面向 HKUST 学院专业分流面试场景的 AI 模拟面试产品，通过「个性化出题、多轮追问、语音模拟、结构化反馈」帮助学生进行更接近真实面试的训练，同时验证校园面试辅导需求，为后续通用面试产品沉淀早期用户与产品经验。
项目背景
学院专业分流面试中，学生普遍面临三个问题：
- 缺少真实题库信息，难以判断不同专业的常见考察方向
- 缺少基于个人经历的深挖训练，传统题库只能提供通用问题
- 缺少结构化反馈，不知道自己的表达、逻辑和动机陈述具体哪里需要改进
同时，通用语音面试模型难以直接覆盖校园场景中的往届题型、专业差异与个性化追问需求。因此我们搭建了 Offer Plus，用校园专业分流作为切入点，验证学生对 AI 面试训练的真实需求。
项目亮点
- 个性化出题：基于学生简历、Personal Statement 和目标专业，生成个性化题目，并结合往届题库覆盖高频考察方向，解决学生“没有真实题库、不知道会被问什么”的痛点
- 多轮追问深挖：在每道主问题后，根据学生回答生成 follow-up question，模拟真实面试官继续追问项目细节、动机、反思和证据，帮助学生提前暴露表达薄弱点
- 四维能力评测：从表达清晰度、逻辑结构、专业匹配度、反思深度等维度生成结构化报告，让学生不仅知道“表现好不好”，还知道“具体怎么改”
网站上线 7 日，访问人次 2000+，覆盖超过 30% 目标面试人群；
用户累计完成模拟面试 200+ 场；
近 80% 用户对面试题目深度和整体流程体验表示满意。
系统架构
- 前后端：基于 Next.js 构建
- 身份与数据：使用 Supabase 进行用户登录、资料存储、面试记录、报告和题库管理
- AI 出题与报告：使用 Gemini 文本模型生成个性化问题、追问和结构化反馈报告
- 实时语音：通过 Bridge 服务连接前端与 Vertex Live API，实现实时语音问答、转写和面试状态控制
关键优化
首题等待时间优化
早期用户访谈和漏斗数据发现，用户在开始面试前等待首题时间过长，容易中途流失。后来重新设计异步出题流程，将题目生成前置到 onboarding / 创建面试阶段，使用户进入面试后可以更快开始，首题等待时间降低约 80%。
追问稳定性优化
最初尝试让实时语音模型直接生成并朗读追问，但容易出现追问不稳定、内容不可控、甚至读出非预期文本的问题。后来调整为“文本模型生成 JSON 追问 + 后端校验 + Live 模型朗读”的方案，在保留语音体验的同时提升输出稳定性。
完整功能
学生端
- 用户 onboarding：选择目标专业，上传或填写 CV / PS
- AI 模拟面试：语音提问与回答，系统进行多轮追问
- 结构化报告：生成整体评分、分维度反馈、逐题建议和改进方向
- 重新练习：支持 retake，对同一套面试计划再次训练
运营与管理端
- 题库管理：维护不同专业的往届题库
- 用户与面试记录管理：查看用户完成情况、报告状态和异常情况
- 反馈收集：收集用户对题目深度、流程体验和报告质量的评价