python高级编程面试题
1. 什么是 GIL？对多线程/多进程意味着什么？
GIL（全局解释器锁）使得同一进程内同一时间只有一个线程在执行 Python 字节码。I/O 密集可用 threading/asyncio；CPU 密集应改用 multiprocessing、C 扩展或 NumPy/Numba/Cython 等释放 GIL。
2. 迭代器 / 可迭代对象 / 生成器的区别？
可迭代对象实现 iter 返回迭代器；迭代器实现 next。生成器是带 yield 的函数，自动实现迭代器协议，支持 send/throw/close。
3. 如何自定义上下文管理器？
实现 enter/exit 或用 contextlib.contextmanager。
from contextlib import contextmanager
@contextmanager
def timer():import time; t=time.time()try: yieldfinally: print(f"{time.time()-t:.3f}s")
- new 与 init 有何不同？
new 负责“创建”实例并返回对象；init 负责“初始化”已创建的实例。不可变类型（如 tuple) 常重载 new。 - super() 的工作原理与 MRO？
super() 按 C3 线性化的 MRO 顺序在继承链上传递调用，避免菱形继承重复初始化。查看顺序：Cls.mro。 - 描述符（descriptor）与 @property 的关系？
描述符实现 get/set/delete 控制属性访问；property 是数据描述符的语法糖。ORM 字段、验证都常用描述符。 - 可变默认参数陷阱与正确写法？
默认参数只在函数定义时求值：
def f(x, acc=None):acc = [] if acc is None else acc
- 浅拷贝/深拷贝的差异？
浅拷贝复制最外层容器引用；深拷贝递归复制。用 copy.copy/copy.deepcopy，注意自定义对象的 deepcopy。 - 装饰器如何保留函数签名与元数据？
用 functools.wraps。
from functools import wraps
def log(fn):@wraps(fn)def wrapper(*a, **k): return fn(*a, **k)return wrapper
- typing 中 Protocol 有什么价值？
定义“结构化子类型”（鸭子类型），避免强耦合到具体类，让库对外露出行为契约，便于测试与替换实现。 - 协变/逆变与常见类型选择？
Sequence[T] 协变、list[T] 不协变；函数参数位置常逆变、返回值常协变。接口设计上多用抽象 Sequence/Mapping 而不是具体容器。 - TypedDict 与 dataclass 何时选用？
TypedDict 适合给“字典结构”加类型，零运行时开销；dataclass 适合需要方法、默认值、排序等“对象语义”的数据模型。 - pyproject.toml 有什么作用？
统一项目元数据与构建后端（PEP 517/518），替代 setup.py；配合 build/pip 打包，便于现代依赖与工具链整合。 - 日志最佳实践？
使用标准库 logging，按模块记录器、设置结构化字段、配置不同 handler/level，避免 print；为异步/多进程准备无阻塞处理（如队列）。 - 如何定位内存泄漏？
用 tracemalloc 对比快照；检查长生命周期全局缓存、闭包引用、循环引用（尤其含 del），以及 C 扩展未释放资源。 - 性能优化常用策略？
剖析→定位热点；向量化（NumPy）、JIT（Numba）、Cython/pybind11；I/O 批处理；数据结构选择；避免 Python 层热循环。 - NumPy 广播规则简述并举例。
自尾维度对齐，尺寸为 1 的维度可扩展。
import numpy as np
a=np.ones((3,1)); b=np.arange(4) # (4,)
c=a+b # 形状变为 (3,4)
- Pandas “链式索引”与 SettingWithCopy 如何避免？
不要 df[df.a>0].b=…；改用 .loc：df.loc[df.a>0, ‘b’]=…，或显式 .copy()。 - asyncio 基本概念：Task、协程、事件循环？
协程是可 await 的对象；Task 是调度中的协程；事件循环负责调度 I/O 与回调。避免在协程内执行阻塞操作。 - 如何在 asyncio 中跑 CPU 密集任务？
用 loop.run_in_executor 或 asyncio.to_thread/ProcessPoolExecutor，避免阻塞事件循环。 - aiohttp/httpx 连接复用与超时配置要点？
复用 ClientSession/AsyncClient；设置连接/读取/总超时；合理的并发窗口与连接池上限，失败重试配合指数退避。 - 多进程与 CUDA 有什么坑？
CUDA 上下文不可安全 fork，应使用 spawn；PyTorch DataLoader 在非 Linux/MPS 下注意 num_workers 与固定种子。 - PyTorch Autograd 工作方式？
构建反向图，记录张量算子；requires_grad 控制跟踪；with torch.no_grad() 关闭记录；inference_mode 更轻量的只读推理。 - DDP vs DataParallel？
DataParallel 单进程多线程，GIL/串行开销大；DDP 多进程多卡、NCCL 通信，边反向边 AllReduce，更高吞吐与稳定性。 - AMP（自动混合精度）如何使用？
autocast() + GradScaler()（FP16），或 BF16 直接 autocast；注意算子稳定性、loss scale、溢出与层归一化精度。 - 模型序列化：state_dict、TorchScript、ONNX 的取舍？
state_dict 通用可复现训练；TorchScript 便于 C++/移动端；ONNX 便于跨框架与推理引擎。动态轴/不支持算子需特别处理。 - 常见量化方式与使用场景？
动态/静态 PTQ、QAT；8bit/4bit（如 bitsandbytes/GPTQ）侧重吞吐与显存；评估精度回退与延迟收益。 - Tokenizer 不匹配会导致什么问题？
分词不一致会造成输入 token 不同、位置编码错配，结果漂移；必须用与训练时一致的分词器与规范化流程。 - FastAPI 如何实现 SSE 流式输出？
StreamingResponse 返回生成器/异步生成器，设置 media_type=“text/event-stream”，按 event:/data: 规范写入，客户端增量渲染。 - Gunicorn/Uvicorn 配置关键点？
选择 --workers（CPU 核心数×2±1 经验值）与 --worker-class uvicorn.workers.UvicornWorker，合理 --timeout/–graceful-timeout，配合反向代理 keep-alive。 - 如何实现动态批处理提升推理吞吐？
网关聚合请求到队列，按时间/数量阈值组批，填充到最大 batch，推理后再分发结果；需考虑超时、QoS 与公平性。 - 如何保证训练/推理可复现？
固定 torch/random/numpy 种子，cudnn.deterministic=True，关闭 benchmark；记录版本、超参、数据快照。 - RAG 典型坑点与缓解？
切片粒度与重叠、索引质量、过长上下文、召回→重排（cross-encoder）、去重、答案引用；预算内做 token 规划与缓存。 - 序列化安全与性能：pickle 与替代方案？
pickle 不安全（可执行代码），仅信任环境使用；跨进程/网络传输用 json/MessagePack/orjson/ormsgpack 等。 - memoryview/零拷贝的使用价值？
通过 memoryview 在不复制的前提下对二进制缓冲区切片；在高吞吐 I/O、编解码场景降低内存与 CPU 消耗。 - 文件映射 mmap 的适用场景？
大文件随机读取、只读模型参数映射；减少峰值内存，利用操作系统页缓存。 - subprocess 与 multiprocessing 选型？
调用外部可执行程序用 subprocess；并行 Python 任务用 multiprocessing。注意超时、管道阻塞与输出回收。 - 重试与幂等设计？
对可重入操作使用幂等键（如请求哈希）、乐观锁或去重缓存；重试采用指数退避 + 抖动，区分可重试与不可重试错误。 - pytest 高级用法？
fixture 作用域、parametrize 参数化、monkeypatch/tmp_path、自定义标记与 -k 选择、xfail/flaky 管理不稳定测试。 - 静态检查与格式化链路推荐？
ruff（lint+fmt）、black（格式化）、mypy/pyright（类型）、pre-commit 挂钩、pip/uv/poetry 锁定依赖版本。 - C 扩展/FFI 的方式？
ctypes/cffi 动态调用；pybind11/Cython 写高性能扩展，暴露 Python API；注意 GIL 管理与异常翻译。 - 在异步服务中限制并发与背压？
asyncio.Semaphore 限制外部并发；内部队列设置最大长度并在满时 await；为下游设置超时与取消，避免雪崩。 - 缓存策略与“缓存击穿/雪崩/穿透”治理？
增加随机过期、互斥锁/单飞、二级缓存、布隆过滤器、防穿透；观察命中率与延迟，冷热分层。 - 导入系统与懒加载？
sys.path、包初始化 init.py、相对导入、importlib 懒加载大型依赖以缩短冷启动；使用 all 控制导出。 - 时区与时间处理的坑？
区分 naive/aware datetime；用 zoneinfo 或 pendulum；序列化统一 UTC，界面显示本地化。 - YAML/模板注入风险？
禁用 yaml.load，改用 safe_load；模板引擎开启 auto-escape；所有外部输入都做白名单/正则限制。 - Token 预算与流式分块输出实现？
在服务端对 prompt 与上下文做截断策略（优先保留高权重内容）；输出采用 SSE/WS 增量发送，客户端按段渲染，支持取消。 - Pydantic v1 vs v2 关键差异？
v2 基于 pydantic-core 更快；校验器 API 与 model_validate/field_validator 变化；与 dataclass 集成更一致。 - 多进程的内存模型与“写时复制”（CoW）？
Linux fork 初始共享父进程物理页，写入时复制；Mac/Windows 默认 spawn 不共享内存。共享大对象可用 SharedMemory/mmap/零拷贝。 - 优雅停机与取消（FastAPI/asyncio）？
处理 SIGTERM/SIGINT，在 lifespan/shutdown_event 中关闭连接池、队列与后台任务；对进行中的 SSE/WS 发送终止事件并取消任务。