AI-Powered Interview System

Платформа для автоматизированного проведения технических собеседований. Система объединяет в себе изолированную среду исполнения кода, нейросетевой анализ сложности алгоритмов и диалогового AI-агента для обеспечения полного цикла оценки кандидата без участия человека.

1. Архитектура системы

Проект построен на базе микросервисной логики, разделенной на три ключевых уровня:

1. Client Layer: Интерактивная IDE (CodeMirror) и чат-интерфейс на нативном JS/CSS.
2. API Layer: Высокопроизводительный бэкенд на FastAPI, управляющий бизнес-логикой и БД.
3. Intelligence & Execution Layer:
   • Docker Sandbox: Изолированная среда для безопасного запуска кода.
   • Neural Scorer: Собственная модель на PyTorch для оценки уровня кода.
   • LLM Orchestrator: Агент на базе Llama 3.3 (via Groq) для ведения диалога и фидбека.

---

2. ML/AI Составляющая

Центральным узлом системы является гибридный аналитический движок, сочетающий классический статический анализ, нейронные сети и большие языковые модели.

2.1. Neural Code Ranker (PyTorch)

Для объективной оценки профессионального уровня кода (Junior/Middle/Senior) используется кастомная многослойная перцептронная сеть (MLP).

• Модель: ComplexityNet (PyTorch).

• Входные признаки (Feature Engineering):

  1. Loops Count: Количество циклов for/while.
  2. Nesting Depth: Максимальная глубина вложенности блоков (анализ индентации).
  3. Recursion Detection: Бинарный признак вызова функции внутри себя.
  4. Code Length: Общий объем символов (нормализованный).
  5. Complex Builtins: Использование функциональных примитивов (map, zip, lambda, yield).

• Архитектура:

  Linear(5 -> 16) -> ReLU -> Linear(16 -> 8) -> ReLU -> Linear(8 -> 3)

• Классификация:

  • Junior: Избыточная сложность при низкой эффективности.
  • Middle: Сбалансированный код, соответствующий стандартам.
  • Senior: Высокая степень оптимизации, использование продвинутых паттернов.

2.2. LLM Interviewer Agent (Groq/Llama 3)

Диалоговая подсистема использует модель Llama-3.3-70b через API Groq для обеспечения минимальной задержки (ultra-low latency).

• Функции агента:
  • Context-Aware Chat: Ответы на вопросы кандидата с учетом текущей задачи и написанного кода.
  • Hint System: Предоставление наводящих подсказок без раскрытия прямого решения (Zero-Shot Chain of Thought).
  • Qualitative Feedback: Сопоставление результатов тестов Docker и вердикта нейросети PyTorch для формирования текстового отчета.

2.3. Алгоритм гибридной оценки

При завершении тестов запускается пайплайн:

1. Docker Execution: Проверка корректности (Boolean: Pass/Fail).
2. PyTorch Prediction: Оценка структурного уровня (Categorical: Level).
3. LLM Synthesis: Генерация вердикта (Textual: Recommendation).

---

3. Технологический стек

Backend

• Framework: FastAPI.
• Database: SQLite + SQLAlchemy (ORM).
• Containerization: Docker (индивидуальные образы sandbox-python, sandbox-cpp).
• Security: Ограничение ресурсов (CPUs=0.5, Memory=256m) и запрет сетевого доступа для контейнеров.

ML Stack

• Core: PyTorch 2.0+.
• Inference: CPU-optimized tensors.
• LLM Provider: Groq Cloud SDK (OpenAI Compatible).

Frontend

• Editor: CodeMirror 5 (с поддержкой Python, C++, Java).
• Reporting: HTML2PDF для генерации официальных сертификатов/отчетов.

---

4. Безопасность и Sandbox

Для защиты системы от вредоносного кода (RCE) используется многоуровневая изоляция:

• Слой 1 (Docker): Код кандидата выполняется в контейнере без доступа к интернету (--network none).
• Слой 2 (Resource Limits): Жесткие лимиты на PIDs (64) для защиты от Fork-бомб.
• Слой 3 (Anti-Cheat): Встроенный JS-обработчик событий mouseout и visibilitychange, блокирующий интерфейс при попытке переключения окон или выхода курсора за пределы IDE.

---

5. Инсталляция и развертывание

Подготовка ML-модели

# Обучение классификатора
python backend/train_ai.py

Запуск окружения

Перейдите в папку docker-images и соберите оттуда:

cd backend\app\problems_manager\code_run_and_check\docker-images

docker build -t sandbox-cpp:latest -f cpp/Dockerfile .

docker build -t sandbox-python:latest -f python/Dockerfile .

Перейдите в папку backend и создайте там .env с вашим ключом:
GROQ_API_KEY=<key>

python3 -m venv venv
source venv/bin/activate
pip install -r backend/requirements.txt
cd backend
uvicorn app.main:app --reload --port 5000
cd frontend
python3 -m http.server 5500
site: http://127.0.0.1:5500

---

6. API Endpoints (AI focus)

• POST /api/run_code: Принимает код, запускает Docker, вызывает PyTorch Ranker и возвращает вердикт LLM.
• POST /api/chat: Точка входа для диалогового агента. Передает текущий current_state (задачу и код) для контекстуального ответа.