test.sql

/*
 Navicat Premium Data Transfer

 Source Server         : lg
 Source Server Type    : MySQL
 Source Server Version : 80029
 Source Host           : localhost:3306
 Source Schema         : test

 Target Server Type    : MySQL
 Target Server Version : 80029
 File Encoding         : 65001

 Date: 19/07/2025 22:28:56
*/

SET NAMES utf8mb4;
SET FOREIGN_KEY_CHECKS = 0;

-- ----------------------------
-- Table structure for admins
-- ----------------------------
DROP TABLE IF EXISTS `admins`;
CREATE TABLE `admins`  (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `name` varchar(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `email` varchar(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `phone` varchar(20) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL DEFAULT NULL,
  `password` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `create_time` datetime NULL DEFAULT CURRENT_TIMESTAMP,
  PRIMARY KEY (`id`) USING BTREE,
  UNIQUE INDEX `email`(`email` ASC) USING BTREE
) ENGINE = InnoDB AUTO_INCREMENT = 2 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of admins
-- ----------------------------
INSERT INTO `admins` VALUES (1, '管理员A', 'admin@example.com', '13900000001', 'adminhash', '2025-07-04 21:55:58');

-- ----------------------------
-- Table structure for audio_analysis_results
-- ----------------------------
DROP TABLE IF EXISTS `audio_analysis_results`;
CREATE TABLE `audio_analysis_results`  (
  `id` int NOT NULL AUTO_INCREMENT,
  `interview_id` bigint NOT NULL,
  `emotion` varchar(50) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL DEFAULT NULL,
  `fluency_score` float NULL DEFAULT NULL,
  `tone_analysis` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL,
  PRIMARY KEY (`id`) USING BTREE,
  INDEX `interview_id`(`interview_id` ASC) USING BTREE,
  CONSTRAINT `audio_analysis_results_ibfk_1` FOREIGN KEY (`interview_id`) REFERENCES `interviews` (`id`) ON DELETE CASCADE ON UPDATE RESTRICT
) ENGINE = InnoDB AUTO_INCREMENT = 2 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of audio_analysis_results
-- ----------------------------

-- ----------------------------
-- Table structure for audios
-- ----------------------------
DROP TABLE IF EXISTS `audios`;
CREATE TABLE `audios`  (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `file_path` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `upload_time` datetime NULL DEFAULT CURRENT_TIMESTAMP,
  `description` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL,
  PRIMARY KEY (`id`) USING BTREE
) ENGINE = InnoDB AUTO_INCREMENT = 65 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of audios
-- ----------------------------
INSERT INTO `audios` VALUES (1, 'audio_zhangsan.mp3', '2025-07-04 21:59:30', 'AI岗位模拟面试音频');
INSERT INTO `audios` VALUES (29, '/uploads/audios/audio_202412490753_1752408912051.mp3', '2025-07-13 20:15:14', '自动提取音频');
INSERT INTO `audios` VALUES (60, '/uploads/audios/audio_202412490753_1752759854245.mp3', '2025-07-17 21:44:14', '自动提取音频');
INSERT INTO `audios` VALUES (65, '/uploads/audios/audio_202412490753_1752911979678.mp3', '2025-07-19 15:59:39', '自动提取音频');
INSERT INTO `audios` VALUES (66, '/uploads/audios/audio_202412490753_1752912423513.mp3', '2025-07-19 16:07:04', '自动提取音频');
INSERT INTO `audios` VALUES (67, '/uploads/audios/audio_202412490753_1752913345604.mp3', '2025-07-19 16:22:26', '自动提取音频');
INSERT INTO `audios` VALUES (68, '/uploads/audios/audio_202412490753_1752915914199.mp3', '2025-07-19 17:05:14', '自动提取音频');
INSERT INTO `audios` VALUES (69, '/uploads/audios/audio_202412490753_1752930969186.mp3', '2025-07-19 21:16:09', '自动提取音频');
INSERT INTO `audios` VALUES (70, '/uploads/audios/audio_202412490753_1752931703942.mp3', '2025-07-19 21:28:24', '自动提取音频');

-- ----------------------------
-- Table structure for domains
-- ----------------------------
DROP TABLE IF EXISTS `domains`;
CREATE TABLE `domains`  (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `name` varchar(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `description` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL,
  PRIMARY KEY (`id`) USING BTREE
) ENGINE = InnoDB AUTO_INCREMENT = 4 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of domains
-- ----------------------------
INSERT INTO `domains` VALUES (1, '人工智能', '人工智能是当前科技发展的前沿领域，涵盖机器学习、自然语言处理、计算机视觉等多个方向。它致力于赋予机器模拟人类智能的能力，广泛应用于智能客服、推荐系统、图像识别、自动驾驶等场景。随着大模型和多模态技术的发展，AI 不仅在算法层面不断突破，也推动了企业在自动化与智能化转型中的加速落地。作为求职者，掌握 AI 基础理论和实际工程能力，能够胜任模型训练、数据分析、算法优化等关键岗位。');
INSERT INTO `domains` VALUES (2, '大数据', '大数据技术关注于对海量、多源、实时数据的采集、存储、计算与分析，其核心价值在于挖掘数据中的潜在信息，辅助企业做出更精准的决策。Hadoop、Spark、Flink 等是主流的大数据处理框架，配合数据仓库、数据可视化和机器学习工具，为业务提供强大支持。在数据驱动决策日益普及的今天，大数据岗位不仅要求技术实现能力，也考验对数据质量、数据安全和业务逻辑的理解能力。');
INSERT INTO `domains` VALUES (3, '物联网', '物联网是实现万物互联的关键技术，通过感知设备、网络通信与云端处理，将物理世界与数字世界连接起来。其应用已覆盖智能家居、智慧城市、工业自动化、智慧医疗等众多领域。物联网开发涉及嵌入式系统、无线通信协议、边缘计算和平台集成等多个方面。具备软硬件协同开发能力，以及对设备数据实时处理与管理的理解，是胜任 IoT 岗位的核心要求。');

-- ----------------------------
-- Table structure for evaluation_indicators
-- ----------------------------
DROP TABLE IF EXISTS `evaluation_indicators`;
CREATE TABLE `evaluation_indicators`  (
  `id` bigint NOT NULL,
  `name` varchar(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `description` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL,
  PRIMARY KEY (`id`) USING BTREE
) ENGINE = InnoDB CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of evaluation_indicators
-- ----------------------------
INSERT INTO `evaluation_indicators` VALUES (1, '专业知识水平', '候选人对技术领域的基础理论与实践能力，如算法、架构等.');
INSERT INTO `evaluation_indicators` VALUES (2, '技能匹配度', '候选人与岗位要求的技能（编程、工具、平台）契合程度.');
INSERT INTO `evaluation_indicators` VALUES (3, '语言表达能力', '候选人回答问题时语言清晰度、条理性、逻辑性.');
INSERT INTO `evaluation_indicators` VALUES (4, '逻辑思维能力', '分析问题、解决问题的结构性思维方法与能力.');
INSERT INTO `evaluation_indicators` VALUES (5, '应变抗压能力', '候选人在压力或意外提问下的临场反应与调整能力.');
INSERT INTO `evaluation_indicators` VALUES (6, '创新能力', '在复杂或不确定环境中提出新思路、设计新方案并有效解决问题的能力。');

-- ----------------------------
-- Table structure for feedback_reports
-- ----------------------------
DROP TABLE IF EXISTS `feedback_reports`;
CREATE TABLE `feedback_reports`  (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `interview_id` bigint NOT NULL,
  `radar_chart_json` json NULL,
  `key_issues` json NULL,
  `suggestions` json NULL,
  `generated_time` datetime NULL DEFAULT CURRENT_TIMESTAMP,
  PRIMARY KEY (`id`) USING BTREE,
  INDEX `interview_id`(`interview_id` ASC) USING BTREE,
  CONSTRAINT `feedback_reports_ibfk_1` FOREIGN KEY (`interview_id`) REFERENCES `interviews` (`id`) ON DELETE CASCADE ON UPDATE RESTRICT
) ENGINE = InnoDB AUTO_INCREMENT = 21 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of feedback_reports
-- ----------------------------
INSERT INTO `feedback_reports` VALUES (1, 1, '{\"创新能力\": 82.7, \"技能匹配度\": 94.5, \"专业知识水平\": 86.8, \"应变抗压能力\": 93.9, \"语言表达能力\": 84.2, \"逻辑思维能力\": 88.6}', '{\"项目经验描述\": \"项目经验描述中，对个人职责和贡献的表述不够具体，缺乏量化指标说明项目成果和影响。\", \"开放性问题应对\": \"面对如何解决数据不平衡问题的开放性问题时，思考时间较长，回答结构不够清晰。\", \"深度学习模型优化\": \"在讨论模型优化策略时，未能清晰阐述正则化技术的具体应用场景和优缺点，对最新优化算法了解有限。\"}', '{\"实践项目强化\": \"完成1-2个完整的端到端机器学习项目，涵盖数据预处理、模型选择、超参数调优和部署全流程，并整理到GitHub展示。\", \"开放性问题训练\": \"针对常见机器学习开放性问题进行模拟训练，练习快速构建回答框架（如\\\\\\\"定义-方法-案例-优缺点\\\\\\\"结构），提高临场反应能力、思维训练与反应能力。\", \"项目经验结构化表达\": \"使用STAR法则（情境-任务-行动-结果）描述项目经验，增加量化指标（如模型准确率提升15%）和具体技术难点的解决方案。\", \"加强深度学习理论基础\": \"建议深入学习最新的模型优化技术，特别是注意力机制和Transformer架构的应用。推荐资源：《深度学习优化实战》和斯坦福CS231n课程。\"}', '2025-07-07 12:31:12');
INSERT INTO `feedback_reports` VALUES (3, 44, '{\"创新能力\": 80, \"技能匹配度\": 85, \"专业知识水平\": 86, \"应变抗压能力\": 75, \"语言表达能力\": 78, \"逻辑思维能力\": 82}', '{\"知识深度待提升\": \"对交叉验证的作用描述停留在表面，未提及参数调优等深层应用。\", \"压力应对表现明显\": \"最后一个问题回答时因紧张出现思维混乱（如\'你别给我买菜\'）和遗漏关键点。\", \"代码细节掌握不牢固\": \"PyTorch模型加载后未明确说明需调用`model.eval()`的作用及原因。\", \"语言表达流畅性不足\": \"回答中存在较多重复、停顿和口语化表达（如\'嗯\'、\'啊\'），影响信息传递效率。\", \"部分术语表述不准确\": \"如将贝叶斯估计称为\'极大自然估计\'，KNN算法描述中出现\'拍套取模型\'等明显口误。\"}', '{\"代码实践建议\": \"每周完成3个完整PyTorch模型保存与加载案例，重点区分`state_dict`与`model`差异。\", \"抗压训练建议\": \"参加限时编程挑战赛，在时间压力下锻炼思维连贯性，培养错误快速恢复能力。\", \"知识深化建议\": \"针对每个算法手动推导数学公式（如KNN的距离加权公式），撰写技术博客巩固理解。\", \"语言训练建议\": \"通过模拟面试录音回放，针对性纠正口头禅，学习分点陈述结构化表达。\", \"术语规范化建议\": \"建立机器学习术语对照表，每日强化记忆专业词汇的准确发音和英文对应。\"}', '2025-07-13 21:19:29');
INSERT INTO `feedback_reports` VALUES (20, 99, '{\"创新能力\": 30, \"技能匹配度\": 40, \"专业知识水平\": 50, \"应变抗压能力\": 30, \"语言表达能力\": 30, \"逻辑思维能力\": 30}', '{\"问题1描述\": \"面试者对销售预测的回答过于简略，未展示任何具体方法或流程。\", \"问题2描述\": \"面试者对A/B测试的流程描述不清晰，回答内容缺乏逻辑性和完整性。\", \"问题3描述\": \"面试者在分析促销活动效果时，回答含糊不清，未能提供有效的分析思路或策略建议。\", \"问题4描述\": \"编程题回答代码不完整且语法错误，无法实现加权平均值的计算功能。\", \"问题5描述\": \"整体回答中多次出现\'嗯\'等口头禅，语言表达不够流畅，影响沟通效果。\", \"问题6描述\": \"面试者未能结合AI算法工程师岗位需求展示相关技能或知识，回答内容与岗位关联性弱。\"}', '{\"建议1\": \"建议加强专业术语和概念的掌握，回答问题时需具体说明方法、流程及应用场景。\", \"建议2\": \"提升语言组织能力，避免口头禅，确保表达清晰、逻辑连贯。\", \"建议3\": \"针对技术岗位，需强化编程基础训练，确保代码完整性和可运行性。\", \"建议4\": \"回答案例分析题时，应分步骤明确分析框架，并提出可落地的解决方案。\", \"建议5\": \"提前研究目标岗位的核心技能要求，在回答中主动关联相关经验或知识。\", \"建议6\": \"通过模拟面试练习，提升应变能力和抗压表现，避免因紧张导致回答质量下降。\"}', '2025-07-17 21:45:16');
INSERT INTO `feedback_reports` VALUES (21, 188, '{\"创新能力\": 20, \"技能匹配度\": 40, \"专业知识水平\": 50, \"应变抗压能力\": 30, \"语言表达能力\": 30, \"逻辑思维能力\": 20}', '{\"问题1描述\": \"面试者对激活函数的理解表述混乱，无法正确举例说明，存在明显知识漏洞。\", \"问题2描述\": \"回答缺乏逻辑性，未提供有效的问题定位思路或解决方案，表现出对AI模型维护的陌生。\", \"问题3描述\": \"未能编写代码实现TF-IDF文本向量化，回答内容与问题无关，技术能力存疑。\", \"问题4描述\": \"语言表达不连贯，多次出现重复、无意义词汇，沟通效率极低。\", \"问题5描述\": \"未体现任何实际项目或学术经历中的成果，理论与实践结合能力不足。\", \"问题6描述\": \"自我评价与实际表现严重不符，存在过度夸大个人能力的嫌疑。\"}', '{\"建议1\": \"系统学习深度学习基础概念（如激活函数），并通过实践项目巩固知识，例如复现经典神经网络模型。\", \"建议2\": \"加强代码训练，从基础算法实现（如TF-IDF）开始，逐步提升编程与调试能力。\", \"建议3\": \"提升语言组织能力，面试前需模拟常见问题并反复练习清晰表达技术细节。\", \"建议4\": \"深入理解AI模型开发全流程，包括数据预处理、模型调优及问题排查方法。\", \"建议5\": \"如实评估自身能力，避免在简历或回答中夸大技能水平，优先从基础岗位积累经验。\", \"建议6\": \"通过模拟面试或录制回答视频，观察并改进沟通中的语病、卡顿等问题。\"}', '2025-07-19 16:00:33');
INSERT INTO `feedback_reports` VALUES (22, 189, '{\"创新能力\": 20, \"技能匹配度\": 40, \"专业知识水平\": 50, \"应变抗压能力\": 30, \"语言表达能力\": 30, \"逻辑思维能力\": 20}', '{\"问题1描述\": \"面试者对激活函数的理解表述混乱，无法正确举例说明，存在明显知识漏洞。\", \"问题2描述\": \"回答缺乏逻辑性，未提供有效的问题定位思路或解决方案，表现出对AI模型维护的陌生。\", \"问题3描述\": \"未能编写代码实现TF-IDF文本向量化，回答内容与问题无关，技术能力存疑。\", \"问题4描述\": \"语言表达不连贯，多次出现重复、无意义词汇，沟通效率极低。\", \"问题5描述\": \"未体现任何实际项目或学术经历中的成果，理论与实践结合能力不足。\", \"问题6描述\": \"自我评价与实际表现严重不符，存在过度夸大个人能力的嫌疑。\"}', '{\"建议1\": \"系统学习深度学习基础概念（如激活函数），并通过实践项目巩固知识，例如复现经典神经网络模型。\", \"建议2\": \"加强代码训练，从基础算法实现（如TF-IDF）开始，逐步提升编程与调试能力。\", \"建议3\": \"提升语言组织能力，面试前需模拟常见问题并反复练习清晰表达技术细节。\", \"建议4\": \"深入理解AI模型开发全流程，包括数据预处理、模型调优及问题排查方法。\", \"建议5\": \"如实评估自身能力，避免在简历或回答中夸大技能水平，优先从基础岗位积累经验。\", \"建议6\": \"通过模拟面试或录制回答视频，观察并改进沟通中的语病、卡顿等问题。\"}', '2025-07-19 16:07:27');
INSERT INTO `feedback_reports` VALUES (23, 191, '{\"创新能力\": 20, \"技能匹配度\": 40, \"专业知识水平\": 50, \"应变抗压能力\": 20, \"语言表达能力\": 30, \"逻辑思维能力\": 20}', '{\"问题1描述\": \"面试者在回答数据稽核相关问题时，表述不清晰且内容与问题无关，未能准确解释数据稽核的概念及测试意义。\", \"问题2描述\": \"对于测试数据采集完整性的问题，无识别结果，无法判断其对该知识点的掌握情况。\", \"问题3描述\": \"编程题未作答，无法评估其实际编程能力和解决实际问题的能力。\"}', '{\"建议1\": \"建议加强专业知识的学习，深入理解相关概念，如数据稽核等，以便在面试中能够准确清晰地回答问题。\", \"建议2\": \"注重语言表达能力的训练，回答问题时要条理清晰、逻辑连贯，避免出现表述不清或答非所问的情况。\", \"建议3\": \"提升应对压力和突发情况的能力，遇到难题时保持冷静，尽量尝试回答，展现自己的思考过程和解决问题的能力。\", \"建议4\": \"加强对编程实践的练习，提高实际编写代码解决问题的能力，以应对可能的编程测试环节。\", \"建议5\": \"在面试前要做好充分准备，对可能涉及的专业知识和技能进行系统复习和巩固。\"}', '2025-07-19 16:23:14');
INSERT INTO `feedback_reports` VALUES (24, 196, '{\"创新能力\": 50, \"技能匹配度\": 55, \"专业知识水平\": 60, \"应变抗压能力\": 60, \"语言表达能力\": 70, \"逻辑思维能力\": 65}', '{\"问题1描述\": \"面试者未回答关于数据测试中字段单位不一致处理的问题，缺乏相关解决方案的阐述。\", \"问题2描述\": \"面试者未提供识别和定位Spark任务数据倾斜问题的方法，无法评估其对大数据测试工具的理解。\", \"问题3描述\": \"面试者未解释数据一致性测试的概念，未能展示对核心测试领域的掌握。\", \"问题4描述\": \"面试者未分析数据同步服务实时一致性验证的关键测试点，缺乏实际案例处理能力。\", \"问题5描述\": \"面试者未完成Hive SQL编程题，无法验证其SQL技能及数据分析能力。\"}', '{\"建议1\": \"加强大数据测试领域核心问题的模拟练习，例如数据一致性、数据倾斜等场景的应对策略。\", \"建议2\": \"提升技术问题的语言组织能力，确保在回答时能清晰表达解决思路和步骤。\", \"建议3\": \"补充Hive SQL及其他数据库工具的实际操作经验，强化编程题的训练和实战能力。\", \"建议4\": \"针对数据同步、实时性验证等案例，建议学习业界标准测试方案并积累实践经验。\", \"建议5\": \"优化自我展示逻辑，将项目经历与岗位需求结合，突出技术细节和成果量化。\"}', '2025-07-19 17:06:08');
INSERT INTO `feedback_reports` VALUES (25, 220, '{\"创新能力\": 50, \"技能匹配度\": 50, \"专业知识水平\": 50, \"应变抗压能力\": 50, \"语言表达能力\": 50, \"逻辑思维能力\": 50}', '{\"问题标题1\": \"Kubernetes概念理解错误\", \"问题标题2\": \"Linux故障排查工具不熟悉\", \"问题标题3\": \"监控告警体系设计思路不清晰\", \"问题标题4\": \"编程题解答逻辑混乱\"}', '{\"建议标题1\": \"系统学习Kubernetes核心组件\", \"建议标题2\": \"掌握Linux系统运维基础命令\", \"建议标题3\": \"研究Prometheus+Grafana监控方案\", \"建议标题4\": \"练习Shell脚本编写规范\"}', '2025-07-19 21:17:14');
INSERT INTO `feedback_reports` VALUES (26, 221, '{\"创新能力\": 60, \"技能匹配度\": 60, \"专业知识水平\": 65, \"应变抗压能力\": 70, \"语言表达能力\": 55, \"逻辑思维能力\": 60}', '{\"技术概念混淆\": \"回答中多次将Kubernetes误称为\'Cooper net\'，且对HPA、资源配额等核心概念解释模糊，缺乏技术细节和准确性。\", \"表达冗余重复\": \"回答频繁出现口头禅（如\'嗯\'\'啊\'）、重复语句，结构松散，关键信息被大量无效表达稀释。\", \"问题理解偏差\": \"在CI/CD和备份方案设计问题中，回答依赖上题错误概念（如\'Cooper net\'），未明确具体实现工具或流程，逻辑断层明显。\"}', '{\"夯实容器化基础\": \"系统学习Kubernetes官方文档（https://kubernetes.io/zh/docs/home/），重点掌握HPA、资源管理、CI/CD集成等模块，完成配套实验。\", \"项目经验深度挖掘\": \"在简历中补充课程设计项目的技术栈细节（如SSM框架版本、数据库类型），面试时用STAR法则描述如何通过HPA优化服务性能的具体案例。\", \"提升技术表达精准度\": \"参加技术演讲工作坊（如Coursera《Technical Communication for Engineers》），练习用思维导图梳理答案逻辑后再开口，减少模糊表述。\"}', '2025-07-19 21:29:54');

-- ----------------------------
-- Table structure for indicator_scores
-- ----------------------------
DROP TABLE IF EXISTS `indicator_scores`;
CREATE TABLE `indicator_scores`  (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `interview_id` bigint NOT NULL,
  `indicator_id` bigint NOT NULL,
  `score` decimal(5, 2) NOT NULL,
  PRIMARY KEY (`id`) USING BTREE,
  INDEX `interview_id`(`interview_id` ASC) USING BTREE,
  INDEX `indicator_id`(`indicator_id` ASC) USING BTREE,
  CONSTRAINT `indicator_scores_ibfk_1` FOREIGN KEY (`interview_id`) REFERENCES `interviews` (`id`) ON DELETE CASCADE ON UPDATE RESTRICT,
  CONSTRAINT `indicator_scores_ibfk_2` FOREIGN KEY (`indicator_id`) REFERENCES `evaluation_indicators` (`id`) ON DELETE CASCADE ON UPDATE RESTRICT
) ENGINE = InnoDB AUTO_INCREMENT = 125 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of indicator_scores
-- ----------------------------
INSERT INTO `indicator_scores` VALUES (11, 1, 1, 94.50);
INSERT INTO `indicator_scores` VALUES (12, 1, 2, 86.80);
INSERT INTO `indicator_scores` VALUES (13, 1, 3, 84.20);
INSERT INTO `indicator_scores` VALUES (14, 1, 4, 88.60);
INSERT INTO `indicator_scores` VALUES (15, 1, 5, 93.90);
INSERT INTO `indicator_scores` VALUES (16, 1, 6, 82.70);
INSERT INTO `indicator_scores` VALUES (17, 44, 5, 75.00);
INSERT INTO `indicator_scores` VALUES (18, 44, 6, 80.00);
INSERT INTO `indicator_scores` VALUES (19, 44, 3, 78.00);
INSERT INTO `indicator_scores` VALUES (20, 44, 1, 86.00);
INSERT INTO `indicator_scores` VALUES (21, 44, 4, 82.00);
INSERT INTO `indicator_scores` VALUES (22, 44, 2, 85.00);
INSERT INTO `indicator_scores` VALUES (119, 99, 5, 30.00);
INSERT INTO `indicator_scores` VALUES (120, 99, 6, 30.00);
INSERT INTO `indicator_scores` VALUES (121, 99, 3, 30.00);
INSERT INTO `indicator_scores` VALUES (122, 99, 1, 50.00);
INSERT INTO `indicator_scores` VALUES (123, 99, 4, 30.00);
INSERT INTO `indicator_scores` VALUES (124, 99, 2, 40.00);
INSERT INTO `indicator_scores` VALUES (125, 188, 5, 30.00);
INSERT INTO `indicator_scores` VALUES (126, 188, 6, 20.00);
INSERT INTO `indicator_scores` VALUES (127, 188, 3, 30.00);
INSERT INTO `indicator_scores` VALUES (128, 188, 1, 50.00);
INSERT INTO `indicator_scores` VALUES (129, 188, 4, 20.00);
INSERT INTO `indicator_scores` VALUES (130, 188, 2, 40.00);
INSERT INTO `indicator_scores` VALUES (131, 189, 5, 30.00);
INSERT INTO `indicator_scores` VALUES (132, 189, 6, 20.00);
INSERT INTO `indicator_scores` VALUES (133, 189, 3, 30.00);
INSERT INTO `indicator_scores` VALUES (134, 189, 1, 50.00);
INSERT INTO `indicator_scores` VALUES (135, 189, 4, 20.00);
INSERT INTO `indicator_scores` VALUES (136, 189, 2, 40.00);
INSERT INTO `indicator_scores` VALUES (137, 191, 5, 20.00);
INSERT INTO `indicator_scores` VALUES (138, 191, 6, 20.00);
INSERT INTO `indicator_scores` VALUES (139, 191, 3, 30.00);
INSERT INTO `indicator_scores` VALUES (140, 191, 1, 50.00);
INSERT INTO `indicator_scores` VALUES (141, 191, 4, 20.00);
INSERT INTO `indicator_scores` VALUES (142, 191, 2, 40.00);
INSERT INTO `indicator_scores` VALUES (143, 196, 5, 60.00);
INSERT INTO `indicator_scores` VALUES (144, 196, 6, 50.00);
INSERT INTO `indicator_scores` VALUES (145, 196, 3, 70.00);
INSERT INTO `indicator_scores` VALUES (146, 196, 1, 60.00);
INSERT INTO `indicator_scores` VALUES (147, 196, 4, 65.00);
INSERT INTO `indicator_scores` VALUES (148, 196, 2, 55.00);
INSERT INTO `indicator_scores` VALUES (149, 220, 5, 50.00);
INSERT INTO `indicator_scores` VALUES (150, 220, 6, 50.00);
INSERT INTO `indicator_scores` VALUES (151, 220, 3, 50.00);
INSERT INTO `indicator_scores` VALUES (152, 220, 1, 50.00);
INSERT INTO `indicator_scores` VALUES (153, 220, 4, 50.00);
INSERT INTO `indicator_scores` VALUES (154, 220, 2, 50.00);
INSERT INTO `indicator_scores` VALUES (155, 221, 5, 70.00);
INSERT INTO `indicator_scores` VALUES (156, 221, 6, 60.00);
INSERT INTO `indicator_scores` VALUES (157, 221, 3, 55.00);
INSERT INTO `indicator_scores` VALUES (158, 221, 1, 65.00);
INSERT INTO `indicator_scores` VALUES (159, 221, 4, 60.00);
INSERT INTO `indicator_scores` VALUES (160, 221, 2, 60.00);

-- ----------------------------
-- Table structure for interview_modalities
-- ----------------------------
DROP TABLE IF EXISTS `interview_modalities`;
CREATE TABLE `interview_modalities`  (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `interview_id` bigint NOT NULL,
  `video_id` bigint NULL DEFAULT NULL,
  `audio_id` bigint NULL DEFAULT NULL,
  `transcript_id` bigint NULL DEFAULT NULL,
  PRIMARY KEY (`id`) USING BTREE,
  INDEX `interview_id`(`interview_id` ASC) USING BTREE,
  INDEX `video_id`(`video_id` ASC) USING BTREE,
  INDEX `audio_id`(`audio_id` ASC) USING BTREE,
  INDEX `transcript_id`(`transcript_id` ASC) USING BTREE,
  CONSTRAINT `interview_modalities_ibfk_1` FOREIGN KEY (`interview_id`) REFERENCES `interviews` (`id`) ON DELETE CASCADE ON UPDATE RESTRICT,
  CONSTRAINT `interview_modalities_ibfk_2` FOREIGN KEY (`video_id`) REFERENCES `videos` (`id`) ON DELETE SET NULL ON UPDATE RESTRICT,
  CONSTRAINT `interview_modalities_ibfk_3` FOREIGN KEY (`audio_id`) REFERENCES `audios` (`id`) ON DELETE SET NULL ON UPDATE RESTRICT,
  CONSTRAINT `interview_modalities_ibfk_4` FOREIGN KEY (`transcript_id`) REFERENCES `transcripts` (`id`) ON DELETE SET NULL ON UPDATE RESTRICT
) ENGINE = InnoDB AUTO_INCREMENT = 68 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of interview_modalities
-- ----------------------------
INSERT INTO `interview_modalities` VALUES (1, 1, 1, 1, 1);
INSERT INTO `interview_modalities` VALUES (27, 44, 40, 29, 14);
INSERT INTO `interview_modalities` VALUES (54, 99, 71, 60, 41);
INSERT INTO `interview_modalities` VALUES (73, 188, 91, 65, 42);
INSERT INTO `interview_modalities` VALUES (74, 188, 91, 65, 42);
INSERT INTO `interview_modalities` VALUES (75, 189, 92, 66, 43);
INSERT INTO `interview_modalities` VALUES (76, 189, 92, 66, 43);
INSERT INTO `interview_modalities` VALUES (77, 191, 93, 67, 44);
INSERT INTO `interview_modalities` VALUES (78, 191, 93, 67, 44);
INSERT INTO `interview_modalities` VALUES (79, 196, 94, 68, 45);
INSERT INTO `interview_modalities` VALUES (80, 196, 94, 68, 45);
INSERT INTO `interview_modalities` VALUES (81, 220, 96, 69, 46);
INSERT INTO `interview_modalities` VALUES (82, 220, 96, 69, 46);
INSERT INTO `interview_modalities` VALUES (83, 221, 97, 70, 47);
INSERT INTO `interview_modalities` VALUES (84, 221, 97, 70, 47);

-- ----------------------------
-- Table structure for interviews
-- ----------------------------
DROP TABLE IF EXISTS `interviews`;
CREATE TABLE `interviews`  (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `student_id` bigint NOT NULL,
  `position_id` bigint NULL DEFAULT NULL,
  `interview_date` datetime NOT NULL,
  `duration_second` int NULL DEFAULT NULL,
  PRIMARY KEY (`id`) USING BTREE,
  INDEX `student_id`(`student_id` ASC) USING BTREE,
  INDEX `position_id`(`position_id` ASC) USING BTREE,
  CONSTRAINT `interviews_ibfk_2` FOREIGN KEY (`position_id`) REFERENCES `positions` (`id`) ON DELETE SET NULL ON UPDATE RESTRICT
) ENGINE = InnoDB AUTO_INCREMENT = 173 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of interviews
-- ----------------------------
INSERT INTO `interviews` VALUES (1, 1, 1, '2025-07-05 10:00:00', 1320);
INSERT INTO `interviews` VALUES (44, 1, 1, '2025-07-13 19:24:44', 240);
INSERT INTO `interviews` VALUES (99, 1, 1, '2025-07-17 21:43:31', 42);
INSERT INTO `interviews` VALUES (188, 1, 1, '2025-07-19 15:58:49', 49);
INSERT INTO `interviews` VALUES (189, 1, 1, '2025-07-19 16:05:05', 116);
INSERT INTO `interviews` VALUES (191, 1, 11, '2025-07-19 16:20:29', 115);
INSERT INTO `interviews` VALUES (196, 1, 11, '2025-07-19 17:04:52', 21);
INSERT INTO `interviews` VALUES (220, 1, 5, '2025-07-19 21:14:31', 96);
INSERT INTO `interviews` VALUES (221, 1, 5, '2025-07-19 21:25:21', 181);

-- ----------------------------
-- Table structure for learning_resources
-- ----------------------------
DROP TABLE IF EXISTS `learning_resources`;
CREATE TABLE `learning_resources`  (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `title` varchar(200) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `resource_type` varchar(50) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL DEFAULT NULL,
  `url` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `description` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL,
  `tag` varchar(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL DEFAULT NULL,
  PRIMARY KEY (`id`) USING BTREE
) ENGINE = InnoDB AUTO_INCREMENT = 3 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of learning_resources
-- ----------------------------
INSERT INTO `learning_resources` VALUES (1, '表达训练课程', '视频', 'https://example.com/exp-course', '提升语言表达与沟通能力', '表达能力');
INSERT INTO `learning_resources` VALUES (2, 'AI岗位常见面试题', '题库', 'https://example.com/ai-qa', '常见技术类问题汇总', 'AI');

-- ----------------------------
-- Table structure for positions
-- ----------------------------
DROP TABLE IF EXISTS `positions`;
CREATE TABLE `positions`  (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `name` varchar(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `domain_id` bigint NOT NULL,
  `description` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL,
  `interview_preview` json NULL COMMENT '面试准备',
  `salary` varchar(20) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL DEFAULT NULL,
  `experience` varchar(20) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL DEFAULT NULL,
  `education` varchar(20) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL DEFAULT NULL,
  `tags` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL,
  PRIMARY KEY (`id`) USING BTREE,
  INDEX `domain_id`(`domain_id` ASC) USING BTREE,
  CONSTRAINT `positions_ibfk_1` FOREIGN KEY (`domain_id`) REFERENCES `domains` (`id`) ON DELETE CASCADE ON UPDATE RESTRICT
) ENGINE = InnoDB AUTO_INCREMENT = 22 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of positions
-- ----------------------------
INSERT INTO `positions` VALUES (1, 'AI算法工程师', 1, '岗位职责\r\n1.负责针对具体EDA问题，采用AI算法进行基于数据驱动的解决方法构建，包括问题抽象，模型的构建、训练和优化；\r\n2.负责数据集构建，包括收集、清洗和标准化等工作；\r\n3.跟踪业界进展，探索可行的前沿技术，针对算法落地遇到的问题提出解决方案；\r\n4.完成领导安排的其他工作。\r\n\r\n任职要求\r\n1.学历要求：985硕士及以上学历；\r\n2.专业要求：接受应届生，计算机/数学/人工智能等相关专业，大型竞赛获奖者优先。\r\n3.工作经历：3年以上相关工作经验；优秀的应届毕业生优先考虑；\r\n4.计算机理论基础扎实，熟练使用Python、C++编程；有较强的深度学习算法理论基础，熟悉模型训练原理，熟悉pytorch等深度学习框架；\r\n5.具有较强的AI算法实现能力，有图神经网络、强化学习等深度学习算法编码与实际工程设计和调试经验；\r\n6.有EDA算法研发经验者优先；有多任务学习、大模型训练调优等领域的研究经验优先；有性能分析与优化经验者优先；\r\n7.团队协作意识高，独立工作能力强，具有良好的人际沟通能力，工作积极主动，责任心强，能承受一定的工作压力。\r\n8.EDA行业经验或者硕博期间研究相关课题。', '{\"steps\": [{\"title\": \"第一步：自我介绍\", \"description\": \"请介绍您的AI项目经验与研究方向。\"}, {\"title\": \"第二步：算法知识问答\", \"description\": \"涵盖深度学习、NLP、推荐系统等技术。\"}, {\"title\": \"第三步：实际案例分析\", \"description\": \"解决AI模型部署与性能调优问题。\"}, {\"title\": \"第四步：编程挑战\", \"description\": \"实现一个简单的深度学习模型。\"}], \"position\": \"AI算法工程师\"}', '25k-40k/月', '3年以上', '硕士及以上', '深度学习, TensorFlow, Python, 模型优化');
INSERT INTO `positions` VALUES (2, 'AI产品专家', 1, '岗位职责\r\n1. 深入研究政务行业国家政策、行业动态与竞争对手，定期产出高质量分析报告，为公司决策提供关键依据。\r\n2. 从行业业务全局出发，精准挖掘潜在增长机会，制定并完善行业产品策略，确保产品在市场中的竞争力。\r\n3. 基于产品策略，设计并输出具有创新性的解决方案，组织专业培训，提升团队方案推广能力，同时在项目初期参与客户汇报，确保方案顺利落地。\r\n4. 产品开发落地后，指导项目经理推进项目，保障项目成功交付。\r\n任职要求\r\n1. 熟练掌握市场及竞品分析方法，能够准确把握市场需求与趋势。\r\n2. 学习能力强，能够快速适应新知识、新环境，善于与团队成员协作，共同达成目标。\r\n3. 逻辑思维清晰，具备良好的沟通、表达能力，能够准确、有效地传达信息，同时具有扎实的文字功底，能够撰写各类专业文档。\r\n4. 熟悉软件产品开发流程，具备售前技术支持、咨询顾问、项目经理或产品经理等相关工作经验者优先。\r\n5. 本科及以上学历，计算机、软件工程、管理信息系统、电子工程等相关专业，具备扎实的专业知识基础。\r\n6. 能适应短期出差，具备较强的责任心和抗压能力，能够在出差期间高效完成工作任务。', '{\"steps\": [{\"title\": \"第一步：背景介绍\", \"description\": \"讲述产品规划与AI结合的案例。\"}, {\"title\": \"第二步：需求理解\", \"description\": \"分析用户痛点并提出产品设计方案。\"}, {\"title\": \"第三步：跨部门沟通\", \"description\": \"模拟协调算法、研发、运营团队。\"}, {\"title\": \"第四步：案例评估\", \"description\": \"评估某AI产品功能与市场反馈。\"}], \"position\": \"AI产品专家\"}', '20k-35k/月', '3-5年', '本科及以上', 'AI产品设计, 用户研究, 数据驱动, 项目管理');
INSERT INTO `positions` VALUES (3, '后端开发（AI）', 1, '岗位职责\r\n1、使用Python开发高效的AI应用、工具及自动化流程；\r\n2、设计并优化面向大语言模型（LLM）的提示工程（Prompt Engineering），提升模型输出质量与任务适配性；\r\n3、参与AI模型（如NLP、生成式模型等）的微调、部署及性能优化；\r\n4、与跨职能团队协作，将业务需求转化为技术解决方案；\r\n5、跟踪AI领域前沿技术（如GPT、Claude等模型进展），探索创新应用场景；\r\n6、撰写技术文档，分享最佳实践与经验。\r\n\r\n任职要求\r\n1、计算机科学、人工智能、数据科学或相关领域本科及以上学历；\r\n2、精通Python编程，理解机器学习与深度学习原理\r\n3、熟悉提示工程（Prompt Engineering）方法论，能针对不同任务设计有效Prompt策略；\r\n4、熟悉主流大语言模型（如GPT系列、Claude、文心一言等）的API调用与优化技巧；\r\n5、良好的逻辑思维能力，能独立解决复杂技术问题。', '{\"steps\": [{\"title\": \"第一步：自我介绍\", \"description\": \"展示您在AI项目中的后端经验。\"}, {\"title\": \"第二步：系统设计\", \"description\": \"设计一个可扩展的AI服务后端结构。\"}, {\"title\": \"第三步：代码实现\", \"description\": \"完成接口开发与数据库操作。\"}, {\"title\": \"第四步：优化与部署\", \"description\": \"如何实现模型服务化与高可用部署。\"}], \"position\": \"后端开发（AI）\"}', '22k-38k/月', '2-4年', '本科及以上', 'Spring Boot, Python, 微服务, AI接口');
INSERT INTO `positions` VALUES (4, 'AI开发工程师', 1, '岗位职责\r\n1.参与 AI 工程的全栈开发，包括但不限于 Web/移动端/桌面端各类终端系统搭建、SDK 开发\r\n2.参与构建和优化公司 AI 应用所需的业务平台开发，确保系统的高性能、高可用性和可扩展性。\r\n3.将前沿的 AI 技术（如 RAG、Embedding）与现有业务场景相结合，探索和落地创新的 AI 解决方案。\r\n\r\n技术背景\r\n计算机科学、软件工程或相关专业本科及以上学历。\r\n\r\n技能要求\r\n1.精通 JavaScript/TypeScript、React、Vue 或其他现代前端框架，具备丰富的单页应用（SPA）开发经验，能够构建高质量、交互性强的用户界面。\r\n2.熟练使用 Python/Java/Node 中的一种及常用 Web 开发框架\r\n3.掌握 PostgreSQL/MongoDB 等数据库技术、 了解 Docker/K8s 基本运维部署\r\n4.熟悉 Embedding 和 RAG 等核心 AI 概念，并了解其在实际应用中的价值。', '{\"steps\": [{\"title\": \"第一步：背景介绍\", \"description\": \"展示模型训练、部署的经验。\"}, {\"title\": \"第二步：MLOps知识\", \"description\": \"探讨持续集成与自动化训练流程。\"}, {\"title\": \"第三步：实战题\", \"description\": \"部署一个模型并进行灰度发布演示。\"}, {\"title\": \"第四步：代码优化\", \"description\": \"提高推理效率与可扩展性。\"}], \"position\": \"AI工程开发工程师\"}', '28k-45k/月', '3年以上', '硕士', 'MLOps, Docker, CI/CD, 云部署, ONNX');
INSERT INTO `positions` VALUES (5, 'AI大模型运维工程师', 1, '职位描述\r\n1. 负责大模型（agent）的交付实施，包括安装部署等工作；\r\n2. 负责处理大模型项目的告警、故障响应，维护大模型平台的稳定性；\r\n3.服务日常业务的正常运维工作\r\n4. 负责对客户进行相关培训、协助项目经理完成项目验收工作；\r\n职位要求\r\n1. 拥有计算机科学、软件工程等相关专业的本科及以上学历，3年以上K8S工作经验；可接受应届生，实习生\r\n2. 熟悉 Docker、Kubernetes 等容器技术，并具备相关部署和运维经验熟悉\r\n3. 熟悉Golang/Python中至少一种开发语言，有Ansible/Saltstack/Puppet等自动化部署和编排工具开发经验；\r\n4. 熟悉 Linux/Unix 系统、网络、硬件等相关知识，具有 Troubleshooting 能力；\r\n5.熟悉网络基本模型，有阿里云、腾讯云、火山云、AWS等云平台运维经验\r\n6. 较强的沟通和团队协作能力，能够与不同部门的人员有效合作；\r\n7. 有大模型部署经验者优先；', '{\"steps\": [{\"title\": \"第一步：自我介绍\", \"description\": \"介绍维护AI大模型相关经验。\"}, {\"title\": \"第二步：故障排查\", \"description\": \"分析某次推理服务延迟的原因。\"}, {\"title\": \"第三步：日志分析\", \"description\": \"查找GPU资源异常与内存溢出问题。\"}, {\"title\": \"第四步：部署管理\", \"description\": \"讲述模型多版本管理策略。\"}], \"position\": \"AI大模型运维工程师\"}', '25k-40k/月', '2-5年', '本科', 'Kubernetes, Prometheus, GPU调度, 大模型部署');
INSERT INTO `positions` VALUES (6, '医疗产品经理(AI 人工智能)', 1, '岗位职责\r\n1.负责医疗大模型和智能体、全民健康信息平台、临床科研数据中心等产品的竞对分析、产品设计和迭代优化;\r\n2.撰写高质量售前阶段的产品解决方案、开发阶段的需求文档、设计文档和规格说明书等多种类型产品文档:3.负责协调跨部门资源，与研发、设计、销售等团队紧密合作，确保产品从概念到上线的全过程高效执行;4.跟踪项目的执行和产品的市场表现，收集用户反馈分析并优化产品，提升用户体验和产品价值;5.关注卫健和人工智能行业的政策、趋势，及时收集市场信息，制定产品策略，撰写案例分析，为关键决策提供依据。\r\n岗位要求\r\n1.211本科及以上学历。硕士学历、医学和计算机类相关专业优先;\r\n2.有大模型智能体、医疗信息化、医疗大数据相关产品经验优先\r\n3.具备出色的方案写作、产品规划和项目管理能力\r\n4.善于沟通和协调，具备优秀的项目管理能力\r\n5.学习能力强，对人工智能大模型技术发展保持浓厚兴趣，能准确把握市场需求。', '{\"tips\": [\"请提前准备好摄像头和麦克风，确保网络与环境稳定。\", \"请用实例展示你对医疗AI产品的理解与贡献。\", \"重点强调产品与临床需求的匹配度和落地能力。\"], \"steps\": [{\"step\": 1, \"title\": \"个人背景介绍\", \"duration\": \"约1分钟\", \"description\": \"请简要介绍您的医疗背景、产品经历以及参与过的AI医疗项目。\"}, {\"step\": 2, \"title\": \"产品设计能力评估\", \"duration\": \"3题，约6分钟\", \"description\": \"围绕需求调研、产品原型设计、医疗法规合规性等维度进行提问，例如：\\n- 如何开展医生与患者的需求访谈？\\n- 医疗产品如何做隐私保护设计？\"}, {\"step\": 3, \"title\": \"项目管理与落地经验\", \"duration\": \"约3分钟\", \"description\": \"描述你如何推动一个AI医疗项目从0到1，包括与研发、医生、商务的协作流程。\"}, {\"step\": 4, \"title\": \"情景分析题\", \"duration\": \"1题，约5分钟\", \"description\": \"给出一个医院场景或需求案例，分析你如何规划产品形态、设计核心功能与迭代方案。\"}, {\"step\": 5, \"title\": \"总结与反馈\", \"description\": \"系统将对您的沟通能力、医疗知识理解、产品洞察力等进行综合评估，并给出个性化反馈。\"}], \"position\": \"医疗产品经理(AI 人工智能)\"}', '25k-45k', '5年以上', '硕士及以上', '[\"医疗AI\", \"产品设计\", \"临床场景\", \"项目管理\"]');
INSERT INTO `positions` VALUES (7, '大数据开发工程师', 2, '岗位职责\r\n1、参与大数据平台的需求分析，设计高效的数据处理方案；\r\n2、负责大数据平台的开发与实施，确保数据处理的准确性和高效性；\r\n3、管理和优化数据资产，包括数据标准化、元数据管理等；\r\n4、监控并解决大数据平台运行中的批量数据处理和异常问题。\r\n\r\n任职要求\r\n1、本科及以上学历，计算机科学、信息技术、统计学等相关专业；\r\n2、精通至少一种大数据处理语言，如Java、Python、Scala等；\r\n3、具备良好的数据模型设计能力，熟悉大数据处理框架和技术栈；\r\n4、具有优秀的团队协作能力和沟通技巧，能够独立分析和解决问题。', '{\"steps\": [{\"title\": \"第一步：技术背景\", \"description\": \"介绍您对Hadoop/Spark等框架的掌握情况。\"}, {\"title\": \"第二步：ETL开发题\", \"description\": \"编写一个从Kafka读取并写入Hive的流程。\"}, {\"title\": \"第三步：性能优化\", \"description\": \"分析Spark作业的瓶颈并优化逻辑。\"}, {\"title\": \"第四步：实时计算\", \"description\": \"实现一个Flink实时处理场景。\"}], \"position\": \"大数据开发工程师\"}', '20k-35k/月', '2-4年', '本科及以上', 'Hadoop, Spark, Flink, Kafka, Hive');
INSERT INTO `positions` VALUES (8, '大数据运维工程师', 2, '岗位职责\r\n1.大数据平台现场运维，日常月度巡检、软件故障排查和诊断，日常漏洞修复重大活动现场保障服务\r\n2.产品技术支持，日常使用答疑。\r\n3.集群安装部署、扩容。\r\n任职要求\r\n1.本科及以上学历，计算机专业优先;\r\n2.1年以上工作经验，熟悉Linux、k8s;\r\n3.精通Oracle、DB2、MySQL、hive等其中一种数据库，有ETL开发经验，熟悉Java开发;\r\n4.熟悉TDH、CDH运维者优先考虑。', '{\"steps\": [{\"title\": \"第一步：平台管理\", \"description\": \"介绍维护Hadoop集群的经验。\"}, {\"title\": \"第二步：故障处理\", \"description\": \"如何定位HDFS NameNode宕机问题？\"}, {\"title\": \"第三步：自动化运维\", \"description\": \"展示使用Shell/Python编写巡检脚本。\"}, {\"title\": \"第四步：资源调度\", \"description\": \"谈谈Yarn和K8s在资源管理上的区别。\"}], \"position\": \"大数据运维工程师\"}', '18k-30k/月', '1-3年', '本科', 'Hadoop运维, 脚本开发, Yarn, Zookeeper, Hive');
INSERT INTO `positions` VALUES (9, '大数据分析师', 2, '岗位职责\r\n1.负责基于大数据平台的离线、实时数据开发分析和调度系统，整体管理数据的生产、建模、应用及质量体系建设；\r\n2.搭建基于业务运营需求基础上的数据指标体系和BI平台； \r\n3.对数据整合分析，挖掘用户、产品及潜在数据信息，为用户增长、智能调度、销量预测、风控等运营决策支撑体系提供完善的数据平台支持； \r\n4.完成各种主题表和画像建设，涉及用户、销售、车辆、供应链、技研、金融等； \r\n5.与运营、产品研发、策略算法等配合，推进优化方案落地执行，带来业务实际增长。\r\n任职要求\r\n1.具备帆软工具开发经验，熟练操作； \r\n2.掌握大数据生态技术栈，深入了解数据平台、BI、画像、分析等方向中的一项或多项； \r\n3.精通Hadoop、 Hive 和 MySQL，熟悉 Python、Shell 开发； \r\n4.对数据敏感，有较强的逻辑分析能力，有丰富的数据处理和分析经验，有复杂业务和算法的数据平台建设经验优先；\r\n5.工作认真、负责、仔细，有良好的团队合作精神，良好的分析及沟通能力。', '{\"steps\": [{\"title\": \"第一步：业务理解\", \"description\": \"描述你曾经主导的数据分析项目。\"}, {\"title\": \"第二步：SQL能力\", \"description\": \"编写复杂的窗口函数进行用户行为分析。\"}, {\"title\": \"第三步：统计建模\", \"description\": \"设计并实现一个用户评分模型。\"}, {\"title\": \"第四步：可视化\", \"description\": \"展示数据洞察与商业建议。\"}], \"position\": \"大数据分析师\"}', '18k-32k/月', '2-3年', '本科', 'SQL, Tableau, Python分析, 数据建模, 业务分析');
INSERT INTO `positions` VALUES (10, '大数据产品经理', 2, '岗位职责\r\n熟悉业务系统底层数据结构，能够熟练编写 SQL 语句，支持各类数据分析及报表需求；\r\n与后端开发紧密协作，跟进每次系统迭代，及时更新并维护数据库表结构文档；\r\n对接大数据平台，确认各业务系统对接字段的使用方式和标准；\r\n与业务产品经理协同评估需求迭代，判断变更对数据使用方（如BI、报表）的影响，并提出合理建议；\r\n支持数据治理、数据资产管理等相关项目的落地和执行（如有相关背景）。\r\n岗位要求：\r\n本科及以上学历，计算机、信息管理等相关专业优先；\r\n3 年及以上产品经理经验，有数据产品、数据中台、数据报表相关工作经验者优先；\r\n熟悉 MySQL 等主流数据库，具备独立出数、导数能力；\r\n具备良好的逻辑分析能力和跨团队沟通能力，能清晰表达需求与解决方案；\r\n责任心强，具备较强的项目跟进能力和协作意识。', '{\"steps\": [{\"title\": \"第一步：产品理解\", \"description\": \"阐述对数据中台产品的理解。\"}, {\"title\": \"第二步：需求拆解\", \"description\": \"对“实时报表系统”提出详细功能点。\"}, {\"title\": \"第三步：竞品分析\", \"description\": \"对比阿里云与华为云大数据方案。\"}, {\"title\": \"第四步：项目管理\", \"description\": \"介绍推动上线的过程与遇到的阻力。\"}], \"position\": \"大数据产品经理\"}', '22k-38k/月', '3年以上', '本科', '数据中台, 项目管理, 需求分析, 竞品调研');
INSERT INTO `positions` VALUES (11, '大数据测试工程师', 2, '岗位职责\r\n1.负责大数据系统业务逻辑的功能测试、性能测试及数据质量测试;\r\n2.负责对数据问题进行复现、分析和定位，推动问题得到及时合理的解决;\r\n3.负责大数据平台的接口测试、自动化case编写及维护;\r\n4.负责大数据平台测试环境部署及维护;\r\n5.负责产品跟踪，开发和维护测试计划，测试环境，测试用例，测试脚本。\r\n岗位要求\r\n1.全日制统招本科相关专及以上学历，计算机、软件工程等业；有大数据相关工作经验;\r\n2.有自动化测试经验，熟悉大数据基础组件hadoop，Hive，kafka，Spark等;\r\n3.至少熟练使用Python/Java编程语言中的一种，能够熟练在Linux下完成日常测试开发工作;\r\n4.熟悉关系型数据库Oracle、Mysql，非关系型数据库Redis等;\r\n5.熟悉主流性能测试工具:biadatabench,Hibench,Spark等工具;\r\n6.有良好的团队合作能力，善于沟通，工作自主驱动并且具备良好的问题定位分析能力。', '{\"steps\": [{\"title\": \"第一步：测试流程\", \"description\": \"介绍大数据测试中的独特挑战。\"}, {\"title\": \"第二步：数据验证题\", \"description\": \"验证Kafka到HDFS的完整性与正确性。\"}, {\"title\": \"第三步：性能测试\", \"description\": \"模拟千万级数据写入测试方案。\"}, {\"title\": \"第四步：异常处理\", \"description\": \"如何发现并处理数据倾斜？\"}], \"position\": \"大数据测试工程师\"}', '16k-28k/月', '2-3年', '本科', '数据测试, 自动化脚本, 性能监控, 数据校验');
INSERT INTO `positions` VALUES (12, '大数据架构工程师', 2, '岗位职责\r\n1.负责大数据实时数据仓库的建设和运维，包括数据采集、数据同步、数据开发、元数据管理等；\r\n2.参与大数据平台核心产品的运维、调优等工作，保障平台的稳定性和可靠性；\r\n3.与业务团队紧密合作，理解业务需求，提供数据解决方案；\r\n4.关注业界先进的数据相关技术栈，推动数据组件新版本功能的迭代升级。\r\n任职要求\r\n1、本科及以上学历，计算机相关专业，3年以上互联网大数据研发相关工作经验；\r\n2、良好的Java/Scala基础，并熟练掌握Flink、Spark等流批数据计算的相关技术；\r\n3、熟悉Apache相关生态体系，对Hadoop、Spark等调优有自己的见解；\r\n4、具备扎实的sql能力，有Doris、Starrocks、SelectDB等经验者优先；\r\n5、良好的团队精神以及合作意识，热爱技术，高度自驱，追求卓越，对数据敏感。', '{\"steps\": [{\"title\": \"第一步：架构理念\", \"description\": \"谈谈你对数据湖与数据仓库的看法。\"}, {\"title\": \"第二步：技术选型\", \"description\": \"在OLAP场景中如何选择Presto与ClickHouse？\"}, {\"title\": \"第三步：集群设计\", \"description\": \"如何配置高可用的大数据平台？\"}, {\"title\": \"第四步：实战案例\", \"description\": \"展示企业级数据中台架构图。\"}], \"position\": \"大数据架构工程师\"}', '30k-50k/月', '5年以上', '硕士优先', '数据架构, 数据湖, 数据中台, ClickHouse, Flink');
INSERT INTO `positions` VALUES (13, '物联网架构师', 3, '岗位职责\r\n1、架构设计：负责IoT平台的整体架构设计，包括设备接入层、数据处理层、应用服务层及安全防护体系。\r\n2、技术选型：评估并选择合适的技术栈，包括但不限于云计算平台、消息队列、数据库、大数据分析框架等。\r\n3、性能优化：持续优化平台性能，确保在高并发、大数据量场景下仍能稳定运行。\r\n4、安全性设计：设计并实施全面的安全策略，保护数据传输、存储及访问安全。\r\n5、集成与对接：与第三方系统、服务进行集成对接，确保平台能够无缝融入客户现有的IT环境。\r\n6、团队领导与协作：指导并培养团队成员，促进跨部门合作，推动项目高效执行。\r\n7、技术创新：跟踪物联网领域的新技术、新趋势，探索并引入创新解决方案以提升平台竞争力。\r\n\r\n任职要求\r\n1、计算机科学或相关领域博士学历，5年以上物联网、云计算或相关领域工作经验。\r\n2、精通分布式系统设计与开发，有大型IoT平台架构设计经验者优先。\r\n3、熟悉常见的物联网协议（如MQTT、CoAP、HTTP/2等）及云计算服务（如AWS、Azure、阿里云等）。\r\n4、深入理解数据处理技术，包括流处理、批处理、数据库设计等。\r\n5、具备良好的安全意识，熟悉网络安全、数据加密等相关技术。\r\n6、强大的问题解决能力，优秀的团队合作精神和领导力。\r\n7、良好的英语沟通能力，能够阅读并理解英文技术文档。', '{\"steps\": [{\"title\": \"第一步：系统设计\", \"description\": \"设计一个智慧城市IoT平台。\"}, {\"title\": \"第二步：设备协议\", \"description\": \"MQTT与CoAP在工业场景中的对比。\"}, {\"title\": \"第三步：边缘计算\", \"description\": \"如何集成边缘节点与云平台？\"}, {\"title\": \"第四步：安全性设计\", \"description\": \"保护设备通信安全与身份验证机制。\"}], \"position\": \"物联网架构师\"}', '28k-48k/月', '5年以上', '硕士', 'IoT平台, MQTT, 边缘计算, 安全加密, 架构设计');
INSERT INTO `positions` VALUES (14, '物联网开发工程师', 3, '岗位职责\r\n1、根据客户需求调整软件功能，编写适配代码并交付验证。\r\n2、与硬件工程师、项目经理紧密配合，推动项目按期交付。\r\n3、主导IoT系统在现场的部署、配置及联调，包括服务端（Java后端）、边缘网关、数据库等组件的安装与优化。\r\n4、配合硬件团队完成传感器/控制器等设备的安装验证，确保数据链路完整。\r\n5、快速响应现场出现的通信中断、数据异常、性能瓶颈等问题，提供技术解决方案。\r\n6、输出现场实施文档（问题排查指南、API接口文档等）。\r\n7、持续地优化迭代产品的质量、性能、用户体验。\r\n\r\n岗位要求\r\n全日制大专及以上学历，计算机/通信/自动化相关专业。\r\n2年+Java开发经验，熟悉JDK17新特性。\r\n精通多线程编程、线程池调优，掌握Socket网络通信及Netty框架原理。\r\n熟练使用Spring生态（Spring MVC/Spring Boot）、MyBatis-Plus、Redis。\r\n具备PostgreSQL与ClickHouse实战经验，能编写高性能SQL及索引优化。\r\n熟悉前端技术栈：Vue2/3、uni-app、uView组件库、Lodash工具库。\r\n良好的抗压能力与团队协作意识，能快速定位复杂问题。\r\n对物联网技术有强烈兴趣，持续关注行业新技术（如边缘计算/数字孪生）。\r\n熟悉工业通信协议（Modbus/OPC UA/MQTT等）者优先。', '{\"steps\": [{\"title\": \"第一步：协议实现\", \"description\": \"实现MQTT客户端连接与消息发布。\"}, {\"title\": \"第二步：数据采集\", \"description\": \"开发一个基于温湿度传感器的数据上传模块。\"}, {\"title\": \"第三步：平台对接\", \"description\": \"对接华为云IoT服务平台。\"}, {\"title\": \"第四步：测试演示\", \"description\": \"调试传输链路并监控消息丢失率。\"}], \"position\": \"物联网开发工程师\"}', '18k-30k/月', '2-4年', '本科', 'C/C++, STM32, MQTT, LoRa, IoT开发');
INSERT INTO `positions` VALUES (15, '物联网硬件工程师', 3, '岗位职责\r\n1.负责物联网硬件产品的需求分析、方案设计、开发及测试，包括但不限于气压表、煤气表等各类表计监测设备、运输追踪终端、处理设备状态监控模块等。\r\n2.完成硬件电路设计（原理图、PCB布局）、元器件选型及BOM清单输出，确保硬件性能满足工业级环境要求（如防腐蚀、防爆、宽温运行）。\r\n3，集成低功耗通信模块（如LoRa、NB-IoT、4G/5G）及环境传感器（如温湿度、压力、振动等），优化硬件能效与稳定性。\r\n4.制定硬件测试方案，完成EMC、环境可靠性、功耗及长期稳定性测试，确保产品符合环保行业标准及国家法规要求。\r\n5.支持硬件量产及现场部署调试，解决室内室外各类表计读数等实际场景中的适配问题。\r\n6.与软件团队协作，完成硬件与固件、云平台的通信协议对接，确保数据采集与传输的稳定性及安全性。\r\n7.编写硬件设计文档、测试报告及用户手册，支持产品合规认证（如CE、FCC、RoHS等）。\r\n\r\n任职要求\r\n学历要求：大专及以上学历，电子工程、通信工程、自动化等相关专业。\r\n工作经验：3年以上物联网硬件开发经验，有工业级项目经验者优先。\r\n专业技能：\r\n精通Altium Designer、Cadence等EDA工具，熟悉高速电路及信号完整性设计。\r\n熟悉STM32、ESP32等嵌入式开发平台，具备C/C++编程能力。\r\n掌握LoRa、NB-IoT、Modbus等通信协议，了解MQTT、CoAP等物联网协议栈。\r\n熟悉硬件量产流程及成本控制方法，了解EMC、安规等测试标准。\r\n具备工业场景问题解决能力，适应短期出差至工厂现场调试。', '{\"steps\": [{\"title\": \"第一步：电路设计\", \"description\": \"讲解某传感器模块原理图与PCB设计。\"}, {\"title\": \"第二步：硬件调试\", \"description\": \"使用示波器分析信号干扰问题。\"}, {\"title\": \"第三步：嵌入式开发\", \"description\": \"开发STM32采集程序。\"}, {\"title\": \"第四步：联调测试\", \"description\": \"与后端平台实现完整数据链路。\"}], \"position\": \"物联网硬件工程师\"}', '16k-28k/月', '2年及以上', '本科', '电路设计, PCB, STM32, 嵌入式开发, 硬件调试');
INSERT INTO `positions` VALUES (16, '渗透测试(物联网)', 3, '岗位职责\r\n1. 负责物联网业务场景的风险评估、渗透测试、漏洞扫描、基线检查等工作，撰写安全测试报告；\r\n2. 负责渗透测试技术的交流，协助产品、研发开发解决方案，协助销售向客户讲解测试结果及安全服务方案；\r\n3. 负责客户的技术支持和应急事件处理，撰写项目实施总结、工作报告等；\r\n4. 能适应短期出差。\r\n\r\n任职要求\r\n1. 1-3年渗透测试工作经验，有物联网场景渗透经验者优先；\r\n2. 熟练掌握各种渗透测试工具并且对其原理有深入了解（如Burpsuite、sqlmap、appscan、AWVS、nmap、MSF，cobalt strike等）；\r\n3. 至少掌握一种开发语言，语言不限（如C、Go、Python、Java等）；\r\n4. 熟悉TCP/IP基本网络原理，熟悉网络节点（如路由器、交换机）的工作原理；\r\n5. 熟练掌握常见的攻防技术及相关漏洞（web或二进制）的原理；\r\n6. 对物联网（如视频监控网络、智能家居、智慧电力、城市燃气等）安全领域有一定了解，有相关领域信息安全渗透测试、安全咨询经验者优先；\r\n7. 能从防御者或运维人员的角度思考攻防问题，对后渗透有深入了解者更佳，具备独立钻研能力及良好团队精神。', '{\"steps\": [{\"title\": \"第一步：测试目标\", \"description\": \"说明IoT设备的攻击面有哪些。\"}, {\"title\": \"第二步：工具演示\", \"description\": \"使用Nmap扫描设备开放端口。\"}, {\"title\": \"第三步：漏洞利用\", \"description\": \"尝试提权或中间人攻击。\"}, {\"title\": \"第四步：修复建议\", \"description\": \"给出安全加固方案。\"}], \"position\": \"渗透测试(物联网)\"}', '20k-32k/月', '3年以上', '本科及以上', '渗透测试, 网络安全, IoT攻击, 安全加固');
INSERT INTO `positions` VALUES (17, '物联网产品经理', 3, '岗位职责\r\n产品经理【低功耗产品线】\r\n1.规划和定义产品的商业化策略和功能; 0-1参与软件产品功能设计和优化,提升用户体验和增强市场吸引力;\r\n2.把控用户转化的各关键节点,对产品中的用户转化、留存、促活等各环节进行快速迭代和持续优化;\r\n3.制定并执行针对海外市场的用户增长策略,不断探索移动端的用户拉新手段,提升整体拉新效果;了解海外用户需求,\r\n挖掘用户需求及使用场景,不断优化用户转化漏斗模型。\r\n4. 具备品牌化意识和用户体验，配合市场需求，促进公司低功耗产品品牌化升级。\r\n\r\n任职要求\r\n1.本科及以上学历\r\n2.熟悉监控摄像头/智能硬件产品及运营相关工作,有海外产品经理经验及用户增长实战经验优先;\r\n3.优秀产品软件设计能力,可输出产品整体软件体验设计;具备数据分析能力和逻辑思维，良好沟通协调能力和团队合作精神;\r\n4.具备自驱力和执行力，环境适应能力强，有一定抗压能力。\r\n5、安防行业或AIOT，或者大的海外电商公司做过产品经理经验。', '{\"steps\": [{\"title\": \"第一步：产品构思\", \"description\": \"介绍一个基于IoT的创新应用方案。\"}, {\"title\": \"第二步：用户画像\", \"description\": \"分析核心用户需求与使用场景。\"}, {\"title\": \"第三步：原型设计\", \"description\": \"展示产品流程图与UI草图。\"}, {\"title\": \"第四步：版本规划\", \"description\": \"制定MVP与迭代路线图。\"}], \"position\": \"物联网产品经理\"}', '20k-36k/月', '3年及以上', '本科', '产品设计, IoT方案, 用户分析, 项目推进');
INSERT INTO `positions` VALUES (18, '物联网实施工程师', 3, '任职要求\r\n长期在户外做实施安装调试，需能吃苦耐劳，沟通学习能力强者无学历要求\r\n1、自动化、电子、物联网等相关专业，1年以上工作经验，主动性高、动手能力强的优秀应届生也可考虑；\r\n2、执行力强，工作仔细认真，动手能力强、现场实施协调能力强；\r\n3、可以接受短期出差。\r\n4、退伍人员优先。\r\n岗位职责\r\n1、 独立完成设备与平台间的对接、配置、测试、调试、安装接线；\r\n2、完成模块、设备、服务器调试的对接工作；\r\n3、云平台现场对接及现场培训操作的工作；\r\n4、远程的配置、对接指导工作，以及相关售后技术服务类工作。\r\n5、能在户外完成指定的实施及安装调试任务。', '{\"steps\": [{\"title\": \"第一步：部署计划\", \"description\": \"制定某工业园区设备部署计划。\"}, {\"title\": \"第二步：网络配置\", \"description\": \"配置设备IP与通信协议参数。\"}, {\"title\": \"第三步：平台联调\", \"description\": \"与云端平台进行设备绑定与调试。\"}, {\"title\": \"第四步：问题处理\", \"description\": \"记录与解决常见现场故障。\"}], \"position\": \"物联网实施工程师\"}', '15k-26k/月', '1-3年', '大专及以上', '实施交付, 物联网组网, 调试安装, 项目执行');

-- ----------------------------
-- Table structure for question_banks
-- ----------------------------
DROP TABLE IF EXISTS `question_banks`;
CREATE TABLE `question_banks`  (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `name` varchar(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `domain_id` bigint NOT NULL,
  `position_id` bigint NOT NULL,
  `bank_url` varchar(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL DEFAULT NULL,
  PRIMARY KEY (`id`) USING BTREE,
  INDEX `domain_id`(`domain_id` ASC) USING BTREE,
  INDEX `position_id`(`position_id` ASC) USING BTREE,
  CONSTRAINT `question_banks_ibfk_1` FOREIGN KEY (`domain_id`) REFERENCES `domains` (`id`) ON DELETE CASCADE ON UPDATE RESTRICT,
  CONSTRAINT `question_banks_ibfk_2` FOREIGN KEY (`position_id`) REFERENCES `positions` (`id`) ON DELETE CASCADE ON UPDATE RESTRICT
) ENGINE = InnoDB AUTO_INCREMENT = 19 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of question_banks
-- ----------------------------
INSERT INTO `question_banks` VALUES (1, 'AI算法工程师题库', 1, 1, '/uploads/bank/AI算法工程师题库.docx');
INSERT INTO `question_banks` VALUES (2, 'AI产品专家题库', 1, 2, '/uploads/bank/AI产品专家题库.docx');
INSERT INTO `question_banks` VALUES (3, '后端开发（AI）题库', 1, 3, '/uploads/bank/后端开发（AI）题库.docx');
INSERT INTO `question_banks` VALUES (4, 'AI工程开发工程师题库', 1, 4, '/uploads/bank/AI工程开发工程师题库.docx');
INSERT INTO `question_banks` VALUES (5, 'AI大模型运维工程师题库', 1, 5, '/uploads/bank/AI大模型运维工程师题库.docx');
INSERT INTO `question_banks` VALUES (6, '医疗产品经理(AI 人工智能)题库', 1, 6, '/uploads/bank/医疗产品经理(AI 人工智能)题库.docx');
INSERT INTO `question_banks` VALUES (7, '大数据开发工程师题库', 2, 7, '/uploads/bank/大数据开发工程师题库.docx');
INSERT INTO `question_banks` VALUES (8, '大数据运维工程师题库', 2, 8, '/uploads/bank/大数据运维工程师题库.docx');
INSERT INTO `question_banks` VALUES (9, '大数据分析师题库', 2, 9, '/uploads/bank/大数据分析师题库.docx');
INSERT INTO `question_banks` VALUES (10, '大数据产品经理题库', 2, 10, '/uploads/bank/大数据产品经理题库.docx');
INSERT INTO `question_banks` VALUES (11, '大数据测试工程师题库', 2, 11, '/uploads/bank/大数据测试工程师题库.docx');
INSERT INTO `question_banks` VALUES (12, '大数据架构工程师题库', 2, 12, '/uploads/bank/大数据架构工程师题库.docx');
INSERT INTO `question_banks` VALUES (13, '物联网架构师题库', 3, 13, '/uploads/bank/物联网架构师题库.docx');
INSERT INTO `question_banks` VALUES (14, '物联网开发工程师题库', 3, 14, '/uploads/bank/物联网开发工程师题库.docx');
INSERT INTO `question_banks` VALUES (15, '物联网硬件工程师题库', 3, 15, '/uploads/bank/物联网硬件工程师题库.docx');
INSERT INTO `question_banks` VALUES (16, '渗透测试(物联网)题库', 3, 16, '/uploads/bank/渗透测试(物联网)题库.docx');
INSERT INTO `question_banks` VALUES (17, '物联网产品经理题库', 3, 17, '/uploads/bank/物联网产品经理题库.docx');
INSERT INTO `question_banks` VALUES (18, '物联网实施工程师题库', 3, 18, '/uploads/bank/物联网实施工程师题库.docx');
INSERT INTO `question_banks` (`name`, `domain_id`, `position_id`, `bank_url`)
SELECT CONCAT('开放题源补充-', p.name), p.domain_id, p.id,
       CASE p.domain_id
         WHEN 1 THEN '/uploads/bank/开放题源-AI岗位补充题库.md'
         WHEN 2 THEN '/uploads/bank/开放题源-大数据岗位补充题库.md'
         WHEN 3 THEN '/uploads/bank/开放题源-物联网岗位补充题库.md'
       END
FROM `positions` p WHERE p.domain_id IN (1, 2, 3);

-- ----------------------------
-- Table structure for questions
-- ----------------------------
DROP TABLE IF EXISTS `questions`;
CREATE TABLE `questions`  (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `bank_id` bigint NOT NULL,
  `interview_id` bigint NULL DEFAULT NULL,
  `question_text` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `difficulty_level` int NULL DEFAULT NULL,
  `answer_sample` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL,
  `student_answer` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL,
  `start_time` double NULL DEFAULT 0,
  PRIMARY KEY (`id`) USING BTREE,
  INDEX `bank_id`(`bank_id` ASC) USING BTREE,
  INDEX `fk_questions_interview`(`interview_id` ASC) USING BTREE,
  CONSTRAINT `fk_questions_interview` FOREIGN KEY (`interview_id`) REFERENCES `interviews` (`id`) ON DELETE CASCADE ON UPDATE CASCADE,
  CONSTRAINT `questions_ibfk_1` FOREIGN KEY (`bank_id`) REFERENCES `question_banks` (`id`) ON DELETE CASCADE ON UPDATE RESTRICT,
  CONSTRAINT `questions_chk_1` CHECK (`difficulty_level` between 1 and 5)
) ENGINE = InnoDB AUTO_INCREMENT = 578 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of questions
-- ----------------------------
INSERT INTO `questions` VALUES (578, 1, 188, '你如何理解“深度学习中的激活函数”？举几个常见例子。', 3, '激活函数为神经网络引入非线性，使模型能拟合复杂函数。常见激活函数有ReLU（简单且计算快）、Sigmoid（输出概率）、Tanh（零均值）、Leaky ReLU（解决ReLU死区问题）。', '函数怎么讲函数？嗯嗯嗯嗯嗯两个人可以检查一遍。', 0);
INSERT INTO `questions` VALUES (579, 1, 188, '你在负责一个EDA系统中AI模型模块的维护，近期发现模型性能在某些设计样本上明显下降。你如何定位问题？是否可能是数据问题？你如何提升模型的稳健性？', 3, '我会先通过对比性能下降样本与正常样本的输入分布与中间特征分布，判断是否存在数据分布漂移，尤其关注是否是某些EDA设计风格数据比例不足导致模型泛化不佳。如果确认是数据问题，将通过增加多样性样本、使用数据增强、或采用重加权训练方式增强对“少数类”的关注，同时采用对抗训练、模型正则化、及Ensemble方法提高模型在变化场景下的鲁棒性。', '啊情况。', 0);
INSERT INTO `questions` VALUES (580, 1, 188, '编写一个函数实现基于TF-IDF的文本向量化', 3, 'from sklearn.feature_extraction.text import TfidfVectorizer\n\ndef tfidf_vectorize(texts):\nvectorizer = TfidfVectorizer()\nX = vectorizer.fit_transform(texts)\nreturn X.toarray(), vectorizer.get_feature_names_out()\n\ntexts = [\"machine learning is fun\", \"learning machines are powerful\"]\nX, features = tfidf_vectorize(texts)\nprint(features)\nprint(X)', '那个时候这个平衡。谁知。', 0);
INSERT INTO `questions` VALUES (581, 1, 189, '什么是深度学习中的“残差连接”（Residual Connection），有什么作用？', 3, '残差连接通过在网络层间增加恒等映射，让信息绕过中间层直接传递，缓解深层网络训练时梯度消失问题，提高收敛速度和性能，核心思想是学习残差函数而非完整映射，ResNet是典型代表。', '无识别结果', 0);
INSERT INTO `questions` VALUES (582, 1, 189, '你需要将一个训练好的AI模型部署到嵌入式芯片中用于芯片布图预测，但芯片资源极其有限，如何设计高效模型实现？', 3, '我会优先采用轻量神经网络结构如MobileNetV3、EfficientNet或使用NAS搜索最优子结构，再结合通道剪枝与量化（如8-bit INT）压缩模型。针对目标芯片平台（如FPGA/ARM），使用特定编译器（如TVM、XNNPack）优化模型部署逻辑，并通过分层缓存和边缘计算方案分摊推理负载。还可设定低精度运行模式，在可接受范围内提升响应速度与稳定性，实现性能与硬件资源的最佳适配。', '无识别结果', 0);
INSERT INTO `questions` VALUES (583, 1, 189, '实现一个简单的RNN多步序列生成器', 3, 'import numpy as np\n\ndef simple_rnn_generate(Wx, Wh, b, h0, inputs):\nh = h0\noutputs = []\nfor x in inputs:\nh = np.tanh(x.dot(Wx) + h.dot(Wh) + b)\noutputs.append(h)\nreturn np.array(outputs)', '嗯', 0);
INSERT INTO `questions` VALUES (587, 11, 191, '34 请解释什么是数据稽核及其测试意义。', 3, '数据稽核是对数据处理过程和结果进行系统性审核和校验，发现潜在错误、偏差或业务逻辑不符等问题。测试中使用稽核规则（如同比、环比、字段间关系）自动检查数据异常，是数据治理体系中提升质量的重要手段。', '那就三四年。嗯数据。', 0);
INSERT INTO `questions` VALUES (588, 11, 191, '31 请说明如何测试数据采集的完整性。', 3, '可通过采集前后数据量比对、关键字段统计分析、时间戳对比、日志校验、异常记录识别等方式验证完整性。还可设计断点恢复测试、模拟网络中断等，确保采集任务具备容错与重试机制。', '无识别结果', 0);
INSERT INTO `questions` VALUES (589, 11, 191, '75（编程题）请使用 SQL 查询出表 orders 中订单金额 amount 异常的记录，定义“异常”为偏离平均值两个标准差以上的值。', 3, 'WITH stats AS (\nSELECT AVG(amount) AS avg_amt, STDDEV(amount) AS std_amt FROM orders\n)\nSELECT o.*\nFROM orders o\nJOIN stats s\nON o.amount > s.avg_amt + 2 * s.std_amt OR o.amount < s.avg_amt - 2 * s.std_amt;', '无识别结果', 0);
INSERT INTO `questions` VALUES (600, 11, 196, '数据测试中如何处理字段单位不一致问题？', 3, '需统一字段单位或进行换算，如人民币与美元、米与公里。测试时应明确字段单位文档、检查字段值是否换算正确、验证业务逻辑中是否按统一单位处理。错误单位会造成分析偏差或数据灾难，需在测试中重点关注。', '无识别结果', 0);
INSERT INTO `questions` VALUES (601, 11, 196, '测试中如何识别并定位Spark任务的数据倾斜问题？', 3, '可从Spark UI中查看Stage执行情况，观察是否存在某些Task执行时间显著较长；查看Shuffle Read Size是否严重不均；或在代码中添加日志，打印Key分布。测试中可通过数据分布分析、设置Salting键值、Broadcast优化等手段缓解倾斜。', '无识别结果', 0);
INSERT INTO `questions` VALUES (602, 11, 196, '什么是数据一致性测试？', 3, '数据一致性测试是指验证同一数据在不同系统、不同阶段或不同来源中是否保持一致的过程。在大数据测试中，常出现在数据同步、数据集成和数据迁移场景中。常用方法包括行数比对、字段级比对、哈希值对比、业务规则验证等，确保数据在采集、处理和存储过程中未被篡改或遗漏。', '无识别结果', 0);
INSERT INTO `questions` VALUES (603, 11, 196, '（案例分析题）你在测试数据同步服务（如Canal、DataX）时，如何验证数据是否实时一致？应关注哪些关键测试点？', 3, '我会设计基于时间戳和主键的对账测试方案，持续采样同步前后的数据，验证数据的行数、一致性和延迟时间。关注点包括同步的延迟、漏同步、重复同步、DDL兼容性、事务一致性等，尤其是高并发情况下的同步准确性。可使用断点注入方式验证同步恢复机制，测试同步服务在网络中断、服务重启后的自愈能力。还需评估同步过程对源端性能的影响。', '无识别结果', 0);
INSERT INTO `questions` VALUES (604, 11, 196, '（编程题）请使用 Hive SQL 编写查询，计算 user_behavior 表中每种事件类型的占比（百分比形式），表字段为：event_type。', 3, 'SELECT event_type,\nCOUNT(*) AS cnt,\nROUND(COUNT(*) * 100.0 / SUM(COUNT(*)) OVER (), 2) AS percent\nFROM user_behavior\nGROUP BY event_type;', '无识别结果', 0);
INSERT INTO `questions` VALUES (681, 5, 220, '介绍一下你自己以及对AI大模型运维工程师岗位的了解', 3, '', '1111', 1.446600000023842);
INSERT INTO `questions` VALUES (682, 5, 220, '什么是Kubernetes中的StatefulSet，适用于什么场景？', 3, 'StatefulSet是Kubernetes管理有状态应用的控制器，保证Pod的有序部署和稳定持久化存储，适用于需要持久数据和固定网络标识的服务，如数据库、缓存和模型参数存储。它确保Pod重建时保持同一身份和存储卷挂载，有助于保障大模型状态同步和数据一致性。', '什么是KFC，可以帮他们看一下，安全性甚至于适用于什么场景，我这边没有答案。', 21.89580000001192);
INSERT INTO `questions` VALUES (683, 5, 220, '描述Linux中常用的故障排查工具和方法。', 3, '常用工具包括top、htop查看CPU和内存占用；iotop监控磁盘IO；netstat、ss排查网络连接；tcpdump抓包分析网络流量；journalctl和dmesg查看系统日志；strace跟踪系统调用；ps和kill管理进程；结合日志分析定位故障根因。方法上采用系统化诊断，先定位资源瓶颈，再检查服务日志，最后对比配置变化。', '描述了一个是常用的公章派出工具，不方便。你看一下我都没有。', 33.007700000047684);
INSERT INTO `questions` VALUES (684, 5, 220, '（案例分析题） 你如何设计大模型推理服务的监控告警体系以确保高可用？', 3, '建立多维度监控指标，包括资源使用率（CPU、GPU、内存）、响应时间、错误率和请求量；采用Prometheus采集数据，Grafana实现可视化；配置合理的告警阈值和抑制策略避免告警风暴；告警通知覆盖邮件、短信、钉钉等多渠道；结合自动化运维工具，实现异常自动修复；定期评估和调整告警规则，确保准确及时响应，提高平台稳定性。', '压力分析题如何设计大模型的服务器监控监控我们要警告其他的情况可能不是嗯我的时间可是很容易。', 45.03370000004768);
INSERT INTO `questions` VALUES (685, 5, 220, '（编程题） 请用Bash写一个脚本，监控某进程的内存使用，超过500MB时发送邮件告警（假设mail命令可用，进程名为“model_service”）。', 3, '#!/bin/bash\nPROCESS_NAME=\"model_service\"\nTHRESHOLD=500000  # 单位KB，500MB\n\npid=$(pgrep -f $PROCESS_NAME)\nif [ -z \"$pid\" ]; then\necho \"Process not running\"\nexit 1\nfi\n\nmem_usage=$(pmap $pid | tail -n 1 | awk \'/[0-9]K/{print $2}\' | sed \'s/K//\')\n\nif [ \"$mem_usage\" -gt \"$THRESHOLD\" ]; then\necho \"Memory usage of $PROCESS_NAME is high: ${mem_usage}KB\" | mail -s \"Memory Alert\" your_email@example.com\nfi', 'mail model_service\necho bash', 65.57490000003577);
INSERT INTO `questions` VALUES (686, 5, 221, '介绍一下你自己以及对AI大模型运维工程师岗位的了解', 3, '', '那我现在可以不进去，我设置了，如果必须得点进去，他们来给你面试，好的。你进来缓一会儿。嗯嗯嗯所谓的KFC，这是这是答案，你可以对着稍微念一下。嗯我给你拉一下。没事，我是张国庆的专家，你刚才我都不会，你会啊这下面只有5个答案。你先做自我介绍，自我介绍没有的，你们对他了解就行了。没有，我提的不是自我介绍，好介绍一下你自己。啊我是中国科学技术大学软件学院研二的学生正在找实习工作，啊我的简历你也看了，感觉我非常的有竞争力。我觉得AI大模型运维工程师的岗位，苹果的数据可以完全可以承认企业。', 0.8078999999761581);
INSERT INTO `questions` VALUES (687, 5, 221, '解释什么是Kubernetes的“Horizontal Pod Autoscaler (HPA)”，它如何在大模型平台中应用？', 3, 'HPA是Kubernetes根据指标（如CPU使用率、自定义指标）动态调整Pod副本数量的控制器。大模型平台中，HPA帮助根据实时请求负载自动扩容或缩容推理服务，保障服务响应速度和资源利用率的平衡，避免资源浪费和性能瓶颈。', '唉什么是 Cooper net，什么华为超好的，他如果再带我们去一种一种这个它是根据指标动态调整跑到副本的。控制器嗯嗯其实这个东西嗯比较简单，就是避免资源浪费和形成瓶颈。', 66.69569999998808);
INSERT INTO `questions` VALUES (688, 5, 221, '如何保证大模型运维的持续集成与持续交付（CI/CD）？', 3, '保证CI/CD需搭建流水线自动化环境，实现代码和模型版本管理、自动化测试、构建镜像、发布部署。利用Jenkins、GitLab CI或GitHub Actions集成Kubernetes部署，通过Helm Charts定义部署模板，自动滚动升级或蓝绿部署。自动化测试包括模型准确性校验和性能测试，确保每次更新稳定可靠，快速响应业务需求。', '如何保证客户这个我们就可以利用上一题我们说到的那个 Cooper net部署，至于怎么部署，它是一个嗯其实也不难，只要确认每次更新稳定可靠，快速响应业务需求。', 90.53539999997616);
INSERT INTO `questions` VALUES (689, 5, 221, '介绍Kubernetes的资源配额和限额，为什么重要？', 3, '资源配额（ResourceQuota）限制某个Namespace内资源使用总量，避免某个团队或应用占用过多集群资源；资源限额（LimitRange）限制单个容器的CPU和内存请求与限制，防止资源滥用。合理配置配额和限额有助于集群资源公平分配，提升稳定性，避免资源争抢导致服务抖动。', '怎么又是他？啊为什么重要？这第几集？啊嗯嗯好，第三题，限制单个容器CPU和内存请求与限制，防止资源滥用。合理配置和限额有助于集群资源公平分配，提升它的稳定性。', 114.56759999996424);
INSERT INTO `questions` VALUES (690, 5, 221, '（案例分析题） 客户要求你设计一套大模型推理服务的自动化备份和恢复方案，你会如何规划？', 3, '备份方案包括定期备份模型权重、配置文件和数据库状态，使用对象存储（如S3、OSS）确保数据持久安全；利用Kubernetes CronJob自动化触发备份任务，确保流程可监控；恢复方案设计时，提供自动化脚本快速恢复到指定版本，支持增量恢复和全量恢复；定期进行恢复演练，验证备份数据有效性和恢复时长，确保灾难发生时能快速恢复服务。', '让我设计一套，但我也我会如何规划，我会使用这个这个这个过程配置文件、数据库账户使用，对象存储，比如oss，确保数据持续安全。利用 Cooper net。真是的。空叫我们自动化任务，什么快速恢复服务，很快。', 139.73580000001192);
INSERT INTO `questions` VALUES (691, 5, 221, '（编程题） 请用Python编写脚本，调用Prometheus HTTP API查询过去1小时内某指标“model_inference_latency”的平均值。', 3, 'import requests\nimport time\n\ndef query_prometheus_average_latency():\nurl = \"http://localhost:9090/api/v1/query\"\nquery = \'avg_over_time(model_inference_latency[1h])\'\nresponse = requests.get(url, params={\'query\': query})\nresult = response.json()\nif result[\'status\'] == \'success\':\nvalue = result[\'data\'][\'result\'][0][\'value\'][1]\nprint(f\"Average latency in last 1 hour: {value} seconds\")\nelse:\nprint(\"Query failed\")\n\nif __name__ == \"__main__\":\nquery_prometheus_average_latency()', 'import requests\nimport time\n\ndef query_prometheus_average_latency():\nurl = \"http://localhost:9090/api/v1/query\"\nquery = \'avg_over_time(model_inference_latency[1h])\'\nresponse = requests.get(url, params={\'query\': query})\nresult = response.json()\nif result[\'status\'] == \'success\':\nvalue = result[\'data\'][\'result\'][0][\'value\'][1]\nprint(f\"Average latency in last 1 hour: {value} seconds\")\nelse:\nprint(\"Query failed\")\n\nif __name__ == \"__main__\":\nquery_prometheus_average_latency()', 168.68880000001192);

-- ----------------------------
-- Table structure for recommendations
-- ----------------------------
DROP TABLE IF EXISTS `recommendations`;
CREATE TABLE `recommendations`  (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `student_id` bigint NOT NULL,
  `resource_id` bigint NOT NULL,
  `recommend_time` datetime NULL DEFAULT CURRENT_TIMESTAMP,
  `reason` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL,
  PRIMARY KEY (`id`) USING BTREE,
  INDEX `student_id`(`student_id` ASC) USING BTREE,
  INDEX `resource_id`(`resource_id` ASC) USING BTREE,
  CONSTRAINT `recommendations_ibfk_1` FOREIGN KEY (`student_id`) REFERENCES `students` (`id`) ON DELETE CASCADE ON UPDATE RESTRICT,
  CONSTRAINT `recommendations_ibfk_2` FOREIGN KEY (`resource_id`) REFERENCES `learning_resources` (`id`) ON DELETE CASCADE ON UPDATE RESTRICT
) ENGINE = InnoDB AUTO_INCREMENT = 3 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of recommendations
-- ----------------------------

-- ----------------------------
-- Table structure for resume_files
-- ----------------------------
DROP TABLE IF EXISTS `resume_files`;
CREATE TABLE `resume_files`  (
  `id` int NOT NULL AUTO_INCREMENT,
  `student_id` bigint NOT NULL,
  `file_url` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `upload_time` datetime NOT NULL DEFAULT CURRENT_TIMESTAMP,
  PRIMARY KEY (`id`) USING BTREE,
  INDEX `student_id`(`student_id` ASC) USING BTREE,
  CONSTRAINT `resume_files_ibfk_1` FOREIGN KEY (`student_id`) REFERENCES `students` (`id`) ON DELETE CASCADE ON UPDATE RESTRICT
) ENGINE = InnoDB AUTO_INCREMENT = 8 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of resume_files
-- ----------------------------
INSERT INTO `resume_files` VALUES (3, 1, '/uploads/resume/resume_1_1752931515861.pdf', '2025-07-19 21:25:16');
INSERT INTO `resume_files` VALUES (7, 2, '/uploads/resume/resume_2_1752748726323.pdf', '2025-07-17 18:38:46');

-- ----------------------------
-- Table structure for students
-- ----------------------------
DROP TABLE IF EXISTS `students`;
CREATE TABLE `students`  (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `sid` bigint NOT NULL,
  `name` varchar(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `email` varchar(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `phone` varchar(20) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `password` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `register_date` datetime NULL DEFAULT CURRENT_TIMESTAMP,
  `school` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL DEFAULT NULL,
  `avatar` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL DEFAULT NULL,
  PRIMARY KEY (`id`) USING BTREE,
  UNIQUE INDEX `email`(`email` ASC) USING BTREE,
  UNIQUE INDEX `phone`(`phone` ASC) USING BTREE,
  INDEX `sid`(`sid` ASC) USING BTREE
) ENGINE = InnoDB AUTO_INCREMENT = 6 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of students
-- ----------------------------
INSERT INTO `students` VALUES (1, 202412490753, '李固', '18638439093@163.com', '18338714572', '$2a$10$E2To0zScV0yN7p.KWnJD8ObeWkNedu9DR4VUZaAfsAf1xOrX0nv4m', '2025-07-05 20:39:07', '南京信息工程大学', '/uploads/avatars/avatar_1_1752654233563.png');
INSERT INTO `students` VALUES (2, 202412490750, '胡昊', '18638439092@163.com', '18338714571', '$2a$10$8OFLVrNuwsETnEc523omT.z3hmrGYW0tWLQpEblXLAhjPV19xddLG', '2025-07-05 20:46:59', '南京信息工程大学', '/uploads/avatars/avatar_2_1752748624685.png');
INSERT INTO `students` VALUES (3, 202412490749, '胡晨', '18638439091@163.com', '18338714568', '$2a$10$TTBNZ6BSV2z9Gu2mRFy32OGC1qj0kyTlHAqOgvhFQ.FZsu1BhwxJC', '2025-07-05 20:47:56', '南京信息工程大学', NULL);
INSERT INTO `students` VALUES (4, 202412490781, '王兆庆', '123215321@qq.com', '13853213215', '$2a$10$SEhQEv1EyCblyPMkjmS9Qevx6DzOiDd9odsGNKs3Frg1PggMSn0x6', '2025-07-06 13:39:53', NULL, NULL);
INSERT INTO `students` VALUES (5, 202412490751, 'ls', '121312@qq.com', '03453510037', '$2a$10$dW9G/ZXe4J.XpjZMlqU4SOS1kol7AGUgZRUjsIXEikLIcoBgnEwxu', '2025-07-06 15:29:46', NULL, NULL);

-- ----------------------------
-- Table structure for text_analysis_results
-- ----------------------------
DROP TABLE IF EXISTS `text_analysis_results`;
CREATE TABLE `text_analysis_results`  (
  `id` int NOT NULL AUTO_INCREMENT,
  `interview_id` bigint NOT NULL,
  `content_quality_score` float NULL DEFAULT NULL,
  `logic_structure` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL,
  `keywords` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL,
  PRIMARY KEY (`id`) USING BTREE,
  INDEX `interview_id`(`interview_id` ASC) USING BTREE,
  CONSTRAINT `text_analysis_results_ibfk_1` FOREIGN KEY (`interview_id`) REFERENCES `interviews` (`id`) ON DELETE CASCADE ON UPDATE RESTRICT
) ENGINE = InnoDB AUTO_INCREMENT = 2 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of text_analysis_results
-- ----------------------------

-- ----------------------------
-- Table structure for transcripts
-- ----------------------------
DROP TABLE IF EXISTS `transcripts`;
CREATE TABLE `transcripts`  (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `text_content` longtext CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `language` varchar(50) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL DEFAULT 'zh-cn',
  `generate_time` datetime NULL DEFAULT CURRENT_TIMESTAMP,
  PRIMARY KEY (`id`) USING BTREE
) ENGINE = InnoDB AUTO_INCREMENT = 42 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of transcripts
-- ----------------------------
INSERT INTO `transcripts` VALUES (1, '面试文本转录内容示例', 'zh-cn', '2025-07-04 21:59:30');
INSERT INTO `transcripts` VALUES (14, '接下来我将回答以下6个问题，第一个，数据质量问题主要包括缺失值、异常值、重复数据和数据不一致以及数据噪声等解决方法。嗯缺失值可以使用均值中位数或模式填充，也可根据业务逻辑进行插补。异常值可以通过箱线图、Linux等方法识别后，视情况删除或修正，重复数据应直接删除，避免影响分析结果数据不一致，需要统一标准进行规范化处理。第二个问题拍套取模型通常使用套c函数既可以保存整个模型，也可以只只保存模型的状态字典，嗯更推荐后者，因为它灵活占用的空间小，加载模型时如果保存的是整个模型，然后控制都可以用model等于Top10的love来，如果保存的是状态字典，需要先实例化模型结构，再用model点了。State data这个函数去加载，加载后通常要调用model点，噢 evale这个函数以固定装up、办事闹等层的行为。第三个问题，极大自然估计和贝叶斯估计的核心区别在于对参数的认知和处理方式，极大自然估计是认为参数是固定不变的，未知常量通过最大化自然函数来求解最可能的参数值，不考虑参数的先验信息，而贝叶斯估计则将参数视为随机变量，会结合先验概率和自然函数，通过计算获得验算概率来啊推断参数，能利用先验知识进行辅助决策。第四个问题，交叉验证是一种评估模型，啊性能的统计方法，它将数据集多次重复的划分成训练集和验证集，每次用训练，每次用训练集训练模型，用验证集评估模型，最后取多次评估结果的平均值作为最终的性能指标，常见的有k折交叉验证，留意交叉验证的。第五个问题，机器学习根据学习的算法、工作机制和数据处理方式，常见的主要类别包括监督学习、无监督学习，半监督学习和强化学习，监督学习利用带标签的数据进行训练，比如分类、回归任务、无监督学习出率。无标签数据旨在发现数据中的潜在结构，比如聚类降维半监督学习，结合了有标签和无标签数据强化学习，则通过与环境的交互，依据奖励信号学习最优，学习最优的行为策略。第六个问题，开源算法及k0近离算法，其基本的思想是对于待预测的样本计算，它与训练集中所有的样本间，所有的样本距离，比如说欧式距离，曼哈顿距离的选取距离最近的k个样本，根据这个 k个样本的类别或者数值进行投票或平均，得到待预测样本的结果，它的特点包括啊它是一种惰性的学习算法，训练阶段几乎不进行计算，主要耗时在预测阶段对异常值和噪声比较敏感。K值的选择对结果的影响比较大，不要求数据具有线性可分性，能处理非线性关系的数据，要给我们形成一个反正因为因为当时我忘了，你别给我买菜，我让你干什么，呢我的回答完毕。怎么写？', 'zh-cn', '2025-07-13 20:15:31');
INSERT INTO `transcripts` VALUES (40, '一个江苏以及分为多个资金，我们反复训练和测试的方法，常见的可以直接的交叉验证。\n在这里。好了没有？对这个事还没说完。嗯然后聊两个概念，他们之间的差异，特别就是对于两个提升样本之间的分布的一个情况。\n谁知可扩展性的相对相关的一些控制，安全性技术贸易性的。\n大家有没有矛盾？高校基层支持微分可以高效资源提供在CPU有什么TV上告诉一些加快生态系统才能学习的一个发展。\n谁知今天咱们签订的规定对不对？对对对。然后可以同时聚类，啊这样会分析深入合作的。', 'zh-cn', '2025-07-16 20:27:02');
INSERT INTO `transcripts` VALUES (41, '预测销售。\n一一个流程工程组。\n有分析，目前的嗯\nint{\nreturn a;\n}', 'zh-cn', '2025-07-17 21:44:43');
INSERT INTO `transcripts` VALUES (42, '函数怎么讲函数？嗯嗯嗯嗯嗯两个人可以检查一遍。\n啊情况。\n那个时候这个平衡。谁知。', 'zh-cn', '2025-07-19 16:00:08');
INSERT INTO `transcripts` VALUES (43, '无识别结果\n无识别结果\n嗯', 'zh-cn', '2025-07-19 16:07:27');
INSERT INTO `transcripts` VALUES (44, '那就三四年。嗯数据。\n无识别结果\n无识别结果', 'zh-cn', '2025-07-19 16:22:50');
INSERT INTO `transcripts` VALUES (45, '无识别结果\n无识别结果\n无识别结果\n无识别结果\n无识别结果', 'zh-cn', '2025-07-19 17:05:47');
INSERT INTO `transcripts` VALUES (46, '什么是KFC，可以帮他们看一下，安全性甚至于适用于什么场景，我这边没有答案。\n描述了一个是常用的公章派出工具，不方便。你看一下我都没有。\n压力分析题如何设计大模型的服务器监控监控我们要警告其他的情况可能不是嗯我的时间可是很容易。\nmail model_service\necho bash', 'zh-cn', '2025-07-19 21:16:59');
INSERT INTO `transcripts` VALUES (47, '那我现在可以不进去，我设置了，如果必须得点进去，他们来给你面试，好的。你进来缓一会儿。嗯嗯嗯所谓的KFC，这是这是答案，你可以对着稍微念一下。嗯我给你拉一下。没事，我是张国庆的专家，你刚才我都不会，你会啊这下面只有5个答案。你先做自我介绍，自我介绍没有的，你们对他了解就行了。没有，我提的不是自我介绍，好介绍一下你自己。啊我是中国科学技术大学软件学院研二的学生正在找实习工作，啊我的简历你也看了，感觉我非常的有竞争力。我觉得AI大模型运维工程师的岗位，苹果的数据可以完全可以承认企业。\n唉什么是 Cooper net，什么华为超好的，他如果再带我们去一种一种这个它是根据指标动态调整跑到副本的。控制器嗯嗯其实这个东西嗯比较简单，就是避免资源浪费和形成瓶颈。\n如何保证客户这个我们就可以利用上一题我们说到的那个', 'zh-cn', '2025-07-19 21:29:30');

-- ----------------------------
-- Table structure for video_analysis_results
-- ----------------------------
DROP TABLE IF EXISTS `video_analysis_results`;
CREATE TABLE `video_analysis_results`  (
  `id` int NOT NULL AUTO_INCREMENT,
  `interview_id` bigint NOT NULL,
  `facial_expression` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL,
  `gesture_analysis` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL,
  `eye_contact_score` float NULL DEFAULT NULL,
  PRIMARY KEY (`id`) USING BTREE,
  INDEX `interview_id`(`interview_id` ASC) USING BTREE,
  CONSTRAINT `video_analysis_results_ibfk_1` FOREIGN KEY (`interview_id`) REFERENCES `interviews` (`id`) ON DELETE CASCADE ON UPDATE RESTRICT
) ENGINE = InnoDB AUTO_INCREMENT = 2 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of video_analysis_results
-- ----------------------------

-- ----------------------------
-- Table structure for videos
-- ----------------------------
DROP TABLE IF EXISTS `videos`;
CREATE TABLE `videos`  (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `file_path` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NOT NULL,
  `upload_time` datetime NULL DEFAULT CURRENT_TIMESTAMP,
  `description` text CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci NULL,
  PRIMARY KEY (`id`) USING BTREE
) ENGINE = InnoDB AUTO_INCREMENT = 91 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_0900_ai_ci ROW_FORMAT = Dynamic;

-- ----------------------------
-- Records of videos
-- ----------------------------
INSERT INTO `videos` VALUES (1, 'video_zhangsan.mp4', '2025-07-04 21:59:30', 'AI岗位模拟面试视频');
INSERT INTO `videos` VALUES (40, '/uploads/videos/video_202412490753_1752408907483.mp4', '2025-07-13 20:15:12', '学生视频上传');
INSERT INTO `videos` VALUES (71, '/uploads/videos/video_202412490753_1752759853767.mp4', '2025-07-17 21:44:14', '学生视频上传');
INSERT INTO `videos` VALUES (91, '/uploads/videos/video_202412490753_1752911979043.mp4', '2025-07-19 15:59:39', '学生视频上传');
INSERT INTO `videos` VALUES (92, '/uploads/videos/video_202412490753_1752912422823.mp4', '2025-07-19 16:07:03', '学生视频上传');
INSERT INTO `videos` VALUES (93, '/uploads/videos/video_202412490753_1752913344987.mp4', '2025-07-19 16:22:25', '学生视频上传');
INSERT INTO `videos` VALUES (94, '/uploads/videos/video_202412490753_1752915913803.mp4', '2025-07-19 17:05:14', '学生视频上传');
INSERT INTO `videos` VALUES (96, '/uploads/videos/video_202412490753_1752930968618.mp4', '2025-07-19 21:16:09', '学生视频上传');
INSERT INTO `videos` VALUES (97, '/uploads/videos/video_202412490753_1752931703394.mp4', '2025-07-19 21:28:23', '学生视频上传');

SET FOREIGN_KEY_CHECKS = 1;

-- AI coach P0 schema. Existing databases should run database/migrations/V3__ability_coach.sql.
-- P0 ability coach and auditable assessment schema
-- Keep legacy indicator IDs 1-6 unchanged so historical reports retain their original meaning.
INSERT INTO evaluation_indicators (id, name, description)
VALUES
  (7, '专业知识水平', '岗位技术知识深度及基于事实的解题表现。'),
  (8, '算法与编码能力', '解题思路、边界条件、复杂度与代码质量。'),
  (9, '系统设计能力', '复杂问题拆解、方案权衡、可靠性与可扩展性。'),
  (10, '项目经验匹配', '与岗位相关的真实经历、个人贡献及结果证据。'),
  (11, '逻辑与结构化表达', '结论先行、证据链、STAR/PREP 等结构化表达。'),
  (12, '沟通协作能力', '通过回答内容呈现的协作方法、冲突处理与信息传递。'),
  (13, '学习能力与潜力', '基于具体学习案例体现的迁移、复盘与成长能力。'),
  (14, '抗压与应变能力', '仅依据不确定问题中的澄清、推理与恢复行为，不依据情绪或生物特征。')
ON DUPLICATE KEY UPDATE name = VALUES(name), description = VALUES(description);

CREATE TABLE IF NOT EXISTS role_scorecards (
  id BIGINT NOT NULL AUTO_INCREMENT,
  position_id BIGINT NOT NULL,
  version INT NOT NULL,
  status VARCHAR(16) NOT NULL DEFAULT 'draft',
  dimensions_json JSON NOT NULL,
  weights_json JSON NOT NULL,
  approved_by VARCHAR(64) NULL,
  approved_at DATETIME NULL,
  created_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,
  PRIMARY KEY (id),
  UNIQUE KEY uk_role_scorecard_version (position_id, version),
  KEY idx_role_scorecard_status (position_id, status),
  CONSTRAINT fk_role_scorecard_position FOREIGN KEY (position_id) REFERENCES positions(id) ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

CREATE TABLE IF NOT EXISTS ability_profiles (
  id BIGINT NOT NULL AUTO_INCREMENT,
  student_id BIGINT NOT NULL,
  interview_id BIGINT NOT NULL,
  position_id BIGINT NULL,
  version INT NOT NULL,
  profile_json JSON NOT NULL,
  model_version VARCHAR(64) NOT NULL,
  prompt_version VARCHAR(32) NOT NULL,
  feature_schema_version VARCHAR(16) NOT NULL,
  generated_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,
  PRIMARY KEY (id),
  UNIQUE KEY uk_ability_profile_interview (interview_id),
  UNIQUE KEY uk_ability_profile_version (student_id, version),
  KEY idx_ability_profile_student (student_id, generated_at),
  CONSTRAINT fk_ability_profile_student FOREIGN KEY (student_id) REFERENCES students(id) ON DELETE CASCADE,
  CONSTRAINT fk_ability_profile_interview FOREIGN KEY (interview_id) REFERENCES interviews(id) ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

CREATE TABLE IF NOT EXISTS knowledge_gaps (
  id BIGINT NOT NULL AUTO_INCREMENT,
  student_id BIGINT NOT NULL,
  source_interview_id BIGINT NOT NULL,
  tag VARCHAR(64) NOT NULL,
  weight DECIMAL(4,3) NOT NULL,
  level_score DECIMAL(5,2) NOT NULL,
  evidence_json JSON NOT NULL,
  updated_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  PRIMARY KEY (id),
  UNIQUE KEY uk_student_gap (student_id, tag),
  KEY idx_gap_student_weight (student_id, weight),
  CONSTRAINT fk_gap_student FOREIGN KEY (student_id) REFERENCES students(id) ON DELETE CASCADE,
  CONSTRAINT fk_gap_interview FOREIGN KEY (source_interview_id) REFERENCES interviews(id) ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

CREATE TABLE IF NOT EXISTS learning_actions (
  id BIGINT NOT NULL AUTO_INCREMENT,
  student_id BIGINT NOT NULL,
  source_interview_id BIGINT NOT NULL,
  topic VARCHAR(64) NOT NULL,
  action_type VARCHAR(16) NOT NULL,
  action_text VARCHAR(500) NOT NULL,
  acceptance_criteria VARCHAR(500) NOT NULL,
  status VARCHAR(16) NOT NULL DEFAULT 'pending',
  due_date DATE NULL,
  completed_at DATETIME NULL,
  created_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,
  PRIMARY KEY (id),
  KEY idx_learning_action_student (student_id, status, created_at),
  CONSTRAINT fk_learning_action_student FOREIGN KEY (student_id) REFERENCES students(id) ON DELETE CASCADE,
  CONSTRAINT fk_learning_action_interview FOREIGN KEY (source_interview_id) REFERENCES interviews(id) ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

CREATE TABLE IF NOT EXISTS question_generation_log (
  id BIGINT NOT NULL AUTO_INCREMENT,
  interview_id BIGINT NOT NULL,
  student_id BIGINT NOT NULL,
  strategy_version VARCHAR(16) NOT NULL,
  selected_tags_json JSON NOT NULL,
  questions_json JSON NOT NULL,
  explanation VARCHAR(500) NOT NULL,
  generated_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,
  PRIMARY KEY (id),
  KEY idx_question_log_student (student_id, generated_at),
  CONSTRAINT fk_question_log_interview FOREIGN KEY (interview_id) REFERENCES interviews(id) ON DELETE CASCADE,
  CONSTRAINT fk_question_log_student FOREIGN KEY (student_id) REFERENCES students(id) ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

CREATE TABLE IF NOT EXISTS interview_consents (
  id BIGINT NOT NULL AUTO_INCREMENT,
  interview_id BIGINT NOT NULL,
  student_id BIGINT NOT NULL,
  policy_version VARCHAR(16) NOT NULL,
  analysis_consent BOOLEAN NOT NULL,
  nonverbal_coaching_consent BOOLEAN NOT NULL,
  consented_at DATETIME NOT NULL,
  created_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,
  PRIMARY KEY (id),
  UNIQUE KEY uk_consent_interview (interview_id),
  CONSTRAINT fk_consent_interview FOREIGN KEY (interview_id) REFERENCES interviews(id) ON DELETE CASCADE,
  CONSTRAINT fk_consent_student FOREIGN KEY (student_id) REFERENCES students(id) ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

CREATE TABLE IF NOT EXISTS ai_assessment_audits (
  id BIGINT NOT NULL AUTO_INCREMENT,
  interview_id BIGINT NOT NULL,
  provider VARCHAR(32) NOT NULL,
  model_version VARCHAR(64) NOT NULL,
  prompt_version VARCHAR(32) NOT NULL,
  feature_schema_version VARCHAR(16) NOT NULL,
  review_status VARCHAR(24) NOT NULL DEFAULT 'pending_human_review',
  automated_decision_allowed BOOLEAN NOT NULL DEFAULT FALSE,
  emotion_inference_enabled BOOLEAN NOT NULL DEFAULT FALSE,
  created_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,
  PRIMARY KEY (id),
  UNIQUE KEY uk_assessment_audit_interview (interview_id),
  CONSTRAINT fk_assessment_audit_interview FOREIGN KEY (interview_id) REFERENCES interviews(id) ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;