我用豆包 Seed Evolving 做了套面试模拟平台，半小时出原型

一、为什么要做这个东西

上周我团队招人，面了 8 个测试工程师，其中 5 个输给了同一个问题：明明知道八股文，项目一问就露馅。

事后我复盘了一个下午：候选人不是不聪明，是缺一个能结合自己项目经历的模拟面试环境。市面上的面试工具要么只给题库，要么 AI 问的太泛，跟简历对不上。

我是做软件测试的，平时用 Hexo 写博客，Vue 也写过几个小工具。那天反应过来：为什么不自己搭一个？正好最近看到豆包 Seed Evolving 在做众测，1M 上下文 + 长程任务能力，听起来能接住"读完整份简历 + 多轮追问"这种场景。

于是，我花了一个半小时，从空白文件夹干到了一个能跑的 H5 原型。

声明在先：代码框架是 AI 生成的，但需求拆解、技术选型确认、调试填坑、prompt 调优全是我手动做的。这篇文章会交代清楚"人负责什么，AI 负责什么"，避免被当成纯 AI 生成。

二、Doubao-Seed-Evolving 模型理念：永远最新的模型卡片

文章前先提一嘴为什么选 Evolving。

Seed Evolving 的核心卖点是周级别自动进化，不像别的模型是固定版本号，它推的是一个永远"最新"的模型卡片。我这次做的是一个 Coding + Agent 的 Case，正好契合它持续变强的方向。

另外 1M 上下文对我这个场景很关键：一份简历正文 + 岗位 JD + 多轮面试对话，加起来轻松过 100K，普通模型第二轮就开始丢上下文了。

三、接入只需要 2 步

1、登录火山引擎，购买agent plan的套餐

我是直接买了火山的Agent Plan测的，他们家这个订阅包包含了自家的Seed系列以及GLM、Minimax、DeepSeek、Kimi这些国内的主流模型，可按需自由切换或直接开Auto模式调度。

https://ark.volcengine.com/region:cn-beijing/subscription/agent-plan

2、开始在接入的工具里面进行配置 ，相关的配置教程在官网都有很详细的教程，这里要注意的就是，针对火山引擎上套餐配置，api地址千万千万要注意不要填错了，还有apikey , 像agent plan和codingplan 以及普通的大模型api接入地址可能都是不一样的，然后配置错了就会导致账号余额变成负数，可能会影响到其他套餐的使用。

我这里用cc配置：

指定只用doubao-seed-evolving模型：

四、需求不是一句话丢给 AI 的

网上很多人说"一句话让 AI 写项目"，但我试过了，结果很灾难。

我实际做了 3 轮需求细化：

第一轮：我把核心功能列成清单，而不是大段描述：

• 上传简历，AI 按简历内容提问（不要八股文）
• 面试结束后 5 维度打分，输出弱项分析
• 针对弱项推荐 4-6 周学习路线
• 内置 IT 岗位题库
• 可选岗位薪资范围，拉取高薪 JD 做技能对标
• 技术栈 Vue 3 + Node.js，AI 层兼容 OpenAI 格式（方便随时切模型）

第二轮：AI 给了我一份技术选型草案，我手动改了 2 处：

• 数据库从 MySQL 改为 SQLite → sql.js，本地方便演示
• 爬虫从真实爬取改为先用 Mock 数据，避免演示时被封 IP

第三轮：确认了 5 个关键 prompt 模板的设计原则：

• 面试官 prompt 必须严格限定：只能从简历提取信息提问，不允许编造项目经历
• 评分 prompt 要求输出 JSON，避免格式错乱导致前端解析失败
• 学习路线 prompt 必须按周拆分，不能给笼统书单

这三轮沟通大概是 20 分钟，AI 输出了完整的项目结构和开发计划。

五、踩了 3 个真实的坑

坑 1：SQLite 在 Windows 编译失败

better-sqlite3 官方包在我这台 Win11 上编译报错，缺 Python/C++ 环境。

AI 第一反应是让我装 Visual Studio Build Tools，但我查了一下，sql.js 是纯 JS 版 SQLite，性能在面试模拟这种低并发场景够用。手动改了依赖，问题解决。

坑 2：流式输出连前端显示错位

SSE 流式响应接入 Vant dialog 组件时，文字会闪跳。这个不是 AI 能发现的，是我手动在 Chrome DevTools 里看了 10 分钟，发现服务端 res.write() 没加 flush，前端接收频率不稳。给 AI 描述了现象后，它补了一段缓冲队列逻辑。

坑 3：简历解析 prompt 诱导编造

第一轮 prompt 让 AI "根据简历提出深入问题"，结果 AI 面对信息不完整的简历，会自己编经历来凑问题。这是致命问题——模拟面试最忌讳给候选人虚假反馈。

我手动重写了简历解析 prompt，加了严格约束："如果简历中未提及某技术栈，不得假设候选人使用过该技术"。重跑后问题解决。

六、最终成果

功能清单

• 🤖 简历驱动的 AI 模拟面试（非八股文，按项目经历追问）
• 📊 5 维度评分 + 弱项归因
• 💰 岗位技能对标（Mock 岗位数据）
• 📈 4-6 周学习路线生成
• 📝 IT 高频面试题库
• ⚙️ 多模型切换（豆包/Evolving/其他兼容接口）

项目结构

页面效果

七、doubao-seed-evolving模型编码能力到底怎么样

关于编码能力，我个人觉得目前的表现已经相当不错，未来可期。任何工具都不可能一次性百分百解决所有问题，从0到1开发项目往往没有想象中那么大的挑战，但在已有项目中做增量改造代码，表现还是挺稳的。长上下文场景下，对整个项目代码的理解也很到位。

今天我还特意做了个对比测试：用 Doubao-Seed-Evolving 模型和 Kiro 的 Auto 模式扫描同一个项目，询问需求是否符合预期，结果两者结论一致，只是输出格式上有些细微差别。另外，之前用 GLM-5.2 没改好的一个问题，换 Doubao-Seed-Evolving 后很快就定位到了原因并修复了。目前整体体验下来，编码能力我是认可的，接下来一个月还会高频使用。Agent Plan 的套餐价格也挺划算，Token 消耗控制得也还不错。

不过使用过程中也遇到一个小问题，可能是模型刚发布不久，在不同工具接入时效果会有细微差异。我之前在 Trae 里接入，扫描项目时经常超时，后来换到 Claude Code 里就没再出现过这种情况。

最近也在用这款模型的朋友，欢迎在评论区交流下你的使用感受～