人才评测智能体 (Talent Assessment Agent) 工作流程

人才评测智能体（Talent Assessment Agent）是一个基于 LangGraph 的 AI 系统，旨在通过与员工的动态对话，评估其对特定知识领域的掌握程度。

1. 核心流程概述

评测过程分为四个主要阶段：

考纲拟定与生题 (Generation)：基于知识库内容自动生成考题。
交互引导 (Interviewing)：AI 作为考官，向用户抛出问题并引导回答。
智能阅卷与评分 (Grading)：分析用户回答，给出分数及反馈，并决定是否追问。
综合学情报告 (Analysis)：汇总所有表现，产出最终的能力定级和建议报告。

2. 后端架构 (LangGraph)

系统使用 LangGraph 构建了一个有状态的任务流。

2.1 状态定义 (State)

所有节点共享 EvaluationState，其中包含：

questions: 生成的题目列表（包含知识点和难度）。
currentQuestionIndex: 当前题目索引。
messages: 完整的对话历史（用于上下文推理）。
feedbackHistory: 考官给出的实时反馈和得分记录。
scores: 每道题的量化得分。
shouldFollowUp: 是否需要针对当前题目进行补充追问。

2.2 节点逻辑 (Nodes)

Generator (出题节点)：
- 内容提取机制：
- 在评测开始前，AssessmentService 会根据用户选择的“知识库”或“知识分组”进行内容检索。
- 单文档提取：直接从数据库中获取对应知识库记录的完整正文内容。
- 多文档分组提取：如果是知识分组，则通过 KnowledgeGroupService 并行获取分组内所有已处理文件的内容，并按 --- Document: [标题] --- 格式进行拼接，形成聚合上下文。
- 题目生成：
- 将提取到的文本注入 LangGraph 的 configurable 参数中。
- 节点调用 LLM，将该文本作为 Ground Truth (事实基准)，要求 AI 生成 3-5 道覆盖不同知识点和难度（Standard, Advanced, Specialist）的 JSON 格式题目。
- 初始化：将生成的题目写入状态，并初始化评测进度。
Interviewer (提问节点)：
- 负责将题目或追问信息转化为自然语言对话。
- 如果 shouldFollowUp 为真，则根据上次的 feedback 生成引导性话术。
- 节点执行后进入 中断挂起 (Interrupt) 状态，等待用户在前端输入。
Grader (评分节点)：
- 用户提交回答后唤醒。
- 对比“标准知识点”与“用户回答”的匹配度（准确性、完整性、深度）。
- 给处 0-10 分，并生成建设性反馈。
- 追问判定：如果得分较低且未达到最大追问次数，则设置 shouldFollowUp = true。
Analyzer (报告节点)：
- 评测结束（所有题目答完）时触发。
- 汇总所有得分和对话历史。
- 产出包含能力水平（Novice/Proficient/Advanced/Expert）、差距分析及学习建议的 Markdown 报告。

2.3 路由逻辑 (Routing)

__start__ -> Generator -> Interviewer -> (等待用户回答)
用户回答后 -> Grader
Grader 判断：
- 需要追问？ -> 回到 Interviewer
- 不需要追问且有后续题目？ -> 索引自增，回到 Interviewer
- 题目全部完成？ -> Analyzer -> __end__

3. 前端交互流

3.1 准备阶段 (Setup)

用户选择知识分组（Knowledge Group）。
前端调用 /assessment/start 获取 sessionId。
连接到 /assessment/:id/start-stream 开始流式生成题目。

3.2 测评阶段 (Interactive)

实时对话：前端渲染 Interviewer 生成的问题。
渐进反馈：用户提交回答后，通过 /answer-stream 实时看到 Grader 给出的点评和得分（Live Feedback）。
状态流转：UI 会根据 processStep 提示当前 AI 正在进行的操作（如“正在阅卷”或“正在准备下一题”）。

3.3 结果阶段 (Completion)

测评完成后，展示总分、能力定级（Level）及详细分析。
支持历史记录回顾，用户可以随时查看之前的测评报告。

4. 数据持久化

线程持久化：LangGraph 的 MemorySaver 确保了对话状态的连续性。
业务存储：AssessmentSession 表记录了每场测评的元数据（状态、总分、语言、生成的题目及最终报告）。
断点恢复：系统支持在服务器重启后，通过数据库中的历史消息自动重新激活 Graph 状态，实现“续考”。

5. 处理大规模知识库的“合理提取”策略

当知识分组中包含大量文档（如超过 50 份文件或数百万字）时，全量拼接（Raw Concatenation）会超越 LLM 的上下文窗口（Context Window）并降低生成质量。以下是系统推荐的“合理提取”进阶方案：

5.1 语义聚类与去重 (Semantic Clustering)

原理：不直接提取文件，而是利用系统中已有的 ElasticsearchService。
操作：对知识组内的所有分片（Chunks）进行语义聚类，从中提取 10-20 个最具代表性的核心知识点（Core Concepts），以此作为“出题大纲”，而不是直接喂入全文。

5.2 动态 RAG 检索生成 (Dynamic RAG Generation)

原理：将“出题”过程拆分为两步。
操作：
1. 种子生成：AI 先在没有背景的情况下，根据知识组的主题（Topic）生成几个潜在的问题方向。
2. 精准检索：针对每个方向，调用 RagService.searchKnowledge 检索出最相关的 Top-K 个知识分片。
3. 基于片段出题：将检索出的精准片段作为 Ground Truth 提供给 Generator 节点，确保题目既真实存在于库中，又不会导致上下文溢出。

5.3 优先级与权重采样 (Weighted Sampling)

原理：根据文档的元数据进行筛选。
操作：
- 按更新时间：优先选择最近更新的政策或文档进行评测。
- 按文档权重：可以为知识库中的文档打标（如“核心规章” vs “参考资料”），Generator 优先从核心规章中提取内容。

5.4 层次化提取 (Hierarchical Extraction)

原理：先总结，后出题。
操作：首先调用 AI 对整个知识分组进行一个“全景总结”（Summary），得到一份 2000 字以内的“知识图谱摘要”，再基于这份摘要进行出题编排。

6. 总结与建议选择

将架构改为 LangGraph 后，状态管理的复杂性从微服务代码退化为了直观的、声明式的图流转。对于大规模知识库的处理，建议逐步从“全量提取”转向“动态 RAG 采样”，以保证评测的深度与广度。

talent_assessment_workflow.md 6.7 KB History Raw