罗罗编程学习记录
本页内容 展开查看

08 Python 全栈

所属:全栈开发面试题库 / 学习路径

本篇面向以 Python 为主语言的后端与 AI 服务化方向,覆盖从语言核心、环境与质量工具链、异步模型、Web 框架主线,到数据层、任务队列、性能定位与容器部署的完整链路。路径默认使用 Python 3.11 及以上版本,框架以 FastAPI 与 Django 为主线,同时说明 Flask、SQLAlchemy、Celery 的定位与适用边界。

本篇目录

编号 章节
08.1 阶段 0:环境与工程基础
08.2 阶段 1:语言核心
08.3 阶段 2:类型注解与现代特性
08.4 阶段 3:环境依赖与质量工具链
08.5 阶段 4:Web 框架主线
08.6 阶段 5:数据层、缓存与任务队列
08.7 阶段 6:异步模型、高并发与性能
08.8 阶段 7:AI 服务化落地与部署
08.9 阶段 8:进阶方向(可选)
08.10 知识点全清单
08.11 术语表
08.12 官方文档与权威资料索引
08.13 实战项目阶梯
08.14 与本项目题库的对照
08.15 常见误区与避坑
08.16 自测清单

1. 适用人群与先修要求

1.1 岗位现实分布

先建立合理预期:Python 在招聘市场上的岗位分布差异很大,主要分为四类方向。

  • Web 后端:业务接口、管理后台、内部系统,常见 FastAPI、Django、Flask 与 SQLAlchemy。
  • 数据与 AI:数据分析、机器学习训练与实验、模型工程,对 NumPy、Pandas、PyTorch 等依赖较深,偏算法与数据方向。
  • 运维与自动化脚本:脚本工具、批量处理、CI 流水线与内部平台,标准库与 CLI 能力为主。
  • AI 服务化:把模型封装成可被调用的在线服务,涉及推理 API、批量与流式响应、向量检索与部署,是本篇与纯算法岗的分界。

本篇主线是 Web 后端与 AI 服务化:目标是能独立交付 Python 后端服务、把模型能力封装成稳定可调用的线上接口,而不是培养算法研究员。算法推导、模型训练与论文复现不在本篇范围;如果你要走纯数据科学或算法岗,应另行补充机器学习与统计课程,不能把本篇路径误认为算法岗路径。

前置通用基础:了解 HTTP 协议与请求响应链路、会使用 Git、具备基础 Linux 命令行能力;前端只需达到能与接口联调、看得懂请求与返回 JSON 的程度。

1.2 三类起点对照

人群 起点 先补什么 全职周期(每天 4–6 小时) 在职周期(每天 2 小时)
零基础转岗 不了解后端,仅具备基础电脑操作能力 先补 Linux 基础、HTTP 与 Git,再从阶段 0 环境搭建与阶段 1 语言核心起步 4–5 个月到可上岗水平 7–10 个月
有其他语言基础 已掌握 Java、Go、PHP、Node.js 等任一后端语言 直接进入阶段 1,重点对照对象模型、GIL、动态类型与 Python 生态差异,阶段 0 环境部分快速过完 2.5–3.5 个月 5–7 个月
已工作补短板 已写过 Python,但并发、类型、框架、测试或部署存在缺口 按《知识点全清单》定位薄弱模块,从对应阶段切入,优先补工程化、异步与部署 按缺口大小 1–3 个月 按缺口大小 3–5 个月

周期只含学习与练习时间,不含找工作;阶段之间存在依赖,前一阶段验收不通过不要提前进入下一阶段。每天 4–6 小时为脱产折算,在职每天 2 小时时进度约为脱产的一半到六成。

2. 技术全景与搭配关系

真实项目里 Python 从不孤立运行。下表列出当前招聘中出现频率最高的组合、各自构成、适用场景、搭配原因与常见替代方案。选型的核心判断只有三条:团队既有技术资产能否复用、业务瓶颈在 CPU 还是 IO、出了问题谁能兜底。

组合 构成 适用场景 为什么这么搭 替代方案
异步 API 服务 FastAPI + Pydantic v2 + SQLAlchemy 2.0 + uvicorn(或 gunicorn 管理 uvicorn worker) 新写的在线接口、AI 推理服务、内部开放 API 异步原生支持,类型注解直接驱动请求校验与 OpenAPI 文档,开发速度快,异步 IO 下吞吐表现好 同步接口可用 Flask;全栈后台可用 Django;其他异步框架见 Sanic、Litestar、Quart
全栈业务系统 Django + Django ORM + Django Admin + 中间件 + 缓存 内容站、管理后台、SaaS 业务系统、需要快速出后台的项目 自带 ORM、Admin、认证权限、表单与中间件体系,约定成熟,业务交付快,安全默认项较完整 轻量自定义可用 Flask + 扩展;接口分离的前后端项目可用 Django REST Framework
数据持久化 PostgreSQL 或 MySQL + 连接池 + Alembic 或 Django 迁移 业务数据持久化、事务型读写 关系库保证事务与一致性,ORM 降低手写 SQL 成本,迁移工具把表结构变更纳入版本管理 简单脚本可用 SQLite;检索与向量场景引入专用向量库
缓存与异步解耦 Redis + Celery(broker 可用 Redis 或 RabbitMQ)+ 独立 worker 进程 热点数据缓存、耗时任务剥离、通知发送、报表生成、流量削峰 把耗时任务从请求链路剥离,接口只负责入队,消费侧按自身节奏处理;Redis 同时承担缓存与轻量 broker 轻量队列可用 RQ;定时调度可用 APScheduler;大流量日志与埋点可评估 Kafka 或 RabbitMQ
模型推理服务 模型封装层 + 同步/异步接口 + 批量与流式响应 + 向量检索客户端 + Docker 在线 LLM 调用封装、RAG 检索服务、批量推理任务 模型 SDK 与编排工具几乎都先支持 Python;服务化需要统一超时、限流、批量与流式协议,避免推理阻塞主接口 高吞吐 CPU 密集计算可评估用 Go/Rust 写网关层,Python 只做模型调用侧
工程与交付 uv 或 poetry + ruff + mypy + pytest + pre-commit + CI/CD + Docker 依赖管理、自动化测试与类型门禁、容器化部署 锁文件保证依赖可复现,静态检查与测试在合并前拦截问题,镜像统一开发、测试、生产环境 小团队可用 venv + pip + 脚本化部署;监控告警与链路追踪按团队能力逐步补齐