学面通 AI：技术选型与分层架构

学面通 AI 是一个面向学习 + 面试场景的 AI 项目。整理这套技术选型和分层结构，重点不是背技术名，而是建立工程化架构思维：先看业务目标，再拆系统职责，最后选择可维护、可扩展、可稳定运行的方案。

技术选型的 4 条家规

业务优先

技术要服务核心目标。学面通 AI 的核心场景是学习和面试，所以选型要优先支撑资料学习、知识检索、问答生成和面试训练。

分层解耦

各模块保持独立，前端、后端、AI 编排、知识库和数据存储各司其职，替换某一层时不影响整体系统。

可扩展迭代

系统要能适配后续功能变化，例如新增模型、增加知识库类型、接入新的面试流程或扩展多智能体协作。

稳定可运维

优先选择成熟方案，保证系统稳定、易部署、易排查、易维护，而不是为了炫技增加复杂度。

项目规则设计思路

项目规则的设计原则是：简单通用、重架构轻细节、聚焦核心约束。

规则不是为了把所有细节都管死，而是提前约束最容易失控的地方：前后端边界、目录结构、核心变量、业务逻辑和复用方式。

前后端拆分

明确技术栈边界，实现前端展示与后端业务的分离管理，避免界面逻辑和服务逻辑混在一起。

优先架构分层

先规范目录结构和分层职责，让项目一开始就有清晰骨架，再逐步填充具体功能。

聚焦核心规范

不搞过多细碎要求，优先抓关键变量、核心流程和主要业务逻辑。

强制逻辑解耦

严禁逻辑混写，把代码按模块拆分，让业务、数据、AI 调用和工具能力各自独立。

可复用设计

规则不绑定单一业务，尽量抽象成同类 AI 项目都能复用的工程约束。

技术栈总览

模块	技术选型	核心价值
前端	Vue 3 + Vite + Element Plus	快速构建复杂业务界面，结构清晰，组件生态成熟
后端	Python + FastAPI	适配 AI 生态，异步性能好，自动生成接口文档
AI 框架	LangChain + LangGraph + Hermes Agent	能力组织、流程编排、工程治理分工明确
大模型	DeepSeek、豆包等云端模型	使用成熟模型能力，支撑问答、推理和内容生成
文件存储	MinIO	存储学习资料、简历、文档等非结构化文件
向量库	ChromaDB	支撑知识检索、语义召回和 RAG 问答
关系数据库	MySQL	存储用户、任务、记录、配置等结构化数据

前端选型

核心技术

Vue 3 + Vite + Element Plus。

核心优势

组合式 API 适合组件化开发，Vite 热更新快，Element Plus 组件丰富，整体开发体验成熟。

核心价值

适合快速搭建复杂业务界面，代码结构清晰，对新手友好，也便于长期维护。

前端在这个项目里不承担复杂业务判断，重点是把学习资料、问答结果、面试流程和用户操作清晰呈现出来。

后端选型

核心技术

Python + FastAPI。

核心优势

Python 贴合 AI 生态，FastAPI 支持异步高性能接口，并能自动生成接口文档。

核心价值

后端可以自然调用模型、RAG、Agent 和文档处理能力，减少后端服务与 AI 模块之间的集成成本。

后端的重点不是只写接口，而是作为业务服务层，负责请求路由、参数校验、业务逻辑和数据调度。

AI 智能体框架

作为 AI 能力底座，负责模型调用、工具调用、Prompt 组织、Chain 和基础 Agent 能力。

这套组合的价值在于分工清楚：不是把所有 Agent 逻辑堆在一个函数里，而是把能力、流程和治理拆开。

模型与数据存储

大模型

采用 DeepSeek、豆包等成熟云端模型，优先保证推理、问答和内容生成的稳定效果。

文件存储

使用 MinIO 存储学习资料、简历、文档和上传文件，让原始资料可管理、可追溯。

向量检索

使用 ChromaDB 做轻量级向量库，支撑知识库检索和语义召回。

业务数据

使用 MySQL 保存用户、任务、面试记录、配置和业务状态。

七层架构

七层架构的目的，是把“谁负责展示、谁负责安全、谁负责业务、谁负责 AI、谁负责知识、谁负责数据”拆清楚。

层级	核心职责
前端交互层	界面展示和用户操作，只负责前后端通信
网关安全层	身份校验、防刷、跨域处理，保障系统安全接入
后端业务服务层	请求路由、参数校验、业务逻辑和数据调度
多智能体编排层	多 Agent 任务调度、流程控制和工具调用
知识库服务层	文档解析与向量化，提供精准检索和知识支持
多模态能力层	封装多模态数据处理模型，提供标准化 AI 接口
数据持久层	统一管理多类型数据库，保障数据持久与可靠

请求流转

用户发起操作：前端收集学习、问答或面试相关请求。
网关做安全处理：校验身份、处理跨域、防止异常请求。
后端承接业务逻辑：完成参数校验、业务判断和数据调度。
Agent 编排任务：根据任务类型调用 LangChain、LangGraph 和 Hermes 相关能力。
知识库提供上下文：从文档、向量库和历史记录中检索相关资料。
模型生成结果：结合检索上下文和任务目标生成回答、建议或面试反馈。
结果持久化与返回：保存任务记录和关键数据，再返回前端展示。

架构价值

覆盖全栈能力

前端、后端、AI、知识库和数据存储都有明确选型，为项目打好基础。

AI 框架分工清楚

LangChain 负责能力，LangGraph 负责流程，Hermes 负责治理，避免 Agent 逻辑失控。

架构可替换

每层职责独立，后续替换模型、向量库、文件存储或前端组件库时影响更小。

建立工程化思维

通过系统数据流和职责拆分，理解一个 AI 项目如何从 Demo 走向可维护系统。