一个能模拟真实面试流程、自动追问细节、从技术深度、项目复杂度、沟通表达等维度给出量化评分的AI面试官，是许多招聘团队梦寐以求的高效工具。它不能只是一个机械问答的聊天机器人。好消息是，借助Dify平台，我们可以通过三Agent协同工作流轻松实现这个目标：简历解析→模拟面试→结构化评分，再叠加语音交互与雷达图可视化，让AI面试官真正“活”起来。

搭建多Agent协同工作流

第一步：在Dify控制台新建应用，选择“Chatflow”类型，命名为“AI面试官-技术岗”，并启用“支持多轮对话”开关。【必须开启此开关，否则后续条件分支和状态传递将失效】

第二步：拖入三个核心Agent节点——ResumeParserAgent（解析上传简历）、InterviewSimulatorAgent（主导提问与追问）、ScorerAgent（执行评分）。每个Agent需要在配置面板中明确填写输入/输出Schema。举个例子：ResumeParserAgent输出必须包含{"name": "string", "skills": ["string"], "projects": [{"title": "string", "complexity": "low|mid|high"}]}。

第三步：使用Workflow Context显式连接三者——将ResumeParserAgent的output直接注入InterviewSimulatorAgent的input字段；InterviewSimulatorAgent每轮回答后，将完整对话历史与候选人原始回答打包为JSON，传给ScorerAgent。这里有个关键点：禁止使用全局变量或隐式上下文共享，必须显式传递数据。

设计结构化面试逻辑

方法一：用条件分支实现动态追问

在InterviewSimulatorAgent下游添加“条件分支”节点，设置规则：当用户回答中未出现“指标”“提升”“结果”任一关键词时，触发追问路径；否则直接进入下一题。追问内容可以固定为：“这个方案上线后，具体提升了哪些可量化的指标？比如QPS、错误率或用户留存率？”这样能有效防止候选人含糊其辞。

方法二：基于岗位JD自动生成问题链

提前将技术岗JD存入Dify知识库，启用RAG插件。InterviewSimulatorAgent调用向量检索接口，提取JD中高频技能词（比如“高并发”“分布式事务”），再通过LLM生成对应的追问问题。假设检索到“Redis缓存击穿”，系统自动生成：“你提到用布隆过滤器防止缓存击穿，能否说明它在极端流量下的误判率控制策略？”——这样的追问能真正考出候选人的实战功底。

配置多维度评分模型

第一步：在ScorerAgent的Prompt中硬编码评分维度与权重——技术深度（30%）、项目复杂度（25%）、问题解决逻辑（25%）、沟通表达（20%）。每个维度下定义三级描述：“技术深度：仅复述概念得1分，能对比方案优劣得2分，提出优化边界条件得3分”。这样评分标准清晰可执行。

第二步：要求ScorerAgent输出严格JSON格式，包含score、dimension_scores、feedback三个字段。示例输出：{"score": 82, "dimension_scores": {"technical_depth": 27, "project_complexity": 22, "logic": 18, "communication": 15}, "feedback": "对CAP理论理解扎实，但未说明在实际业务中如何权衡一致性与可用性..."}。

第三步：在前端展示层接入这个JSON，用雷达图渲染四个维度得分，总分以大号数字居中显示。特别注意：评分结果不经过任何二次加工，直接透出原始LLM输出，保证公平透明。

集成语音与实时反馈能力

启用Dify插件市场中的“阿里云ASR/TTS”插件，配置WebRTC音频流通道。前端调用navigator.mediaDevices.getUserMedia({audio: true})获取麦克风权限后，音频块以16kHz采样率实时推送到Dify语音处理管道。

关键配置：在ASR节点设置“静音超时阈值=1.2秒”，避免候选人停顿被误判为回答结束；TTS合成启用“情感语调”开关，使AI面试官在追问时语速略快、语气微升，模拟真实面试节奏。这一步操作起来很简单——直接把插件拖进工作流末尾节点，绑定ScorerAgent的feedback字段即可生成语音反馈。