AI面试官转型导师：N.O.V.A.如何用教学循环取代刷题

大多数面试准备工具都在比拼题库数量和回答速度，但开发者构建的 N.O.V.A. 提出了另一个问题：如果工具的核心不是“答对更多题”，而是帮用户理解自己错在哪，会怎样？这个基于 Next.js 和 NVIDIA 模型服务的项目，把 AI 面试官做成了一个会追问、会讲解、会记录弱点的学习系统。

从评估到教学：六步学习循环

N.O.V.A. 的流程不是“出题—打分”两步走，而是六个阶段：按候选人水平出题、从准确性/清晰度/完整性/推理四个维度评估、自适应追问、卡住时解释概念、追踪弱点和误解、最后生成个性化准备计划。

其中“我不知道”模式是设计上最有意思的一环。当候选人承认不会时，系统不会跳过，而是把这次尝试记为 0 分（计入该主题的掌握度），随后由教师智能体输出一份结构化课程：通俗解释、技术细节、真实案例、可选示意图（分层/流程/时序）、面试可用的简洁回答、常见错误、追问问题。用户之后可以重试原题、继续下一题或换一道相似题。

这份课程会存入笔记，错题则进入“错误笔记本”，按 1→2→4→7→15→30 天的间隔重复复习。这个设计把“不会”从失败变成了带复习节奏的学习事件，而不是一次性消耗。

工程取舍：多智能体、延迟与降级

架构上，N.O.V.A. 用 Next.js（App Router、React 19、Tailwind）配 SQLite——本地用内置 node:sqlite，云端用 Turso 嵌入式副本，这样部署到临时磁盘的宿主也不会丢数据。模型走 NVIDIA 的 OpenAI 兼容 API，密钥加密存储且不下发浏览器。

提示词设计上，作者刻意避免“一个巨型提示词扮演面试官”，而是让每个角色独立成 agent：面试官、出题器、答案评估器、教师、编程面试官、代码审查、系统设计评估、招聘委员会等。每个 agent 返回严格 JSON，输出可测试，也能单独调优而不影响其他环节。

延迟是最大的体验痛点。推理模型有时要 20–70 秒，还会截断 JSON。作者的做法包括：提供“快速模式”降低思考量（如 reasoning_effort: low，或在 Nemotron 3 上关闭思考），据其测试 Nemotron 3 Super 在 NVIDIA 托管 API 上约 3 秒返回；只让面试官回复挡在答案和下一题之间，评分后台跑、下一题在用户作答时预生成；若首题超过 12 秒或 JSON 非法，回退到人工校验的题库并用关键词覆盖度打分，报告会标注来源。即使关掉 AI，应用也能端到端运行。

代码执行安全也做了隔离：Python 通过 Pyodide 跑在 Web Worker 里并限时，SQL 跑在编译为 WebAssembly 的 SQLite 上，参考解答在用户解题前留在服务端。

指数移动平均（EMA） 在文中用于更新掌握度：每次作答后，新掌握度 = α × 本次得分 + (1-α) × 旧掌握度，α 通常取 0.2–0.4，使近期表现权重更高、曲线更平滑。相比简单平均，EMA 能快速反映进步或退步，但也可能因单次异常波动产生滞后，因此常配合最小尝试次数阈值才对外展示。

Turso 嵌入式副本 是一种把云端 SQLite 数据库同步到应用本地的机制：本地读写走嵌入式副本，后台再与主库同步，从而在临时磁盘的宿主上避免数据丢失，同时保留 SQLite 的轻量特性。

Pyodide + Web Worker 指将 CPython 编译为 WebAssembly 后在浏览器内运行，Web Worker 提供独立线程避免阻塞 UI，并可用 setTimeout 或 terminate() 实现限时中断，适合隔离不可信代码。

尚未解决的问题：反馈是否真的有效

作者自己承认，真正难的不是生成反馈，而是判断反馈有没有用。目前只看“我不知道”课程加后续重试后，该主题掌握度是否上升，但缺乏更严谨的评估方法。掌握度用指数移动平均更新，近期表现权重更高；弱项驱动每日计划，准备度分数每次会话后重算——这套机制能跑起来，但离“证明学习有效”还有距离。

这也是这类教学型 AI 工具的共性难题：短期指标（重试正确率、掌握度曲线）容易好看，长期迁移效果却难以归因。作者向开发者和教育者公开征集评估思路，项目已在线可访问。对于想做 AI 学习产品的人来说，N.O.V.A. 的价值可能不在功能列表，而在于它把“降级可用”“结构化输出”“错误复习节奏”这些工程细节摊开讨论。

间隔重复（Spaced Repetition） 基于艾宾浩斯遗忘曲线，在记忆即将衰退时安排复习，文中 1→2→4→7→15→30 天的间隔是常见简化序列。其效果依赖“难度自适应”：答对则拉长间隔，答错则缩短，否则节奏容易僵化。

学习迁移（Transfer） 指在训练情境中学到的知识应用到新情境的能力。短期重试正确率提升可能只是记住了原题答案，而非掌握概念，因此评估教学型 AI 时需设计未见过的新题或真实任务来检验迁移，这正是作者所指“长期迁移效果难以归因”的根源。