🤖 数字孪生MCP服务器

一款基于人工智能的数字双胞胎助手，使用增强检索生成（RAG）来回答有关专业档案的问题。

![Next.js](https://nextjs.org/) ![TypeScript](https://www.typescriptlang.org/) ![MCP Server](https://modelcontextprotocol.io/) ![Upstash Vector](https://upstash.com/docs/vector/)

📋 概述

该项目实现了 模型上下文协议（MCP）服务器 它充当专业档案的数字双胞胎助手。它利用 检索增强生成（RAG） 提供关于一个人的经验、技能、项目和资格的准确、情境感知的回应。

主要特点

🔍 语义搜索：使用Upstash Vector进行基于矢量的检索，以实现准确的信息检索
🧠 RAG架构：将检索与LLM生成相结合，以获得可靠的响应
🎯 工作匹配：分析招聘信息并匹配资格
💬 互动面试：用特定工作的问题模拟技术面试场景
📊 分析仪表板：使用持久存储跨多个会话跟踪面试绩效
🗄️ 数据持久化：面试结果存储在Uptash Redis中，用于跨会话分析
🌐 双界面：既可作为MCP服务器（用于VS Code/Claude Desktop）又可作为web UI

🏗️ 建筑

┌─────────────────────────────────────────────────────────────┐
│                    User Query / Interview                    │
└────────────────────┬────────────────────────────────────────┘
                     │
                     ▼
┌─────────────────────────────────────────────────────────────┐
│              MCP Server / Web UI                             │
│  (Next.js 15 + TypeScript)                                  │
│  • Interview Landing Page                                   │
│  • Analytics Dashboard                                      │
└────────────┬────────────────────────────┬───────────────────┘
             │                            │
             ▼                            ▼
┌────────────────────────────┐  ┌────────────────────────────┐
│   Vector Search (Upstash)  │  │  Analytics DB (Redis)      │
│  • Semantic search         │  │  • Interview results       │
│  • Profile data retrieval  │  │  • Performance tracking    │
│  • Top-K retrieval (k=5)   │  │  • Trend calculation       │
│  • Metadata filtering      │  │  • Historic data           │
└────────────┬───────────────┘  └────────────────────────────┘
             │
             ▼
┌─────────────────────────────────────────────────────────────┐
│          LLM Generation (Groq/Llama 3.3 70B)                │
│  • Context-aware response                                   │
│  • Grounded in retrieved data                               │
│  • Professional interview tone                              │
│  • STAR format responses                                    │
└────────────┬────────────────────────────────────────────────┘
             │
             ▼
┌─────────────────────────────────────────────────────────────┐
│         Response + Assessment + Analytics                    │
│  • Interview answers                                        │
│  • Performance scores                                       │
│  • Recommendations                                          │
│  • Stored for future analysis                               │
└─────────────────────────────────────────────────────────────┘

🛠️ 技术栈

类别	技术
框架	Next.js 15.5.3
语言	TypeScript（严格模式）
向量数据库	上升矢量
分析数据库	升级Redis
LLM	Groq API（火焰3.3 70b）
用户界面	ShadCN UI+顺风CSS
图表	Recharts（数据可视化）
协议	模型上下文协议（MCP）
托管	Vercel（生产就绪）

🚀 快速开始

先决条件

Node.js 18+
pnpm包管理器
Python 3.8+（用于脚本）
Uptash Vector帐户
Groq API密钥

安装

克隆存储库

   git clone https://github.com/YOUR-USERNAME/digital-twin-mcp-portfolio.git
   cd digital-twin-mcp-portfolio

安装依赖项

   cd mcp-server
   pnpm install

设置环境变量

创建 .env.local 在 mcp-server 目录：

   UPSTASH_VECTOR_REST_URL=your_upstash_vector_url
   UPSTASH_VECTOR_REST_TOKEN=your_upstash_vector_token
   UPSTASH_REDIS_REST_URL=your_upstash_redis_url
   UPSTASH_REDIS_REST_TOKEN=your_upstash_redis_token
   GROQ_API_KEY=your_groq_api_key

嵌入配置文件数据

   cd ../scripts
   python embed_digitaltwin.py

启动服务器

   cd ../mcp-server
   pnpm dev

访问 http://localhost:3000 查看web UI。

📱 使用模式

1.MCP服务器模式（VS代码代理）

在VS Code设置或Claude Desktop中配置：

{
  "digital-twin": {
    "command": "node",
    "args": [
      "C:/path/to/mcp-server/.next/standalone/server.js"
    ],
    "env": {
      "UPSTASH_VECTOR_REST_URL": "your_url",
      "UPSTASH_VECTOR_REST_TOKEN": "your_token",
      "GROQ_API_KEY": "your_key"
    }
  }
}

然后直接从IDE查询数字孪生模型：

“我最近的项目是什么？”
“我有React的经验吗？”
“我的教育背景是什么？”

2.Web UI模式

访问交互式web界面 http://localhost:3000:

用于提问的聊天界面
职位发布分析
技术面试模拟

3.API模式

对MCP端点进行直接的API调用：

const response = await fetch('/api/mcp', {
  method: 'POST',
  headers: { 'Content-Type': 'application/json' },
  body: JSON.stringify({
    query: "What are my Python skills?"
  })
});

🎯 用例

1. 职位申请定制

Query: "How do my skills match this job posting?"
→ Analyzes job requirements against your profile
→ Highlights relevant experience
→ Suggests emphasis areas for cover letter

2. 面试准备

Query: "Prepare me for questions about my React experience"
→ Retrieves all React-related projects
→ Generates interview talking points
→ Suggests technical questions you might face

3. 投资组合概要

Query: "Summarize my experience for a senior developer role"
→ Extracts relevant experiences
→ Highlights leadership and technical skills
→ Provides concise professional summary

4. 技术面试模拟 🆕

Feature: Job Description Paste Interface
→ User pastes job posting directly into web UI
→ System analyzes requirements and generates role-specific questions
→ Digital Twin conducts realistic interview using RAG
→ Provides comprehensive performance assessment with scores

Workflow:
1. Paste job description (minimum 50 characters)
2. AI generates 5 job-specific interview questions
3. Digital Twin answers questions based on professional profile
4. Receive detailed assessment:
   - Overall score (0-100)
   - Category scores (Technical, Experience, Communication, Cultural Fit)
   - Strengths and areas for improvement
   - Hiring recommendation (Pass/Conditional/Fail)
   - Full transcript available for review

5. 面试分析仪表板 🆕

Feature: Performance Tracking Across Multiple Interviews
→ Store all interview results in Upstash Redis
→ Track performance trends over time
→ Visualize category-specific improvements
→ Generate insights and recommendations

Analytics Include:
- Total interviews conducted
- Average score and success rate
- Performance trends (line chart)
- Category breakdown (Technical, Experience, Communication, Cultural Fit)
- Recent interview history (last 5 interviews)
- Common strengths and improvement areas
- AI-generated performance insights
- Export capability (PDF reports)

📂 项目结构

digital-twin-mcp-portfolio/
├── mcp-server/                        # Next.js MCP server
│   ├── app/
│   │   ├── api/mcp/                   # MCP endpoint
│   │   ├── interview/                 # Interview feature
│   │   │   ├── components/            # Landing page, analytics UI
│   │   │   └── page.tsx               # Interview orchestration
│   │   ├── actions/                   # Server actions
│   │   │   ├── interview-analytics.ts # Analytics CRUD operations
│   │   │   └── load-job-postings.ts   # Job posting handling
│   │   └── components/                # Shared UI components (shadcn/ui)
│   └── lib/
│       ├── digital-twin.ts            # Core RAG logic
│       └── redis.ts                   # Redis client for analytics
├── scripts/                           # Data processing scripts
│   ├── embed_digitaltwin.py           # Profile data embedding
│   └── embed_job_postings.py          # Job posting processing
├── data/                              # Profile data
│   └── digitaltwin_clean.json        # Professional profile
├── job-postings/                      # Sample job descriptions
└── docs/                              # Documentation
    ├── design.md                      # Technical design
    ├── prd.md                         # Product requirements
    └── VECTOR_SETUP_GUIDE.md          # Setup instructions

🔬 运作原理

RAG管道（访谈和询问回复）

数据准备

- 以JSON格式存储的专业配置文件 - 分为语义部分（教育、经验、项目、技能） - 使用Upstash的文本嵌入模型嵌入的每个块 - 存储在带有元数据标签的Uptash Vector中

查询处理

- 用户查询或面试问题转换为向量嵌入 - 语义搜索检索前5个最相关的块 - 包括元数据（类别、上下文），以便更好地过滤 - 按相关性得分排名的结果

响应生成

- 检索到的上下文传递给LLM（Llama 3.3 70B，通过Groq） - 在检索到的数据中明确指示地面响应 - 实际接地响应的温度设置为0.3 - 专业、准确和情境感知的面试答案 - 行为问题的STAR格式

评估和储存

- 对多个类别的面试回复进行评估 - 计算绩效得分（技术、经验、沟通、文化契合度） - 结果存储在Uptash Redis中用于分析 - 生成招聘推荐（通过/有条件/失败）

分析管道

数据收集

- 每个面试结果保存到Uptash Redis - 存储时间戳、分数、工作详细信息和完整成绩单 - 为高效检索和聚合而建立索引

趋势计算

- 从Redis检索的历史数据 - 所有面试的平均得分 - 随着时间的推移确定的性能趋势 - 按决策类型计算的成功率

可视化

- 显示分数进展的折线图 - 带有进度条的类别细分 - 数据表中的最近面试历史 - 基于模式的人工智能生成的见解

矢量搜索配置

const results = await index.query({
  data: query,
  topK: 5,  // Increased for better context
  includeMetadata: true
});

分析存储架构

interface InterviewResult {
  id: string
  timestamp: number
  jobTitle: string
  overallScore: number
  categoryScores: {
    technical: number
    experience: number
    communication: number
    culturalFit: number
  }
  strengths: string[]
  improvements: string[]
  decision: 'pass' | 'conditional' | 'fail'
  transcript: Array
}

👤 作者和联系人

Archana Mukunthamani - *主要开发人员和唯一贡献者*

🎯 完整的系统架构和实施
🧠 与Upstash Vector和Groq LLM合作开发RAG管道
🎤 技术面试模拟器功能
🌐 Web UI设计和开发
🚀 Vercel部署和生产配置
📊 94%的提交和整个核心功能

联系我：

💼 领英： linkedin.com/in/archana-mukunthamani
🐙 github： @穆孔塔马尼大教堂

致谢

这个项目最初是作为一个团队项目开始的。特别感谢：

希曼尼1201 -初始存储库设置和README模板
薇薇安 -初始AGENTS.md文档文件

*注：在初始设置后，该项目完全由Archana Mukunthamani设计、开发和完成。*

______________________________________________________________________

建于❤️ 通过Archana Mukunthamani

🎓 学习成果

该项目展示了在以下方面的熟练程度：

✅ 构建生产就绪的MCP服务器
✅ 实施RAG架构
✅ 使用矢量数据库
✅ Next.js 15个服务器操作和API路由
✅ TypeScript严格类型
✅ 使用ShadCN进行UI/UX设计
✅ LLM集成（Groq API）
✅ 环境管理和部署

📊 性能指标

响应时间：约2-3秒（包括LLM）
搜索准确性：Top-K检索与语义匹配
上下文窗口：针对3个相关块进行了优化
错误处理：全面的回退和验证

🚢 部署

部署到Vercel

将代码推送到GitHub
Vercel的进口项目
设置环境变量：

- UPSTASH_VECTOR_REST_URL - UPSTASH_VECTOR_REST_TOKEN - GROQ_API_KEY

部署！

该应用程序配置了 vercel.json 为了优化Next.js 15的部署。

🤝 贡献

这是一个投资组合项目，但欢迎提出建议！请随意：

漏洞或改进的未决问题
提交拉取请求
分享反馈

📄 许可证

麻省理工学院许可证-请随时将此项目用作您自己的数字双胞胎助手的参考或起点。

致谢

参考架构来自 Roll Dice MCP服务器
RAG实施的灵感来自数字孪生Python参考
作为Ausbiz Consulting实习项目的一部分而建立