本地LLM访谈Agent：按受访者知识动态生成问题

自动面试官和对话代理越来越多地应用于研究、招聘、客户服务和教育领域。然而，许多现有系统依赖于固定的问题序列，并在不考虑参与者知识的情况下提供有限的基于上下文的个性化，这可能导致重复或不相关的后续问题。因此，需要一种自适应访谈系统，能够在保持对话连续性和语义进展的同时调整问题深度。为了解决这个问题，使用本地托管的大语言模型 (LLM) 提出了证据可追踪的动态访谈架构，访谈在整个对话过程中根据参与者的反应和不断变化的上下文不断进行调整。面试官实时介绍参与者的专业知识，以生成与知识相适应的问题、清晰的回答以及支持对话连续性的平稳过渡消息。五模块提示驱动架构和持久访谈状态记录支持这些功能。 访谈员对 246 名参与者进行了评估。专业知识分析模块 (M3) 显示与独立报告的参与者专业知识的准确度为 78.9%，加权 Cohen's K 为 0.80。生成迭代问题模块 (M4) 显示出很强的专业知识与复杂性关联（p=.79，p<.001），参与者报告了高相关性（平均值 4.41）、参与度（平均值 4.32）和满意度（平均值 4.38），这提供了证据表明架构的自适应组件与其预期功能一致运行，同时参与者报告了积极的面试体验。