FaceTomato 是一个面向技术类岗位求职场景的 AI 助手，当前支持前端开发、后端开发、移动端开发、产品经理、语音算法、大模型应用开发、大模型算法、搜广推算法、游戏开发、风控算法等方向，覆盖从材料准备到面试演练的完整流程，主要能力包括：

• 简历解析
• JD 匹配分析
• 简历优化
• 面经题库检索
• 模拟面试
• 面试复盘
• 语音输入辅助答题

FaceTomato 以 Tomato（番茄）为视觉与品牌意象，象征一种轻量但高价值、低门槛但强辅助的产品能力。 我们希望 FaceTomato 成为求职过程中的那个关键助攻： 🍅 代表着“平凡外表下的高效赋能，助你在关键时刻稳定发挥”

项目支持两种启动方式：源码启动 和 Docker 启动。

cd backend
uv sync
cp .env.example .env

如果你要显式启用本地 RAG 检索或构建索引，再额外安装 rag 可选依赖（当前本地依赖组合面向非 Windows 平台；Windows 用户建议使用 Docker / Linux 环境，或继续使用 non-RAG fallback）：

cd backend
uv sync --extra rag

根据实际配置补全 backend/.env 后，运行后端服务：

uv run uvicorn app.main:app --reload --host 0.0.0.0 --port 6522

启动后可访问接口文档：http://127.0.0.1:6522/docs

cd frontend
npm install
npm run dev

前端默认地址：http://127.0.0.1:5569

首次使用前，请先准备后端环境变量：

cp backend/.env.example backend/.env

然后在项目根目录执行：

docker compose up --build -d

如果你要构建 RAG-capable 的 backend 镜像，需要在构建阶段显式提供安装层开关：

BACKEND_INSTALL_RAG=true docker compose up --build -d

然后再在 backend/.env 中开启运行时开关：

MOCK_INTERVIEW_RAG=true

前端默认地址：http://127.0.0.1:5569

支持 PDF、DOCX、PNG / JPG、TXT 等格式的简历上传，并自动提取结构化信息。

输入岗位描述后，系统会提取技能、学历、经验、职责等要求，并结合简历内容生成匹配评估。

支持通用优化和 JD 定向优化两类模式，帮助用户提升表达、结构和关键词覆盖。

支持 SQLite 分页检索、条件筛选、统计查看与邻近导航。

支持 SSE 流式会话、对话框Markdown渲染、多轮追问、前端本地快照恢复与上下文延续。

支持对模拟面试过程生成结构化复盘报告，帮助用户定位表达、内容和回答策略上的改进点。

• Node.js >= 18
• npm >= 9
• Python >= 3.12, < 3.13
• uv

仓库默认不会提交面经题库数据，backend/data/ 也被 .gitignore 忽略。

如果你希望在 FaceTomato 中查看真实面经题库，请先准备 backend/data/interviews.db。完整说明见：docs/interview-data.md

文档中包含：

• backend/data/ 目录说明
• interviews.db 获取方式
• 原始 JSON 数据目录要求
• 迁移脚本用法
• 本地 RAG 索引的可选构建步骤

当前仓库中与配置和检索能力相关的说明主要包括：

• backend/.env.example
• docs/README.md
• docs/backend/configuration.md
• docs/backend/rag-config.md

前端支持在运行时按请求覆盖后端默认配置，主要字段包括：

• LLM：apiKey、baseURL、model
• OCR：ocrApiKey
• Speech：speechAppKey、speechAccessKey

建立面经索引前，请先按 docs/interview-data.md 准备好 backend/data/interviews.db。

然后安装 rag 可选依赖（当前本地依赖组合面向非 Windows 平台）：

cd backend
uv sync --extra rag
uv run python scripts/build_interview_zvec_index.py

欢迎通过 Issue 和 Pull Request 参与项目建设。

详细贡献流程、TDD 要求、提交规范与 PR 说明请见 CONTRIBUTING.md。

本项目输出的分析结果、优化建议与模拟面试内容仅供参考，不构成任何招聘结果保证。

用户应对上传的简历、岗位描述及相关数据的合法性、真实性与合规性负责。

若项目接入第三方模型、语音服务或检索服务，相关服务的可用性、准确性与合规性由对应服务提供方负责。

除 LICENSE 中明确授予的权利外，第三方数据、素材、模型服务及其输出内容可能受各自条款约束。

开发者不对因使用本项目产生的直接或间接损失承担责任。

本项目采用 GNU Affero General Public License v3.0 (AGPL-3.0) 许可证发布。你可以在 AGPL-3.0 许可范围内使用、修改和再分发本项目；当你分发本项目或其修改版本时，必须按照 AGPL-3.0 的要求提供对应源代码；如果你将修改后的版本作为网络服务提供给他人使用，还必须向远程交互用户提供对应源代码的获取方式。

具体条款以仓库根目录的 LICENSE 文件为准。

• 感谢 zvec 这个项目让我轻松的加入了 rag 功能;

• 感谢 LinuxDo 社区中佬友无私分享的的各种知识，这对我开发项目帮助很大。总之，学 AI, 上 LinuxDo!