Skip to content
BranchesTags

Repository files navigation

📂 Публичная витрина проекта TensorTalks

Это открытая демонстрация дипломного проекта TensorTalks. Здесь собрана документация (.md), скриншоты и гифки интерфейса, презентации защиты и финальный текст ВКР. Исходный код, исследования и секреты сюда не входят — они хранятся в приватном репозитории.

Смотреть:

Ссылки на исходный код в документации ниже ведут в приватный репозиторий и здесь не открываются.

🚀 TensorTalks

AI-симулятор технических ML-интервью для объективной оценки компетенций

React TypeScript Vite Tailwind CSS

🌐 Демо • 📧 Связаться с нами • 🎯 MVP 2025

📋 О проекте

TensorTalks — это AI-симулятор технических ML-интервью для объективной оценки компетенций. Платформа моделирует реальные собеседования с AI-интервьюером, анализирует ответы, выявляет слабые стороны и предлагает индивидуальные рекомендации.

🎯 Основная ценность

TensorTalks помогает ML-специалистам и компаниям объективно оценивать и развивать технические компетенции в области машинного обучения через:

  • 🤖 Реалистичные AI-симуляции интервью уровня FAANG и топ-стартапов
  • 📊 Персонализированный разбор ответов и ошибок от AI-интервьюера
  • 📈 Аналитику сильных и слабых сторон с конкретными рекомендациями
  • 🎯 Стандартизацию процесса найма и развития для HR и TechLead

🎨 Возможности

Интерфейс

  • Современный дизайн с градиентами и анимациями
  • Адаптивная верстка для всех устройств
  • Интуитивная навигация

Функциональность

  • База вопросов — алгоритмы, ML-задачи, практические кейсы по уровням сложности от Junior до Senior
  • AI-разбор ошибок — детальная обратная связь с объяснением ошибок и рекомендациями по улучшению
  • Стандартизация оценки — единый формат оценки для HR и техлидов с объективными критериями
  • Персонализация — индивидуальные планы развития на основе выявленных пробелов

🧱 Архитектура и технологии

Общая схема

  • Frontend (React микросервис)
    Одностраничное приложение на React/TypeScript/Vite, отрисовывающее лендинг, экран аутентификации и пользовательские страницы. Общается только с BFF по HTTP.

  • BFF (bff-service)
    Backend-for-frontend на Go (Gin), который:

    • предоставляет REST API для фронтенда (/api/...);
    • проксирует запросы аутентификации в auth-service;
    • настраивает CORS и служит единственной точкой входа для браузера.

  • Admin BFF (admin-bff-service)
    Backend-for-frontend для админ-панели на Go:

    • JWT-аутентификация админа (/auth/login, /auth/verify, /auth/logout);
    • проксирует запросы к knowledge-base-crud, questions-crud, knowledge-producer, results-crud, auth-service, user-crud-service;
    • агрегирует метрики из Prometheus и results-crud-service для дашборда /metrics;
    • служит auth-backend для nginx-ingress auth-url всех админ-поддоменов (Grafana, Prometheus, Alertmanager, Kafdrop, pgAdmin, RedisInsight, Vault UI, Langfuse, Kubernetes Dashboard, ArgoCD).

  • Admin Frontend (admin-frontend)
    React-SPA админ-панели, общается только с admin-bff-service. Пробрасывает iframe в наблюдаемые UI (Grafana, Kafdrop, Langfuse и др.) через reverse-proxy на admin-хосте, чтобы избежать cross-site cookie ограничений.

  • Auth (auth-service)
    Микросервис аутентификации на Go, отвечающий за:

    • регистрацию и логин по логину/паролю;
    • выпуск и валидацию JWT (access/refresh);
    • работу только через user-crud-service без прямого доступа к БД.

  • User Store (user-crud-service)
    Микросервис-хранилище пользователей на Go с PostgreSQL:

    • единственный сервис с прямым доступом к БД логинов/паролей;
    • предоставляет CRUD API и отладочный эндпоинт /debug/users (фильтр+пагинация);
    • хранит пользователей с внутренним int PK и внешним GUID (external_id).

  • Session Service (session-service)
    Микросервис управления сессиями (session-manager):

    • создаёт сессии с параметрами (topics, level, type, mode ∈ interview|training|study);
    • кэширует активные сессии в Redis;
    • координирует создание программы через Kafka;
    • отдаёт session_mode, topics, level в GET /sessions/:id/program для downstream-сервисов.

  • Session CRUD Service (session-crud-service)
    CRUD микросервис для сессий в PostgreSQL:

    • хранит информацию о сессиях, параметры интервью и программы;
    • предоставляет API для работы с сессиями.

  • Chat CRUD Service (chat-crud-service)
    CRUD микросервис для чатов и сообщений в PostgreSQL:

    • хранит все сообщения чатов и дампы завершенных чатов;
    • предоставляет API для сохранения и получения истории чатов.

  • Results CRUD Service (results-crud-service)
    CRUD микросервис для результатов, пресетов и прогресса в PostgreSQL:

    • хранит результаты любых сессий (interview/training/study) с session_kind, report_json, evaluations;
    • управляет presets (рекомендованные программы после interview);
    • управляет user_topic_progress (прогресс по темам после study).

  • Interview Builder Service (interview-builder-service)
    Python FastAPI сервис для динамического создания программы интервью:

    • слушает Kafka топик interview.build.request;
    • получает параметры интервью (topics, level, type);
    • запрашивает вопросы из questions-crud-service по фильтрам;
    • запрашивает знания из knowledge-base-crud-service для каждого вопроса;
    • собирает программу интервью (5 вопросов по умолчанию);
    • упорядочивает вопросы по логике;
    • отправляет программу в Kafka топик interview.build.response.

  • Knowledge Base CRUD Service (knowledge-base-crud-service)
    Go микросервис для работы с базой знаний в PostgreSQL:

    • CRUD операции над знаниями;
    • поиск знаний по фильтрам (complexity, concept, parent_id, tags);
    • хранение структурированных знаний в JSONB формате.

  • Questions CRUD Service (questions-crud-service)
    Go микросервис для работы с базой вопросов в PostgreSQL:

    • CRUD операции над вопросами;
    • поиск вопросов по фильтрам (complexity, theory_id, question_type);
    • хранение структурированных вопросов в JSONB формате.

  • Knowledge Producer Service (knowledge-producer-service)
    Python FastAPI сервис для наполнения баз знаний и вопросов с HITL workflow:

    • ингест markdown / JSON / PDF / URL и web-search (arxiv, Semantic Scholar);
    • 4-шаговый пайплайн gather_context → structure → check_duplicates → save_draft;
    • дедупликация черновиков по similarity;
    • HITL draft → review → publish, в knowledge-base-crud-service / questions-crud-service уходят только опубликованные сущности.

  • Dialogue Aggregator (dialogue-aggregator)
    Go-оркестратор диалога (бывший mock-model-service):

    • читает chat.events.out, общается с interviewer-agent-service через messages.full.data / generated.phrases, отдаёт реплики в chat.events.in;
    • сам бизнес-решений не принимает (next / hint / clarify / skip / complete приходят от interviewer-agent-service);
    • получает программу + метаданные (session_mode, topics, level) от session-service;
    • публикует session.completed в Kafka для analyst-agent-service с реальными session_kind / topics / level.

  • Interviewer Agent Service (interviewer-agent-service)
    Python LangGraph-сервис, ведущий интервью:

    • принимает контекст из messages.full.data, прогоняет граф (классификация → оценка → решение);
    • возвращает реплику и решение (next / hint / clarify / skip / complete) в generated.phrases;
    • хранит question_evaluations в Redis, ходит в session-crud / chat-crud / knowledge-base-crud за контекстом.

  • Analyst Agent Service (analyst-agent-service)
    Python LangGraph-сервис для формирования финального отчёта:

    • подписан на session.completed, по session_kind уходит в одну из веток:
      • interview → формирует report_json, обновляет results и создаёт запись в presets;
      • training → обновляет results итоговой оценкой;
      • study → обновляет user_topic_progress для пройденных тем.

  • PostgreSQL
    Хранит данные в нескольких базах:

    • user_crud_db — таблица users с полями id, external_id (UUID), login, password_hash;
    • session_crud_db — таблица sessions с информацией о сессиях и программах интервью;
    • chat_crud_db — таблицы messages и chat_dumps для истории чатов;
    • results_crud_db — таблицы results (с report_json, evaluations, session_kind, result_format_version), presets, user_topic_progress;
    • knowledge_base_crud_db — таблица knowledge для структурированных знаний;
    • questions_crud_db — таблица questions для вопросов интервью.

  • Redis
    Кэширование активных сессий для быстрого доступа к программам интервью.

  • Langfuse v3 (опционально, namespace langfuse)
    Self-hosted observability для LLM-агентов и Prompt Management. Один общий инстанс на оба окружения (tensor-talks и tensor-talks-test), изоляция — через два project-а внутри Langfuse и разные API-ключи. Подключается из interviewer-agent-service, analyst-agent-service, interview-builder-service через LANGFUSE_HOST=http://langfuse-web.langfuse.svc.cluster.local:3000. Деплой: отдельный chart helm-langfuse/, ArgoCD application langfuse.

  • Kafka
    Очереди для асинхронной обработки событий. Развертывается через Strimzi Operator в namespace tensor-talks:

    • tensor-talks-chat.events.out — события от BFF к dialogue-aggregator (старт чата, сообщения пользователя, terminate);
    • tensor-talks-chat.events.in — события от dialogue-aggregator к BFF (вопросы, completed);
    • tensor-talks-messages.full.data — полный контекст диалога (dialogue-aggregator → interviewer-agent-service);
    • tensor-talks-generated.phrases — реплика/решение (interviewer-agent-service → dialogue-aggregator);
    • tensor-talks-interview.build.request — запрос на создание программы интервью (session-service → interview-builder);
    • tensor-talks-interview.build.response — ответ с готовой программой и program_meta;
    • tensor-talks-session.completed — событие завершения сессии (dialogue-aggregator → analyst-agent-service) с session_kind, topics, level;
    • Kafka UI (Kafdrop) доступен для мониторинга топиков и сообщений.

Стек backend

  • Языки: Go (основные сервисы), Python (FastAPI / LangGraph для interview-builder, knowledge-producer, interviewer-agent, analyst-agent)
  • HTTP: Gin (Go), FastAPI (Python)
  • ORM: GORM (Go), SQLAlchemy / asyncpg (Python)
  • Конфигурация: Viper (Go), Pydantic Settings (Python)
  • Логирование: Zap (Go), structlog (Python)
  • Тестирование: Testify (Go), pytest + pytest-asyncio (Python)
  • БД: PostgreSQL 16 (отдельные схемы на сервис, JSONB для гибких полей)
  • Очереди: Kafka 4.1 (через Strimzi Operator, KRaft режим без Zookeeper)
  • Мониторинг: Prometheus, Grafana, Loki + Promtail, Alertmanager (Telegram), Kafdrop, RedisInsight, pgAdmin, Langfuse v3
  • Секреты: HashiCorp Vault (External Secrets Operator + Vault Agent Injector)
  • Контейнеризация: Docker, docker-compose
  • Оркестрация: Kubernetes, Helm, ArgoCD (GitOps), Istio (только prod)
  • Публикация наружу: Cloudflare Tunnel + Cloudflare Access (SSO Google + OTP) для админ-поддоменов

Подробные схемы и описание каждого микросервиса см. в backend/README.md и в отдельных README.md внутри backend/<service>/, а также в frontend/README.md и admin-frontend/README.md.

🚀 Быстрый старт

Локальная разработка (docker-compose)

# Клонируйте репозиторий
git clone https://github.com/PaulRychkov/TensorTalks.git
cd TensorTalks

# Запустите все сервисы
docker-compose up -d

# Откройте в браузере
# Frontend: http://localhost:5173
# API: http://localhost:8080
# Grafana: http://localhost:3000 (логин/пароль из Vault: tensor-talks/grafana)

Развертывание в Kubernetes

См. подробные инструкции:

Frontend отдельно

# Клонируйте репозиторий
git clone https://github.com/PaulRychkov/TensorTalks.git
cd TensorTalks/frontend

# Установите зависимости
npm install

# Запустите dev сервер
npm run dev

Откройте http://localhost:5173 в браузере.

🏗️ Технологический стек (кратко)

  • Frontend: React, TypeScript, Vite, Tailwind CSS, React Router.
  • Backend: Go (Gin, GORM, Viper, Testify), Python (FastAPI, LangChain, LangGraph), PostgreSQL.
  • Очереди: Kafka (KRaft, через Strimzi Operator) для асинхронной обработки событий.
  • Мониторинг: Prometheus (метрики), Grafana (визуализация), Loki (логи), Kafdrop (Kafka UI).
  • Инфраструктура: Docker, docker-compose, Nginx (для фронтенда в контейнере).

🛠️ Структура проекта

frontend/
├── src/
│   ├── components/          # Компоненты
│   ├── pages/              # Страницы (лендинг, дашборд, чат, результаты)
│   ├── App.tsx             # Главная страница (лендинг)
│   └── main.tsx            # Точка входа
└── package.json           # Зависимости

🚧 Статус разработки

Текущий этап: MVP готов, interviewer-agent-service реализован, идет пилотная апробация

✅ Готово

  • Пользовательский интерфейс и навигация
  • Адаптивный дизайн с современными градиентами
  • Backend API и аутентификация (регистрация, логин, JWT)
  • MVP логика чатов (создание сессий, отправка сообщений)
  • Интеграция с Kafka для асинхронной обработки событий
  • AI-агент для проведения интервью (interviewer-agent-service на LangGraph)
  • Мониторинг (Prometheus, Grafana, Kafdrop) - развертывается в namespace
  • Собственный Kafka кластер через Strimzi Operator
  • Интеграция с Vault для управления секретами
  • Логирование и метрики во всех микросервисах
  • Хранение истории чатов и сессий (CRUD сервисы для чатов, результатов и сессий)
  • Управление сессиями с Redis кэшированием
  • Система создания программы интервью через Kafka
  • Просмотр истории завершенных интервью и результатов
  • Динамическая генерация программ интервью на основе уровня и темы
  • База знаний и вопросов с CRUD сервисами
  • Автоматическое заполнение баз при старте
  • Фильтрация вопросов по сложности и темам

🔄 В разработке

  • WebSocket интеграция для real-time обновлений
  • Расширенная база вопросов уровня FAANG
  • Интеграции с HR-системами
  • Голосовой интерфейс (ASR/TTS)
  • Расширенная агентная система (course/agents-extension-plan.md)

Текущий статус: MVP 2025, пилотная апробация 2026

📚 Документация

ВКР и курс по агентам

Проект является выпускной квалификационной работой. В рамках курса по агентам делается PoC - агентная система поверх существующего функционала.

Что покажем на демо

  1. Агент-планировщик собирает программу интервью под заданные параметры.
  2. Агент-интервьюер проводит интервью из 5 вопросов с уточнениями и подсказками, сам выбирает действия на основе контекста и инструментов (оценка ответа, поиск теории в KB, web search).
  3. Агент-аналитик формирует структурированный отчёт: оценка, ошибки по темам, подобранные материалы, план подготовки.

Что не входит в PoC

  • Production-инфраструктура для evals
  • Интеграции в HR-системы (ATS, SSO)
  • WebSocket (работаем через polling)
  • MCP-интеграции (Google Scholar, arxiv)

Документы курса в course/.

📞 Контакты

🎯 Целевые группы

👨‍💻 ML-специалисты (Middle-to-Senior)

  • Объективная оценка своего уровня
  • Практика в условиях реального интервью
  • Структурированная обратная связь

🌱 Новички в ML

  • Понять требования к ML-интервью
  • Получить структурированный план подготовки
  • Наставничество и гайды

🏢 Компании (Hiring)

  • Стандартизация процесса оценки
  • Экономия времени интервьюеров
  • Объективные критерии отбора

📚 Компании (L&D)

  • Системная диагностика навыков
  • Отслеживание прогресса команды
  • Целенаправленное развитие

Сделано с ❤️ для ML-сообщества

About

Public showcase of TensorTalks, an AI simulator of technical ML interviews (graduation thesis): full architecture documentation, interface screenshots and GIFs, defense and meetup slide decks, and the final thesis PDF. The source code lives in a private repository.

www.tensor-talks.ru/

Topics

aidocumentationedtechml-interviewsshowcasethesis

Resources

Readme
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

Packages

Contributors

Languages