下：

┌─────────────────┐
│   前端层（Vue3） │  MBTI选择/角色切换/聊天界面
└────────┬────────┘
         │ Axios HTTP
┌────────┴────────┐
│  后端服务层（Spring Boot） │  智能体管理/会话缓存/API转发
└────────┬────────┘
         │ RestTemplate
┌────────┴────────┐
│  AI模型层（DeepSeek API） │  对话生成/上下文理解
└─────────────────┘

技术栈选型

• 前端：Vue3 + Vite + Axios，使用Composition API开发
• 后端：Spring Boot 3.x + Lombok + Jackson，轻量级RESTful服务
• AI能力：DeepSeek V4 Flash API，支持长上下文对话
• 缓存：内存会话缓存（单节点场景，后续可扩展Redis）

---

三、核心模块设计

3.1 MBTI智能体体系

智能体系统基于策略模式+工厂模式设计，保证扩展性与复用性。

3.1.1 人格与角色定义

16种MBTI类型封装为枚举，每种类型包含5维性格向量、4维情绪向量、5维能力向量：

// MbtiType枚举（部分示例）
public enum MbtiType {
    INTJ("建筑师", "LEADER", 
         0.2, 0.8, 0.3, 0.4, 0.9,  // 性格向量：外倾/支配/合作/风险偏好/条理性
         0.3, 0.8, 0.2, 0.9,       // 情绪向量：紧张度/自信度/攻击性/稳定性
         0.9, 0.7, 0.6, 0.8, 0.9  // 能力向量：逻辑/沟通/协作/领导力/专业性
    ),
    ESFP("表演者", "EXECUTOR", 
         0.9, 0.5, 0.8, 0.8, 0.3,
         0.4, 0.7, 0.3, 0.8,
         0.6, 0.8, 0.9, 0.6, 0.7
    );
    // 省略getter方法
}

5类群面角色通过AgentFactory工厂类创建，每个角色继承AbstractAgent基类，实现专属的发言逻辑：

// AgentFactory核心逻辑
public AbstractAgent createAgentByRole(String roleType, String agentId, AgentProfile profile) {
    return switch (roleType) {
        case "LEADER" -> new LeaderAgent(agentId, profile, deepSeekService);
        case "COORDINATOR" -> new CoordinatorAgent(agentId, profile, deepSeekService);
        case "VIEWPOINT" -> new ViewpointAgent(agentId, profile, deepSeekService);
        case "EXECUTOR" -> new ExecutorAgent(agentId, profile, deepSeekService);
        case "SUPPORTER" -> new SupporterAgent(agentId, profile, deepSeekService);
        default -> new ViewpointAgent(agentId, profile, deepSeekService);
    };
}

3.2 大模型集成模块

DeepSeekService封装所有API调用逻辑，支持带历史上下文的对话生成：

// 带历史上下文的对话生成方法
public String generateResponseWithHistory(String systemPrompt, List<Map<String, String>> conversationHistory) {
    List<Map<String, String>> messages = new ArrayList<>();
    messages.add(Map.of("role", "system", "content", systemPrompt));
    messages.addAll(conversationHistory);  // 拼接历史对话
    
    Map<String, Object> requestBody = Map.of(
        "model", deepSeekConfig.getModel(),
        "messages", messages,
        "temperature", deepSeekConfig.getTemperature()
    );
    
    // 发送HTTP请求到DeepSeek API
    ResponseEntity<String> response = restTemplate.exchange(
        deepSeekConfig.getBaseUrl() + "/v1/chat/completions",
        HttpMethod.POST,
        new HttpEntity<>(requestBody, headers),
        String.class
    );
    return extractResponseContent(response.getBody());
}

每个智能体根据自身的MBTI类型、角色动态生成System Prompt，保证回复符合人设：

// LeaderAgent的Prompt生成逻辑
private String buildSystemPrompt(Agent.AgentContext context) {
    return "你是" + profile.getName() + "，一个MBTI类型为" + mbtiType.name() + "的" + mbtiType.getChineseName() + "。\n" +
           "你的特点：善于领导和推动讨论，发言简洁有逻辑。\n" +
           "请用自然、友好的方式直接回答用户的问题，不要提及你是AI或角色设定，回答不超过100字。";
}

3.3 会话与记忆管理

为解决多轮对话上下文丢失问题，系统采用会话级智能体缓存+对话历史维护方案：

1. 智能体缓存：以sessionId为key，缓存已创建的智能体实例，避免重复初始化

   // AgentChatController中的缓存逻辑
   private final Map<String, AbstractAgent> sessionAgents = new HashMap<>();
   
   String cacheKey = sessionId;
   AbstractAgent agent = sessionAgents.get(cacheKey);
   if (agent == null) {
       agent = agentFactory.createAgent(mbtiType, role, sessionId, message);
       sessionAgents.put(cacheKey, agent);
   }
   

2. 对话历史维护：每个智能体维护conversationHistory列表，先添加用户消息再调用API，保证首轮对话也能传入用户输入

   // LeaderAgent中的对话历史处理逻辑（修复后）
   public String generateResponse(Agent.AgentContext context) {
       String userPrompt = "用户说：" + context.questionContent();
       conversationHistory.add(Map.of("role", "user", "content", userPrompt));  // 先加用户消息
       
       String response = deepSeekService.generateResponseWithHistory(systemPrompt, conversationHistory);
       conversationHistory.add(Map.of("role", "assistant", "content", response));  // 再加回复
       
       // 保留最近20轮对话，避免上下文过长
       if (conversationHistory.size() > 20) {
           conversationHistory = conversationHistory.subList(conversationHistory.size() - 20, conversationHistory.size());
       }
       return response;
   }
   

3.4 前端交互设计

前端采用Vue3实现，核心交互流程：

1. 加载16种MBTI类型，渲染为网格选择组件
2. 选择MBTI后，可选5类群面角色
3. 进入聊天界面，发送消息后实时显示用户/智能体回复，自动滚动到底部

核心API调用逻辑：

// 前端发送消息逻辑（AgentChatView.vue）
const sendMessage = async () => {
  const sessionId = `${selectedMbti.value}_${selectedRole.value}`
  const result = await chatWithAgent({
    mbti: selectedMbti.value,
    role: selectedRole.value,
    message: userMsg,
    sessionId: sessionId
  })
  messages.value.push({
    role: 'assistant',
    content: result.response,
    mbti: selectedMbti.value,
    roleType: selectedRole.value
  })
}

---

四、踩坑与优化记录

问题1：首轮对话用户消息未传入大模型

• 现象：DeepSeek API返回的回复与用户输入无关，日志显示Conversation History size: 0
• 原因：原逻辑先调用API再添加用户消息到历史列表
• 修复：调整顺序，先将用户消息加入conversationHistory，再调用generateResponseWithHistory

问题2：智能体重复创建导致上下文丢失

• 现象：每次发送消息都创建新智能体，对话历史无法累积
• 原因：缓存key生成规则不一致，前端与后端key不匹配
• 修复：统一使用前端传入的sessionId作为缓存key，保证同一会话复用同一个智能体

---

五、效果演示

操作流程	效果
选择MBTI：INTJ，角色：LEADER	智能体回复风格冷静、逻辑缜密，符合INTJ领导者人设
发送消息："群面中如何体现领导力？"	回复围绕目标拆解、分工协调展开，不超过100字
继续发送："刚才的方案有哪些风险？"	智能体可以回溯上一轮提到的方案，回复具有连贯性

---

六、后续规划

1. 支持多智能体群面模拟：同时创建4-6个AI智能体，自动开展无领导小组讨论
2. 增加群面表现评估：基于发言逻辑、协作性、情绪稳定性等维度生成评估报告
3. 扩展大模型适配：对接通义千问、文心一言等更多国产大模型
4. 增加语音交互：支持语音输入与语音播报，模拟真实面试场景

---

七、项目地址

完整代码已开源，GitHub地址：待补充（可替换为实际仓库地址） 如有问题欢迎在评论区交流，或提交Issue~

如果觉得本文对你有帮助，欢迎点赞、收藏、关注三连 😊