# jd

**Repository Path**: unihao/jd

## Basic Information

- **Project Name**: jd
- **Description**: 面试题库
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-09-10
- **Last Updated**: 2026-09-17

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Java 高级开发面试复习工具

面向 Java 高级开发岗位面试的**一站式复习与实战工具**。涵盖简历解析、题库管理、**AI 智能面试（Agent 驱动）**、Java 实操故障排查沙箱、学习数据统计五大模块。支持离线使用（内置模拟 AI / 纯本地引擎），也可接入 DeepSeek / OpenAI 兼容大模型获得真实智能评分。

## 功能概览

| 模块 | 功能要点 |
|------|---------|
| 学习仪表盘 | 题量统计、掌握度分布、标签热力、最近面试与沙箱记录 |
| **AI 智能面试** | **接入开源 interview-mock-skill 全套面试能力**：固定状态机 `INIT→RESUME_PARSE→INTERVIEWING→REPORT→END`、6 个标准 Skill 自动转 DeepSeek Function Call Tools、四维锚点评分（**分数由本地引擎算，模型只抽证据**）、低分自动 grilling 深挖、动态难度调节、复盘报告 + 学习卡。WebSocket 聊天 + REST 双通道 |
| 简历解析 | 文本/PDF 导入 → AI 提取技术知识点 → 一键生成面试题草稿并导入题库 |
| 题库管理 | 搜索分页、三种题型（简答/单选/多选/实操）、难度与掌握度、标签管理、**Excel 导入导出 + 模板下载** |
| 模拟面试（经典） | **题库模式**：逐题作答 + AI 评分；**动态模式**：AI 追问仿真面试；温和/压力两种风格；四维度报告；低分自动入错题本；**复盘报告导出 Markdown** |
| 实操沙箱 | 5 个真实故障案例（GC 泄漏/死锁/Dubbo RPC/Redis/MySQL 慢 SQL），仿真终端 + 分步引导 + AI 判定 + 报告打分；可选 Docker 真实容器执行 |
| 错题本 | 面试低分题 + 手动加入的错题，折叠展示参考答案 |
| AI 设置 | 提供方切换（离线模拟/DeepSeek/OpenAI 兼容）、API Key 脱敏存储、测试连接、**每日 Token 额度限制**与**用量统计面板** |

> **AI 智能面试 vs 模拟面试（经典）**：前者是本次新增的 Agent 驱动主链路，规则、题库、评分、深挖全部本地化，可审计、可复现；后者是原有实现，保留但标记为 legacy，两者数据与入口完全隔离。
> 完整设计、方案评审（含对原始 6 条要求的逐条修正）与验证结果见 **[docs/agent-interview-design.md](docs/agent-interview-design.md)**。

## 技术栈

- **后端**：Spring Boot 3.2.5 / Java 21 / MySQL 8（默认）/ SQLite（可选 profile）/ Hibernate / PDFBox / EasyExcel / docker-java / **Spring WebSocket** / **Redis（可选，缺失自动回落内存）**
- **前端**：Vue 3 / Vite / Element Plus / Vue Router / Pinia / Axios / 原生 WebSocket
- **AI**：可插拔架构，内置离线 Mock（9 大方向知识库），OpenAI Chat Completions 兼容协议（DeepSeek/OpenAI），失败自动降级 Mock
  - **Agent 智能面试**走标准 **Function Call** 协议（`tools` / `tool_calls` / `tool` 消息回灌），并带独立熔断器
- **监控**：Spring Boot Actuator + Micrometer → Prometheus 采集 → Grafana 看板（数据源与内置看板自动装配）
- **部署**：Docker 多阶段构建 + Docker Compose 编排（含 MySQL / Redis / Prometheus / Grafana 全套）

## AI 智能面试的 6 个标准 Skill

后端自动读取 skill、自动生成 DeepSeek 可用的 Tools 结构，并按状态机阶段裁剪模型可见的工具：

| Skill | 作用 | 谁在算 |
|-------|------|--------|
| `parse_resume` | 简历结构化解析（技能/项目/年限/弱项） | 模型抽语义 + **本地**校验技能是否真在简历里出现、**本地**决定出题领域 |
| `get_interview_question` | 按岗位/项目/难度出题 | **全本地**（318 题题库 + 固定策略链：复习优先 → 薄弱优先 → 简历命中 → 深度递进） |
| `evaluate_answer` | 四维打分与点评 | 模型只抽「原话证据 + 要点命中」，**分数由本地锚点引擎计算** |
| `grilling_deep_dig` | 低分自动深挖追问（核心拷打） | 模型生成措辞 + **本地**判定触发与收敛；模型不可用时走本地模板追问 |
| `adjust_difficulty` | 动态难度调节 | **全本地**（滚动均分 + 连续高低分 + 深挖锁定） |
| `generate_interview_report` | 复盘报告 + 学习卡 | 分数由服务端算好，模型只组织语言；学习卡按上游规则本地生成 |

**硬性规则**：禁止模型自编题目、禁止模型自行打分；一题一评；任一维 ≤2 必深挖；单次只允许一次工具调用。
详见 [docs/agent-interview-design.md](docs/agent-interview-design.md)。

## 快速开始

### 方式一：Docker 一键启动（推荐，Linux）

```bash
git clone <repo-url> && cd jd
docker compose up -d --build
```

启动后访问：

| 服务 | 地址 | 说明 |
|------|------|------|
| 前端页面 | http://localhost:8542 | 应用入口 |
| 后端 API | http://127.0.0.1:8541/api/health | 健康检查（仅本机） |

> 默认使用 **MySQL 8** 作为数据库（容器自带，数据持久化在 `mysql-data` 卷）。
> 本项目**不发布任何监控端口**：Prometheus / Grafana / Exporter 都由
> [nightjar](https://github.com/unihaoke/nightjar) 侧承担（接入后 Grafana 在 `http://<nightjar主机>:3000`）。
> 后端指标端点 `/actuator/prometheus` 供平台抓取，日志落 `backend-logs` 卷供平台采集。
> Redis 用于 Agent 面试的幂等与会话热态；**它不是硬依赖**——`AGENT_INTERVIEW_REDIS_ENABLED=false` 或 Redis 不可用时，后端自动回落到内存实现，面试功能不受影响。
>
> **MySQL / Redis 不向宿主机发布端口**（数据面为 internal 网络）。需要临时直连请用一次性容器：
> `docker compose run --rm mysql mysql -h mysql -uroot -p"$DB_PASS" interview_review`
> `docker compose run --rm redis redis-cli -h redis -a "$REDIS_PASSWORD" ping`

或使用启动脚本：

```bash
./start.sh          # 构建并启动
./start.sh stop     # 停止
./start.sh restart  # 重启
./start.sh logs     # 查看日志
./start.sh clean    # 停止并删除容器与数据
```

> **以上方式永久可用**：接入 [nightjar](https://github.com/unihaoke/nightjar)（中间件智能问题解决平台）
> **不需要改动本项目的任何文件**——平台在集成时用 Docker API 自己发现容器所在网络并接入 Exporter，
> 日志则通过挂载 `backend-logs` 卷读取。详见「接入 nightjar」一节。

### 方式二：本地开发模式

**后端**（需要 JDK 21 + Maven）：

```bash
cd backend
mvn spring-boot:run
# 后端启动在 8080 端口
```

默认激活 `mysql` profile，通过环境变量连接数据库（默认值见 `application-mysql.yml`）：

```bash
# 本地 MySQL 示例（默认 127.0.0.1:3306，库名 interview_review，账号 root/root）
export SPRING_PROFILES_ACTIVE=mysql
export DB_HOST=127.0.0.1 DB_PORT=3306 DB_NAME=interview_review DB_USER=root DB_PASS=root
```

> 首次启动会自动建表（`ddl-auto=update`），并自动初始化默认管理员账号 `admin`/`admin123` 与公共题库种子数据。
> 想免安装数据库可切换 `SPRING_PROFILES_ACTIVE=sqlite`，数据落在本地文件。

**前端**（需要 Node 18+）：

```bash
cd frontend
npm install
npm run dev
# 前端启动在 5173 端口，自动代理 /api → localhost:8080
```

访问 http://localhost:5173 即可使用。

### 运行端到端冒烟测试

后端启动后（`sqlite` profile 即可，**不需要**配置任何大模型——全链路会走本地降级）：

```bash
node scripts/smoke-agent-interview.mjs
# 自定义地址：node scripts/smoke-agent-interview.mjs http://127.0.0.1:8080
```

覆盖 54 项断言：Tools Schema 自动生成、状态机推进、一题一评、低分必深挖、幂等、越权防护、
报告与学习卡、Markdown 导出、END 阶段约束。

### 重新生成题库语料

```bash
python .skills-src/build-complete.py      # 从完整 items.json 重建 318 题归一化语料
bash  scripts/sync-interview-bank.sh      # 同步到 backend/src/main/resources/
```

> 上游 `items.json` 若需重新下载：`mvn -f .skills-src/fetch-pom.xml validate`
> （借 Maven 的 JVM 出网；受限环境里 curl / node fetch 可能因 TLS 凭证失败）。

## 项目结构

```
jd/
├── backend/                      # Spring Boot 后端
│   ├── src/main/java/com/interview/review/
│   │   ├── agentinterview/           # 【AI 智能面试】Agent 驱动主链路
│   │   │   ├── AgentInterviewSessionService.java  # 编排：鉴权/幂等/限流/持久化/导出
│   │   │   ├── cache/                # 会话缓存抽象（内存 / Redis 双实现）
│   │   │   ├── config/               # 配置 + Function Call 协议 + Tools Schema 自动生成
│   │   │   ├── entity/ repository/   # 会话 / 逐轮记录 / 学习卡（独立表，不与旧链路混用）
│   │   │   ├── llm/                  # DeepSeek Function Call 客户端 + 熔断器
│   │   │   ├── model/                # 状态机阶段 / 四维评分 / 题目 / 报告等领域模型
│   │   │   ├── prompt/               # 固定 System Prompt + 各 skill 提示词模板
│   │   │   ├── runtime/              # 状态机 / SkillManager / 评分引擎 / 难度控制 / 上下文预算
│   │   │   ├── skill/                # 6 个标准 Skill 的本地实现 + 题库
│   │   │   └── web/                  # REST + WebSocket 通道
│   │   ├── ai/                   # AI 抽象层（接口/Mock/OpenAI兼容/用量服务）
│   │   ├── auth/                 # 注册登录/JWT/当前用户上下文
│   │   ├── common/               # 通用工具（ApiResult/异常处理/JSON工具）
│   │   ├── config/               # AI 属性配置
│   │   ├── interview/            # 模拟面试（旧双模式，标记为 legacy）
│   │   ├── question/             # 题库/标签/错题本
│   │   ├── resume/               # 简历解析与出题
│   │   ├── sandbox/              # 实操沙箱（仿真引擎/Docker执行器/5案例）
│   │   ├── setting/              # AI 设置、用量统计、租户配置迁移
│   │   ├── stats/                # 学习仪表盘统计
│   │   └── InterviewReviewApplication.java
│   ├── src/main/resources/
│   │   ├── application.yml       # 配置文件（含 agent-interview.* 全套参数）
│   │   ├── logback-spring.xml    # 日志落盘（app.log / error.log），供 nightjar 日志 Agent 采集
│   │   ├── interview-bank.jsonl  # Agent 题库语料（318 题，来自上游 skill 仓库）
│   │   └── sandbox-cases/        # Docker 沙箱案例源码
│   └── Dockerfile
├── frontend/                     # Vue 3 前端
│   ├── src/
│   │   ├── views/AgentInterview.vue  # 【AI 智能面试】聊天界面 + 实时评分 + 报告面板
│   │   └── ...
├── docs/
│   └── agent-interview-design.md # Agent 智能面试架构设计与方案评审
├── scripts/
│   ├── sync-interview-bank.sh    # 题库语料 → 后端资源 同步
│   ├── check-nightjar-link.sh    # 接入自检（容器 / 日志卷 / 日志目录挂载）
│   └── smoke-agent-interview.mjs # 端到端冒烟测试（54 项断言）
├── .skills-src/                  # 上游 skill 规则抽取规格 + 题库构建脚本与溯源材料
├── .env.example                  # 环境变量样例（无监控/网络变量）
├── docker-compose.yml           # 编排配置（三网分区：jd-edge / jd-app / jd-data）
├── start.sh                     # Linux 启动脚本
└── README.md
```

### 两种结束方式

| 方式 | 入口 | 会做什么 | 不会做什么 |
|---|---|---|---|
| 结束并复盘 | `POST .../finish` / WS `FINISH` | 生成复盘报告、四维均分、薄弱主题、学习卡 | —— |
| **直接结束（不复盘）** | `POST .../discard` / WS `DISCARD` | 仅把状态机推进到 END，保留已答题目的问答与评分 | **不调用任何大模型**、不生成报告、不写学习卡、不做难度调整 |

「直接结束」的会话在列表与详情里 `reportStatus=NONE`（`reportSkipped=true`），
前端在报告页给出明确说明；此时调用导出接口会返回可读提示而不是空文件：

> 本场面试结束时选择了「直接结束，不复盘」，因此没有报告可导出。问答与评分记录仍可在会话详情里回看。

两种方式都是**幂等**的（重复调用返回既有结果，不报错）。

## 实操沙箱案例

| 案例 | 故障类型 | 仿真命令 | 步骤 |
|------|---------|---------|------|
| JVM 内存泄漏排查 | GC / FullGC | jps / jstat / jcmd / jmap / jstack | 6 步 |
| Java 死锁排查 | 线程死锁 | jps / jstack / 线程分析 | 5 步 |
| Dubbo RPC 超时 | 服务治理 | tail / 日志分析 | 5 步 |
| Redis 主从故障 | 缓存中间件 | info replication / 日志 | 5 步 |
| MySQL 慢 SQL | 数据库 | slow.log / EXPLAIN / 索引 | 5 步 |

### 简历模块的行为约定

- **上传不需要大模型**：`/resumes/upload` 只做「校验文件 + 抽取文本 + 保留原始文件」，随时可用。
- **AI 解析需要大模型**：未配置 API Key（或提供方为 `mock`）时，`/analyze` 与 `/generate-questions`
  返回 **code 428** 与一段可操作的中文提示，而**不会**降级到离线模拟返回假结果。
  前端据此把按钮置灰并在页面顶部给出警告与「去 AI 设置」入口。
- **原始文件会保留**：PDF 上传的字节存进 `resume_file` 表，可随时按原样下载；
  文本方式创建的简历没有原始文件，下载时选 `.txt`。
- **文件校验按魔数而非扩展名**：把 `.docx` 改名成 `.pdf` 会被拒绝，并提示「另存为 PDF 或改用粘贴文本」。
- 扫描件/纯图片 PDF 不做 OCR，会明确提示改用文本型 PDF 或粘贴文本。

### 运行简历模块测试

```bash
node scripts/test-resume-upload.mjs      # 24 项：上传/格式校验/下载/无模型提示/写路径锁回归/越权
```

#### SQLite 下的一条运维须知

`analyze` 这类「先读后写」的事务若跨越大模型调用，SQLite（WAL）会抛
`SQLITE_BUSY_SNAPSHOT`——因为 AI 用量记录是在 `REQUIRES_NEW` 事务里提交的，
本事务的快照已过期。**这个错误不受 `busy_timeout` 影响**，表现为「点解析/下载时报服务器内部错误」。

本项目已从根上规避：

1. **AI 调用一律放在事务外**，落库用独立的短写事务（`KnowledgePointWriter`）；
2. 写操作统一走 `DbRetry`（遇锁冲突退避重试，最终仍失败时给出「请切换到 MySQL」的明确提示）；
3. SQLite 连接串开启 `WAL` 并把 `busy_timeout` 提到 15s（只能缓解等锁，快照过期靠重试）。

多用户/生产环境建议直接用 **MySQL**（`SPRING_PROFILES_ACTIVE=mysql`），SQLite 仅适合单机试用。

## AI 配置说明

| 提供方 | 说明 |
|--------|------|
| 离线模拟（默认） | 内置 JVM/并发/Redis/MySQL/Dubbo 等 9 方向知识库，无需联网，所有功能可用 |
| DeepSeek | 填入 API Key 即可，默认地址 `https://api.deepseek.com/v1` |
| OpenAI 兼容 | 任何兼容 Chat Completions 协议的服务均可（OpenAI / vLLM / 通义 / Kimi 等） |

- 调用真实 AI 失败时自动降级为模拟，不影响使用
- **每日 Token 额度**：设置页可配置每日上限（0=不限），超额后所有 AI 功能暂停，次日自动恢复
- **用量统计**：真实大模型按接口返回 usage 精确计量，离线模拟按文本长度估算
- **按用户隔离**：AI 提供方、API Key、模型、每日额度、用量记录均为**每个登录用户独立一份**，互不影响；未配置时回退系统默认值

## Agent 智能面试配置

全部集中在 `application.yml` 的 `agent-interview.*`，每项都有安全默认值：

```yaml
agent-interview:
  system-prompt: ""          # 留空即用代码内固定 System Prompt
  llm:
    provider/base-url/api-key/model: ""   # 留空 = 复用「设置」页里当前用户的 AI 配置
    timeout-seconds: 45       # 对话/出题类调用超时
    judge-timeout-seconds: 60 # 判官与深挖生成超时
    max-retries: 1            # 仅对超时/5xx/429 重试
    function-call-enabled: true  # 关闭后全程走本地引擎 + 本地话术（无模型也能跑通）
  budget:
    session-tokens: 24000     # 单场累计 token 预算
    prompt-tokens-per-call: 6000  # 单次 prompt 上限，超出即裁剪
    recent-turns: 6           # 最近 N 轮保留原文，更早轮次压缩成摘要
  limits:
    max-questions: 12
    max-deep-dig-rounds: 3    # 单题深挖上限（上游未定义终止条件，此处为下游实现）
    max-active-sessions-per-user: 5
  cache:
    redis-enabled: false      # 置 true 且存在 Redis 时启用（compose 里已默认开启）
  bank:
    hot-reload: true          # 题库资源变更自动重载
```

**无模型时的行为**（默认 `provider: mock` 即此路径）：简历解析、答案判官、深挖问句、报告撰写
全部降级为本地实现，面试流程完整可跑；分数会被标注「降级评分」、不计入难度调整，并在报告与聊天中披露。
接入 DeepSeek 后填入 API Key（设置页或上面四项）即可获得真实四维评分。

### 判官不可用时的行为（降级模式）

默认 `provider: mock`（未配置真实大模型）时判官不可用，此时：

- 四维分数固定为 1 分，且**不参与难度调整**，报告里明确披露「N/M 题为降级评分」；
- **不按分数触发深挖**——否则「答得再好也会被连追 3 轮」，面试卡在第一题，观感像系统坏了；
  只有「明确答不出 / 过于简短 / 通篇敷衍（`没细看`、`大概`…）」才深挖；
- 有实质内容的回答会正常推进到下一题。

## 数据与租户隔离

- **公共题库**：管理员维护的种子题目（scope=PUBLIC）对所有用户可见，用于模拟面试
- **个人数据**：简历、知识点、个人题库（PERSONAL）、错题本、面试记录、沙箱记录、AI 配置、AI 用量均按登录用户隔离；后端从 JWT 会话强制取用户身份进行过滤与归属校验，前端传 ID 不能越权访问他人数据
- **认证**：JWT 登录态，前端路由守卫拦截未登录访问，token 过期由后端 401 响应统一处理

## Docker 部署架构

```
┌─────────────────────────────────────────────────────────────────┐
│  Host                                                            │
│                                                                  │
│  :8542 ┌───────────┐  /api/  ┌───────────────┐                  │
│  ◀────▶│ Nginx     │ ───────▶│ Backend :8080 │                  │
│        │ (前端静态) │         │ (Spring Boot) │                  │
│        └───────────┘         └───┬───────┬───┘                  │
│                                  │ JPA   │ 日志落盘               │
│                                  ▼       ▼                       │
│                          ┌────────────┐ ┌──────────────┐         │
│                          │MySQL :3306 │ │backend-logs  │         │
│                          │(mysql-data)│ │(日志卷)       │         │
│                          └────────────┘ └──────┬───────┘         │
│                          ┌────────────┐        │                 │
│                          │Redis :6379 │        │                 │
│                          └─────┬──────┘        │                 │
│                                │               │                 │
│  可选：backend 挂载 /var/run/docker.sock 启用沙箱真实容器模式      │
└────────────────────────────────┼───────────────┼─────────────────┘
                                 │ 容器名/服务名    │ 只读挂载同一命名卷
                    （平台集成时自动接入 jd_data 网络）
                                 ▼               ▼
                    ┌────────────────────────────────────────┐
                    │ nightjar：Prometheus / Grafana /       │
                    │ Exporter 容器 / 日志采集容器 / 告警诊断  │
                    └────────────────────────────────────────┘
```

- 前端 Nginx 提供静态文件，`/api/` 反向代理到后端
- 网络分区：`jd-edge`（发布面）/ `jd-app`（应用面，backend 出网）/ `jd-data`（数据面，internal）
- 默认 MySQL 8，数据持久化到 `mysql-data` 卷；后端在 MySQL 健康后启动
- MySQL / Redis 不发布宿主端口，仅数据面可达；后端只绑 `127.0.0.1`
- **本项目不跑任何监控组件**：Prometheus / Grafana / Exporter / 日志采集全部由 nightjar 侧承担（见下节）

## 监控说明

- 后端通过 **Spring Boot Actuator + Micrometer** 暴露 Prometheus 格式指标，端点 `/actuator/prometheus` 仅暴露 `health`/`info`/`prometheus`，无需认证（在 `/api` 鉴权拦截范围之外）；compose 已把后端只绑在 `127.0.0.1`，生产请继续保持不对公网开放
- 应用日志落盘到 `backend-logs` 卷：`interview-review.log`（全量）与 `error.log`（仅 ERROR），GC 日志为 `gc.log`；这是 nightjar 日志采集的**唯一来源**，请勿移除该挂载
- 自定义业务指标：`ai_tokens_total`（按 scene/provider 统计 token 消耗）、`ai_calls_total`（AI 调用次数）
- 指标抓取、看板与告警均在 nightjar 的「集成中心」配置：接入后平台自动创建 Exporter 容器、
  **自动发现并接入本项目的容器网络**（无需在本项目做任何网络改动），并自动生成看板与告警规则

## 接入 nightjar（中间件智能问题解决平台）

[nightjar](https://github.com/unihaoke/nightjar) 是「Redis / MySQL / Kafka / ES …」统一纳管 + 告警 + AI 诊断的中间件运维平台（Go + Vue，自带 docker-compose）。
本项目作为**被纳管对象**接入，且**监控侧零配置**：平台自己建只读账号、自己拉起 Exporter、
**自己发现并接入本项目容器所在的网络**，自带 Prometheus / Grafana / 日志采集，
本项目不新增任何监控容器、不建互联网络、不加别名、不改 compose。

> 上游仓库的完整操作指南：[`docs/GUIDE-JD-ONBOARD.md`](https://github.com/unihaoke/nightjar/blob/master/docs/GUIDE-JD-ONBOARD.md)。

### 网络隔离模型

接入不需要把两个 compose 项目丢进同一张网，也不需要互联网络——
平台在自己这边把 Exporter 接进本项目容器的网络上，本项目保持**三网分区**：

| 网络 | internal | 成员 | 说明 |
|------|----------|------|------|
| `jd-edge` | 否 | frontend | 面向用户，唯一发布业务端口 |
| `jd-app` | 否 | frontend ↔ backend | backend 经此出网调用大模型 |
| `jd-data` | **是** | backend、mysql、redis | 数据面：**无出网、无宿主端口** |

跨栈可见面只有两个端点：平台 Exporter 访问 `interview-mysql:3306` / `interview-redis:6379`
（只读指标），以及平台日志采集容器读取 `backend-logs` 卷。
nightjar 看不到 frontend / backend 的出网链路。

> 平台接入的方式：创建 Exporter 时用 Docker API 反查目标容器（按容器名/compose 服务名/网络别名）
> 所在网络（这里是 `jd_jd-data`），把 Exporter 接进去。**本项目侧因此没有任何前置条件**。
> `jd-data` 保持 `internal: true`：Exporter 只借用同网络的 DNS 与端口，不参与本项目的出网。

### 改了什么

| 文件 | 作用 |
|------|------|
| `docker-compose.yml` | **改造**：三网分区；MySQL / Redis 取消宿主端口映射（原为 `0.0.0.0:3306` / `:6379`）；Redis 开启 `requirepass`；后端只绑 `127.0.0.1`；后端日志落盘到 `backend-logs` 卷 |
| `.env.example` | 统一环境变量（`REDIS_PASSWORD` 等）；**没有任何监控/网络变量** |
| `backend/src/main/resources/logback-spring.xml` | 新增：`interview-review.log` 全量 + `error.log` 仅 ERROR，供平台日志采集 |
| `backend/Dockerfile` | GC 日志改为 `/app/data/logs/gc.log`，落进 `backend-logs` 卷 |
| `scripts/check-nightjar-link.sh` | 接入自检：业务容器运行中、日志卷非空、日志目录是命名卷 |
| `start.sh` | `up` 恢复为普通启动；`check` 做接入自检 |

> 网络已从 `interview-net` 拆分为 `jd-*`，已有部署请先 `docker compose down` 再启动。

### 命令

| 目的 | 命令 |
|------|------|
| 启动（默认，无需为监控做任何事） | `./start.sh` 或 `docker compose up -d --build` |
| 接入自检 | `./start.sh check` |
| 清空数据重来 | `./start.sh clean` |

> 接入前必改：`REDIS_PASSWORD` 必须非空（空口令会让 Spring 连 Redis 报 `NOAUTH`）。
> MySQL 只读监控账号**不需要**在本项目创建，由 nightjar 集成中心按需代建。

### nightjar 平台侧

1. 部署平台并打开集成能力（脚本会自动放开 docker.sock —— 这是自动发现网络的前提）：

   ```bash
   cd <nightjar>
   ./scripts/setup-jd-link.sh          # 生成密钥、打开集成开关、放开 docker.sock、启动并自检
   ```

2. 打开「**集成中心**」，按被管组件新建集成（**本项目无需再改任何文件**）：

   | 步骤 | 名称 | 地址 | 关键勾选 |
   |------|------|------|----------|
   | MySQL | `jd-mysql` | `interview-mysql:3306` | 「由平台创建只读监控账号」（填 root 凭据）+「一键拉起 Exporter」 |
   | Redis | `jd-redis` | `interview-redis:6379` | 「一键拉起 Exporter」（口令填 `.env` 的 `REDIS_PASSWORD`） |
   | 日志 | `jd-backend-logs` | 目标容器 `interview-backend` | 先「读取 docker 配置并预览」，再「创建采集容器」 |

   平台会自动：建只读账号 → 起 Exporter → **发现并接入 `jd_jd-data`** → 写抓取目标与告警规则 →
   出大盘。集成列表里的「待处理」会直接写明失败原因（账号不存在 / 网络不通 / DSN 非法）。

3. 平台访问地址 `http://<主机>:8000`，Grafana 为 `http://<主机>:3000`（数据源已自动配好）。

> 地址填**容器名**最稳（`interview-redis`）；填 compose 服务名（`redis`）平台也会自己换算。
> 旧版需要手工填的 `Prometheus job` / `Prometheus instance` 已由平台自动写入。

### 验证

```bash
cd <jd>
./start.sh check              # 业务容器 / 日志卷 / 日志目录挂载

cd <nightjar>
./scripts/doctor-jd-link.sh   # 平台容器 / docker.sock / 目标容器所在网络 / Exporter 网络 / 抓取 up
```

页面侧：**统一监控**出现 `jd-redis`、`jd-mysql` 曲线；**日志告警**出现后端 ERROR 事件。

> 联动价值：本项目自带沙箱故障场景（`RedisFaultScenario` / `MySqlSlowScenario` / `GcLeakScenario` / `DeadlockScenario`）可真实制造 Redis 异常与 MySQL 慢查询，用来验证平台的告警与 AI 诊断链路，比手工造数据可靠。

## 环境要求

| 环境 | 最低版本 | 说明 |
|------|---------|------|
| JDK | 21 | 后端运行时 |
| Maven | 3.6+ | 后端构建（Docker 内置） |
| Node | 18+ | 前端构建（Docker 内置） |
| Docker | 20+ | Docker 部署方式 |
| Docker Compose | 2.0+ | Docker 部署方式 |

## License

MIT