> Какие стеки технологий вы использовали (Python)

Короткий ответ

В основном работал с Python-стеком: FastAPI и Django для API, PostgreSQL и Redis как хранилища, Celery для фоновых задач, Docker и Kubernetes для деплоя. Также использовал асинхронные библиотеки - asyncio, aiohttp, SQLAlchemy async. В последних проектах активно применял pytest, GitHub Actions и observability-инструменты: Prometheus, Grafana, Sentry.

Подробное объяснение

Стек всегда подбирается под задачу, но базовый набор для backend на Python у меня стабильный:

• Веб-фреймворки: FastAPI для новых сервисов (async, autogenerated OpenAPI), Django/DRF для монолитов с админкой.
• Базы данных: PostgreSQL как основная, Redis для кэша и rate limiting, иногда MongoDB для документо-ориентированных данных.
• Очереди и задачи: Celery + RabbitMQ или Redis broker, для простых случаев - asyncio-задачи внутри процесса.
• ORM: SQLAlchemy 2.0 (async и sync), Django ORM, Alembic для миграций.
• Инфраструктура: Docker, docker-compose для локальной разработки, Kubernetes в проде, Helm для чартов.
• CI/CD: GitHub Actions или GitLab CI, сборка образов, автотесты, деплой через ArgoCD.
• Наблюдаемость: structured logging (json), Prometheus метрики, Grafana дашборды, Sentry для ошибок.
• Тестирование: pytest, pytest-asyncio, factory_boy, testcontainers для интеграционных тестов.

Также в зависимости от проекта использовал gRPC и protobuf для межсервисного общения, Kafka для event streaming, и Nginx как reverse proxy.

На практике

В реальных проектах стек редко бывает однородным. Например, в одном сервисе был FastAPI + async SQLAlchemy + PostgreSQL, а рядом - legacy Django-монолит с Celery. Важно не просто перечислить технологии, а объяснить, почему выбрал именно их: FastAPI - из-за скорости разработки и типизации, Celery - потому что нужны были retry и scheduled tasks, Redis - для кэша горячих данных.

Также стоит упомянуть, как стек эволюционировал: например, переходил с sync SQLAlchemy на async, когда упёрся в блокировки event loop под нагрузкой. Или заменял RabbitMQ на Kafka, когда вырос объём событий и потребовался replay.

Пример кода

PYTHON
# Пример типичного FastAPI-сервиса с async SQLAlchemy
from fastapi import FastAPI, Depends
from sqlalchemy.ext.asyncio import create_async_engine, AsyncSession
from sqlalchemy.orm import sessionmaker

DATABASE_URL = "postgresql+asyncpg://user:pass@localhost/db"
engine = create_async_engine(DATABASE_URL)
async_session = sessionmaker(engine, class_=AsyncSession, expire_on_commit=False)

app = FastAPI()

async def get_session():
    async with async_session() as session:
        yield session

@app.get("/health")
async def health():
    return {"status": "ok"}

Как отвечать на собеседовании

Структурируй ответ по слоям: фреймворки, БД, инфраструктура, тестирование. Называй конкретные версии и библиотеки, но не уходи в перечисление - лучше показать понимание, зачем каждый элемент. Если спрашивают про незнакомую технологию, честно скажи, что не работал, но знаешь, как она устроена, и приведи аналогию из своего опыта. Подчеркни, что стек - это инструмент, а не цель, и ты готов адаптироваться под требования проекта.

Что проверяет интервьюер

• Глубину реального опыта: не просто названия, а понимание trade-off'ов.
• Способность объяснить выбор технологии под задачу.
• Широту кругозора: знание альтернатив и смежных инструментов.
• Умение говорить про инфраструктуру и деплой, а не только про код.
• Адаптивность: готов ли кандидат работать с незнакомым стеком.

Типичные ошибки

• Простое перечисление технологий без контекста - выглядит как заученный список.
• Упоминание технологий, с которыми нет реального опыта, - интервьюер быстро это раскроет.
• Игнорирование инфраструктурной части: Docker, CI/CD, мониторинг.
• Слишком узкий стек: только Django или только FastAPI без альтернатив.
• Негативные высказывания о технологиях, которые использовал работодатель.