InterviewCoach：五個問題、誠實的回饋，還有一位會直視你雙眼的面試官

作者：Tomasz Hasinski（Brainiak Consulting），與 Perxona 團隊共同開發 Connect Kit

大多數面試練習 App，不過就是一個附計時器的文字框。你打字、模型評分、你讀結果。整個過程一點也不像你真正要練習的情境——坐在一個人面前，對方會對你說的每一句話產生反應。

InterviewCoach 解決的就是這件事。選擇職位和語言後，3D 面試主管 Mia 會一次問一題、共五個問題，對每個回答做出反應並評分，最後產出一份報告。支援 English、日本語與繁體中文。我只用了大約 18 分鐘，就在 Perxona Connect Kit 上把它做出來，工具只有一個 AI 程式開發代理（coding agent），加上 Connect Kit 本身的 Repository 和公開的手冊。現在它已成為 Connect Kit 內建的範例之一，Mia 也是 Connect Kit README 上的那張臉。

這是我們介紹「隨時可以變成真正產品」的 Connect Kit 專案短篇系列的第二篇。第一篇是活動禮賓員 Maker；InterviewCoach 排在第二，是因為它最清楚地證明了一件事：在這個產品裡，Avatar 不是裝飾。那張臉就是產品本身。

從選擇職位到產出報告的完整流程

一次練習是什麼樣子

你可以從四種職位中選一個：初階行銷、前端工程師、飯店櫃檯人員或客服人員，接著選擇語言。Mia 會向你打招呼，然後提出第一個問題。

你可以打字回答；若瀏覽器支援，也可以用語音回答。Mia 會給出一到兩句具體且誠實的回饋，再提出下一個問題。對話下方有一行小字，顯示你剛才那個回答的分數（1 到 5 分）。第五個回答結束後，她會結束面試，你會拿到一份報告：每一題的問題、你的回答、她的回饋、分數、平均分數，以及你花了多少時間。面試表現好，結尾會有一個慶祝的動作；表現普通，則以一句感謝作結。

我們實際測試時，刻意給了一個很弱的回答（「我也不太清楚，大概就是更常發文，然後希望有效吧」），結果拿到 5 分中的 2 分，回饋既溫和又具體。飯店職位出現了「找不到訂房紀錄」的情境，客服職位則出現了「遇到惡劣客人」的情境；日文的敬語和台灣華語的用字讀起來都很自然。

唯一關鍵的設計決策

模型只負責評分，臉部表情由 App 決定。

每個回答的分數都會對應到一種情緒與強度，App 再把這兩者連同她要說的台詞一起傳給 Avatar：

• 5 分 → 興奮，高強度

• 4 分 → 喜悅

• 3 分 → 關懷

• 2 分 → 好奇

• 1 分 → 失望，低強度

在程式碼裡，這只是一個呼叫：present(text, { emotion, intensity })。語言模型從來不需要「演戲」，它只需要回傳一個精簡的 JSON 物件：回饋、分數、下一個問題、是否結束。App 解析這個物件、自己計分，並決定 Avatar 要怎麼表現。

這一點對任何想打造培訓產品的人都很重要。你會希望情緒反應掌握在自己手上：一致、可調整，而且對每位使用者都一樣。客服演練需要一個會隨著受訓者表現變差而逐漸冷淡的 Avatar；語言練習 App 則需要一個無論如何都保持溫暖的 Avatar。如果由模型決定表情，你就只能不斷調整 Prompt 去追求一致性，卻永遠差那麼一點。

從分數到情緒——臉部表情由 App 決定

用到了 Connect Kit 的哪些功能

給開發者：三個檔案、約 250 行程式碼、零相依套件、不需要建置步驟。它是以 Connect Kit 的 Embed Demo 為基礎搭建的，完全依照 Connect Kit 的 AGENTS.md 指示 coding agent 的做法。

• 以程式碼建立專用聊天機器人：首次執行時，App 會透過 POST /api/chatbots 建立一個 Connect 聊天機器人，並指示它只能以上述 JSON 格式回答。每個帳號只建立一次，之後重複使用。

• present(text, { emotion, intensity })：用於每一句台詞。

• 依語言切換語音：按下 Start 時，App 會以所選語言的語音再呼叫一次 initializeWithConnectKey，讓同一個 Avatar 不必重新載入頁面，就能用三種語言進行面試。

• playMotion()：用於結尾動作，依平均分數決定是慶祝還是致謝。

• PRESENTER_STATUS：在 Mia 準備好之前先停用 Start 按鈕；PERFORMANCE_START：計算從送出回答到聽見回覆之間的時間差。

• Connect API 的 /api/credit 端點：讓 App 能顯示每次練習的花費。

最後一項會以一個小型開發者數據頁尾呈現：對話輪數、模型延遲中位數、從送出到語音播放的延遲中位數、已使用點數。之所以放上這些，是因為正在挑選技術架構的開發者，最想先看到的就是這些數字。

實測數據

2026 年 10 月 24 日，以 Connect Kit 的原始 Clone 和免費試用帳號實測，共進行三場、三種語言的面試：

• 11 輪對話，託管模型每一輪都回傳了有效的 JSON，Console 錯誤為零。

• 模型回覆時間：中位數 1.4 至 1.9 秒（依語言而異）。

• 從送出回答到聽見 Mia 開口：中位數 3.2 至 4.3 秒。

• 開發時間：從空資料夾到可運作的三語產品，共 18 分鐘。

四秒的等待對練習來說剛剛好——你剛說完話，本來就預期對方回答前會有短暫停頓。這是面試的節奏，而不是聊天的節奏。

2026 年 10 月 24 日的實測數據

未來可以發展成什麼

InterviewCoach 目前是一個附有「產品級」到達頁的 Demo，但它的產品樣貌已經很清楚，而且正好適合那些現在就願意花錢練習的族群。

大學就業中心與求職季：在日本，「就活」（求職活動）的面試練習是每年的固定儀式，大學、補習班和職涯顧問至今仍是一位學生一位學生地進行模擬面試。一位半夜也在線、能用學生的母語溝通、而且永遠不會累的教練，正是他們希望能規模化完成的工作。

語言學校與英語會話補習班：同樣的五題循環，也適用於英文面試練習，並以學習者的母語給予回饋。換個語音，臉保持不變。

人資與新人訓練團隊：替換角色設定和職位清單，飯店櫃檯和客服情境就能變成新進員工的演練，Avatar 的情緒會反映受訓者應對客人的表現。

求職招募平台：在求職網站內設置一個品牌化的練習室，報告就是讓使用者回訪的理由。

從 Demo 走到產品，需要的全是應用層的工作：帳號與報告儲存、每個職位都有評分標準的職位庫、讓培訓師檢視整批學員的管理介面，以及按次計價——而點數計量功能已經讓這件事很容易算清楚。這些都不需要動到 Avatar。Avatar 的部分已經完成，而正是這個部分，讓人在回答之前會不自覺地坐直身子。

實際練習畫面，第 2 題（共 5 題），對話下方顯示 5/5 分

試用、Fork，打造你自己的版本

• 閱讀程式碼：github.com/XRSPACE-Inc/perxona-connect-kit，位於 samples/express/public/demos/interview，採用 Apache 2.0 授權。

• 執行：Clone Connect Kit，加入兩組 Connect 金鑰，執行 npm run dev，開啟 /demos/interview/。或是按下 README 中的「Deploy with Vercel」按鈕，幾分鐘內就能讓你自己的版本上線。

• 取得金鑰：console.perxona.ai，提供免費試用。

如果你用它打造了練習類產品，歡迎在 Connect Kit 的 GitHub Discussions 告訴我們。面試教練是最直覺的第一個應用；客服演練、考試準備和語言練習，其實都是同樣的循環，只是換了不同的角色設定。