← blog 专题系列 · 2026-04-19
AI Interview 中的实体关系分析
梳理 AI Interview 项目的 PostgreSQL 数据模型：核心业务表、pgvector 向量存储的五种嵌入类型，以及 Mermaid 实体关系图与关联关系。
存储业务实体和关系数据：
| 表/模块 | 存储内容 |
|---|---|
| User | 用户信息 |
| Resume | 简历文本内容 |
| Project | 项目经历 |
| KnowledgeBase | 知识库元数据 |
| InterviewSession | 面试会话记录 |
| QAHistory | 问答历史 |
| InterviewFeedback | 面试反馈 |
pgvector (向量数据)
存储嵌入向量用于语义检索：
| 向量类型 | 来源 | 用途 |
|---|---|---|
| resume 向量 | 简历文本 | 根据技能点匹配简历 |
| question 向量 | 标准问题 | 相似问题检索 |
| standard_answer 向量 | 标准答案 | 答案评估参考 |
| skill_point 向量 | 技能点 | 训练选题匹配 |
| enterprise_knowledge 向量 | 企业知识库 | 最佳实践检索 |
实体关系图
erDiagram
User {
int id PK
string uuid
string name
string email
datetime created_at
}
Resume {
int id PK
int user_id FK
string file_path
text parsed_content
datetime created_at
}
Project {
int id PK
int resume_id FK
string name
string repo_path
text description
datetime created_at
}
KnowledgeBase {
int id PK
int project_id FK
string type
string skill_point
text content
string embedding_id
string responsibility_id
string responsibility_text
string question_id
string session_id
datetime created_at
}
InterviewSession {
int id PK
int user_id FK
int resume_id FK
string mode
string feedback_mode
string status
datetime started_at
datetime ended_at
}
QAHistory {
int id PK
int session_id FK
string series
int question_number
text question
text user_answer
text standard_answer
text feedback
float deviation_score
datetime created_at
}
InterviewFeedback {
int id PK
int session_id FK
float overall_score
json strengths
json weaknesses
json suggestions
datetime created_at
}
ContextSnapshot {
int id PK
string session_id
int version
timestamp timestamp
json compressed_summary
datetime created_at
}
PGVector {
string vector_type
string storage
string linked_entity
}
User ||--o{ Resume : "1:N 一个用户多份简历"
Resume ||--o{ Project : "1:N 一份简历多个项目"
Project ||--o{ KnowledgeBase : "1:N 一个项目多条知识"
InterviewSession ||--o{ QAHistory : "1:N 一个会话多条问答记录"
InterviewSession ||--o{ InterviewFeedback : "1:N"
KnowledgeBase }o..o{ PGVector : "embedding_id"关联关系
graph TD
KB["KnowledgeBase"] -->|"embedding_id"| PG["pgvector.embeddings"]
KB -->|"skill_point"| EM["Embedding Model"]
EM --> VR["向量检索"]
VR --> CS["语义相似度搜索 (cosine similarity)"]graph TD
Upload["简历上传"] --> Res["Resume (PostgreSQL)"]
Res --> PC["parsed_content"]
PC --> EM["Embedding Model"]
EM --> PG["pgvector"]
Res --> Proj["Project"]
Proj --> KB["KnowledgeBase"]
KB --> Q["面试问题 → 检索最相似的技能点"]
Q --> Ans["返回匹配的标准答案/问题"]
SR["检索匹配"] <-->|"skill_point"| KB关键关系：
- User 1:N Resume - 一个用户多份简历
- Resume 1:N Project - 一份简历多个项目
- Project 1:N KnowledgeBase - 一个项目多条知识
- KnowledgeBase.embedding_id → pgvector - 知识库通过ID关联向量
- InterviewSession 1:N QAHistory - 一个会话多条问答记录