Общие вопросы (сложная задача, Scrum/Agile, High Load, архитектура)
Материал для подготовки к собеседованию (Middle / Senior). Поведенческие и «широкие» темы: рассказ о сложной задаче, гибкие методологии, лидерские/менеджерские вопросы, high load, архитектура и принципы ПО, алгоритмы, system design. Термины на английском там, где это принято.
Содержание
- Сложная задача: интеграция ИИ в проект
- Как рассказывать про сложную задачу (STAR)
- Scrum
- Agile
- Kanban
- Оценка задач
- Приоритизация
- Тимлид и управление командой
- Метрики команды и процессов
- High Load
- Архитектура ПО
- Принципы: SOLID, DRY, KISS, YAGNI
- Паттерны проектирования
- Алгоритмы и сложность
- System Design: подход к интервью
- Процессы разработки
- Вероятные вопросы
Сложная задача: интеграция ИИ в проект
История для рассказа на собеседовании (по методу STAR — ситуация, задача, действия, результат). Это реальный кейс: внедрение ИИ-ассистента с базой знаний компании и обработкой отзывов и клиентских чатов.
Ситуация и задача
Компании нужно было автоматизировать работу с большим потоком клиентских сообщений и отзывов: обращения из чатов (Telegram, WhatsApp), отзывы о компании и товарах, а также отзывы с маркетплейсов Ozon и Яндекс.Маркет. Ручная обработка не масштабировалась: менеджеры не успевали отвечать единообразно и в тоне компании, терялся контекст, ответы были неконсистентными.
Задача — построить систему, которая генерирует релевантные ответы в стиле и «правилах» компании, опираясь на актуальную базу знаний, и работает поверх нескольких LLM-провайдеров, чтобы не зависеть от одного вендора.
Архитектурное решение
Я спроектировал и реализовал систему на основе RAG (Retrieval-Augmented Generation) с абстракцией над несколькими моделями:
1. Слой моделей (мульти-провайдер). Сделал единый интерфейс работы с LLM по API и подключил несколько провайдеров: ChatGPT (OpenAI), DeepSeek, YandexGPT и GigaChat (Sber). Абстракция позволяла переключать провайдера под задачу/стоимость/доступность (и российские модели там, где важны данные/латентность/комплаенс). Для каждого настраивались параметры генерации — температура (низкая для точных ответов по фактам, выше для «живых» текстов), max_tokens, системный промпт с ролью и правилами тона.
2. База знаний, наполняемая бизнесом. Сделал в админке раздел, где менеджеры сами наполняли базу знаний — «постулаты» о работе компании (правила, факты, позиционирование, ответы на типовые ситуации). Это ключевое решение: знания ведут те, кто их знает, без участия разработчиков, и база всегда актуальна.
3. Векторизация по событиям (embeddings). По событию изменения записи в базе знаний я переводил текст в векторный вид через embeddings и складывал вектор в поисковый движок OpenSearch (его kNN-возможности для векторного поиска). То есть индекс знаний обновлялся автоматически при правках менеджеров — событийно, а не батчем.
4. Поиск и сборка промпта (RAG). При входящем сообщении/отзыве:
- текст запроса превращался в вектор тем же embedding-подходом;
- в OpenSearch выполнялся семантический поиск наиболее близких фрагментов базы знаний;
- найденные фрагменты (опционально переранжированные по релевантности) подставлялись в промпт как контекст;
- LLM генерировала ответ строго на основе этого контекста и правил компании.
5. Каналы и источники. Систему подключил к разным потокам данных: отзывы о компании, отзывы о товарах, отзывы с маркетплейсов Ozon и Яндекс.Маркет, а также клиентские чаты через агрегатор сообщений Wazzup (единая точка для Telegram и WhatsApp). Каждый источник имел свою специфику промпта (тон ответа на отзыв vs на вопрос в чате).
Схема потока:
Менеджер правит базу знаний (админка)
│ (событие изменения)
▼
Текст → embedding → вектор → OpenSearch (векторный индекс знаний)
Входящее сообщение/отзыв (чат Wazzup / Ozon / Я.Маркет / отзывы)
│
▼
Текст запроса → embedding → семантический поиск в OpenSearch
│ топ-k релевантных «постулатов» (+ опц. ре-ранжирование)
▼
Промпт = системные правила + найденный контекст + сообщение
│
▼
LLM (ChatGPT / DeepSeek / YandexGPT / GigaChat, с настройкой температуры)
│
▼
Ответ в тоне компании → менеджеру/в канал
Сложности и как решал
- Зависимость от одного вендора и разное качество моделей — решил абстракцией над провайдерами и возможностью переключения; параметры (температура, промпты) тюнил под каждый.
- Актуальность знаний — вместо «зашить в промпт» сделал живую базу, которую ведёт бизнес, с автоматической переиндексацией по событию.
- Галлюцинации и «не в тему» — RAG с семантическим поиском давал модели реальный контекст компании; ранжирование по релевантности отсекало нерелевантные фрагменты; низкая температура для фактических ответов.
- Разнородные источники — единый пайплайн обработки, но разные промпт-шаблоны под тип канала (отзыв vs чат).
- Стоимость и латентность — маршрутизация по моделям, кэширование, ограничение контекста релевантными фрагментами (а не всей базой).
Результат и выводы
Система дала консистентные ответы в тоне компании, разгрузила менеджеров, снизила время реакции и позволила единообразно обрабатывать все каналы из одной точки. Бизнес управлял знаниями сам, без релизов. Главные выводы: RAG сильно снижает галлюцинации и держит знания актуальными без переобучения; абстракция над провайдерами критична для гибкости; качество RAG определяется качеством поиска (embeddings + ранжирование), а не только моделью.
Возможные доп-вопросы (и как отвечать)
- Как бился на чанки? По смысловым блокам «постулатов» с учётом размера; каждая единица знания — отдельный документ/чанк с метаданными (тип, источник).
- Как выбирал модель embeddings? По языку (русский), качеству семантики и стоимости; главное — один и тот же подход при индексации и при запросе.
- Гибридный поиск? Можно комбинировать векторный и лексический (BM25) — векторный ловит смысл, лексический точные термины/названия товаров.
- Как оценивал качество? Через ручную проверку ответов, обратную связь менеджеров, отслеживание случаев «не в тему»; при желании — evals на golden-наборе.
- Безопасность? Разделение доверенных инструкций и пользовательского ввода (защита от prompt injection), не отдавать модели лишние приватные данные, человек в контуре для публикуемых ответов.
Как рассказывать про сложную задачу (STAR)
STAR — структура поведенческого ответа:
- S (Situation) — контекст: что за проект, какая была ситуация.
- T (Task) — какая стояла задача/проблема именно перед тобой.
- A (Action) — что ты сделал (конкретные действия, решения, почему так).
- R (Result) — результат (желательно измеримый) и что вынес.
Советы: говорить «я» (твой вклад), а не только «мы»; показывать инженерные trade-offs (почему выбрал X, а не Y); упомянуть трудности и как преодолел; закончить результатом и уроком. Держать 2–4 минуты, детали — по доп-вопросам.
Scrum
Scrum — фреймворк гибкой разработки: работа итерациями (спринтами, обычно 1–4 недели), в конце каждого — потенциально готовый инкремент продукта.
Роли:
- Product Owner — отвечает за продукт и приоритеты (ведёт product backlog, максимизирует ценность).
- Scrum Master — фасилитатор процесса: помогает команде, убирает блокеры, следит за соблюдением практик (не «начальник»).
- Development Team — кросс-функциональная самоорганизующаяся команда, делает работу.
Артефакты:
- Product Backlog — приоритизированный список всего, что нужно продукту.
- Sprint Backlog — задачи, взятые в текущий спринт.
- Increment — рабочий результат спринта. Его commitment (обязательство) — Definition of Done (критерии готовности); по Scrum Guide 2020 DoD — не отдельный артефакт.
Церемонии (события):
- Sprint Planning — что и как делаем в спринте.
- Daily Scrum (standup) — 15 минут: проверить прогресс к Sprint Goal и скорректировать план. Формат «что сделал / что буду / блокеры» — популярная практика, но Scrum Guide 2020 его не требует.
- Sprint Review — демонстрация инкремента стейкхолдерам, сбор фидбека.
- Sprint Retrospective — что улучшить в процессе (команда о себе).
Backlog Refinement (grooming) — регулярное уточнение и оценка бэклога (не «церемония», но важная практика).
Agile
Agile — не методология, а набор ценностей и принципов (Agile Manifesto, 2001). Scrum и Kanban — способы его реализовать.
Четыре ценности манифеста: люди и взаимодействие важнее процессов и инструментов; работающий продукт важнее исчерпывающей документации; сотрудничество с заказчиком важнее согласования условий контракта; готовность к изменениям важнее следования плану. (Правая часть тоже ценна, но левая — важнее.)
Идея: короткие итерации, быстрая обратная связь, инкрементальная поставка ценности, адаптация к изменениям вместо жёсткого плана «на год».
Kanban
Kanban — метод визуализации и управления потоком работы (не итерациями, а непрерывным потоком).
- Доска с колонками (To Do → In Progress → Review → Done) — визуализация работы.
- WIP-лимиты (Work In Progress) — ограничение числа задач «в работе» одновременно (фокус, меньше переключений, вскрытие узких мест).
- Метрики: Lead time (от создания до готовности), Cycle time (от начала работы до готовности), throughput.
Scrum vs Kanban: Scrum — фиксированные спринты, роли, оценки, планирование итерациями; Kanban — непрерывный поток, WIP-лимиты, гибче по срокам, без обязательных ролей. Часто смешивают (Scrumban). Scrum — когда нужна ритмичность и предсказуемость релизов; Kanban — для поддержки/потока задач с меняющимися приоритетами.
Оценка задач
Оценивают обычно относительную сложность/объём, а не часы напрямую.
- Story Points — абстрактные очки сложности (учитывают объём, сложность, неопределённость, риск). Часто шкала Фибоначчи (1, 2, 3, 5, 8, 13…) — чем больше задача, тем грубее оценка.
- Planning Poker — команда одновременно показывает карты с оценками; при расхождении обсуждают (вскрывают разное понимание задачи) и переоценивают. Борется с влиянием авторитета.
- T-shirt sizing (S/M/L/XL) — грубая оценка для крупного планирования.
- Velocity — сколько story points команда закрывает за спринт (для прогноза, не для сравнения команд!).
Почему не в часах: относительные оценки устойчивее (люди плохо оценивают абсолютное время), учитывают неопределённость, не превращаются в «обещание» и не давят на людей. Оценка — командная (кто делает, тот и оценивает). Крупные задачи декомпозируют.
Приоритизация
Как решать, что делать первым (полезно для тимлида/сеньора):
- MoSCoW — Must / Should / Could / Won't (обязательно / желательно / можно / не сейчас).
- RICE — Reach × Impact × Confidence / Effort (числовой скоринг).
- Value vs Effort (матрица) — ценность против трудозатрат; сначала «высокая ценность, низкие усилия» (quick wins).
- Eisenhower — срочно/важно.
- Технический долг vs фичи — баланс: закладывать процент времени на техдолг, аргументировать через риск/скорость будущей разработки.
Тимлид и управление командой
Лидерские/менеджерские темы, которые спрашивают на Senior/Lead (что стоит уметь):
Работа с людьми:
- 1-on-1 (регулярные встречи) — личные встречи с каждым: обратная связь, рост, проблемы, настроение. Основной инструмент лидера. Слушать больше, чем говорить.
- Обратная связь — регулярная, конкретная, своевременная; хвалить публично, критиковать наедине; модель SBI (Situation-Behavior-Impact) для конструктива.
- Мотивация — не только деньги: автономия, мастерство, смысл (Дэн Пинк); интересные задачи, рост, признание. Понимать, что движет конкретным человеком.
- Делегирование — отдавать задачи с ответственностью (не микроменеджмент), давать расти; делегировать по уровню зрелости сотрудника (ситуационное лидерство).
- Конфликты — разбирать рано, по фактам, искать корень; фасилитировать, а не «побеждать».
- Найм и собеседования — оценка hard/soft skills, культурного соответствия; онбординг новичков (наставник, первые задачи, документация).
- Рост и карьера — планы развития, грейды, понятные ожидания по уровням (junior/middle/senior).
- Выгорание — замечать признаки, регулировать нагрузку, здоровый темп (sustainable pace из Agile).
Инженерная культура:
- Code review — культура ревью: конструктивно, быстро, обучает; договорённости о стиле; не блокировать по мелочам.
- Definition of Done / Ready — общие критерии готовности задачи к работе и к сдаче.
- Документация и обмен знаниями — bus factor, чтобы знания не были в одной голове.
- Техрадар/стандарты — единые подходы, борьба с зоопарком технологий.
- Психологическая безопасность — можно ошибаться и говорить о проблемах; blameless-культура (постмортемы без поиска виноватых).
Процесс и стейкхолдеры:
- Управление ожиданиями — честные сроки с учётом неопределённости, коммуникация рисков заранее.
- Приоритизация и защита команды от хаоса входящих задач (буфер, договорённости).
- Оценка и планирование — декомпозиция, учёт рисков, буферы; не давать «оценку под давлением».
- Метрики без токсичности — использовать метрики для улучшения процесса, а не для наказания людей.
Ситуационные вопросы (готовить ответы): «расскажи о конфликте в команде», «как оценивал сроки и ошибся ли», «как поднимал отстающего сотрудника», «как принимал непопулярное техническое решение», «как убеждал бизнес в необходимости техдолга/рефакторинга», «как онбордил новичка». Отвечать по STAR.
Метрики команды и процессов
- Velocity — story points за спринт (для планирования конкретной команды).
- Burndown / Burnup chart — сгорание объёма работ в спринте/релизе (виден темп и риски не успеть).
- Lead time / Cycle time — время прохождения задачи (скорость потока).
- Throughput — сколько задач закрывается за период.
- DORA-метрики (здоровье delivery): Deployment Frequency (частота деплоев), Lead Time for Changes (от коммита до прода), Change Failure Rate (доля неудачных изменений), MTTR (время восстановления после сбоя).
- Осторожно с метриками производительности людей (строки кода, число коммитов) — они токсичны и легко геймятся.
High Load
Как проектировать системы под высокую нагрузку.
Масштабирование:
- Вертикальное (scale up) — мощнее сервер (CPU/RAM). Просто, но есть потолок и дорого.
- Горизонтальное (scale out) — больше серверов + балансировщик. Практически безграничное, но нужна stateless-архитектура (состояние — во внешних хранилищах: БД, Redis, а не в памяти инстанса).
Балансировка нагрузки — распределение запросов между инстансами (round-robin, least-connections, по хешу); L4/L7; health-checks.
Кэширование (снять нагрузку с БД) — на уровнях: CDN (статика), кэш приложения (Redis/Memcached), HTTP-кэш, кэш запросов. Ключевой сложный момент — инвалидация (по TTL, событию, тегам) и защита от cache stampede (лавины при истечении).
База данных:
- Реплики для чтения (read replicas) — масштабировать чтение.
- Шардирование — горизонтальное разбиение данных по ключу (масштабирует запись/объём).
- Индексы, оптимизация запросов, пулы соединений.
- Денормализация и материализованные представления для тяжёлых агрегатов.
Асинхронность — тяжёлые/долгие операции выносить в очереди (RabbitMQ/Kafka) и фоновые воркеры; отвечать пользователю быстро, обрабатывать потом. Событийная архитектура.
CAP-теорема — в распределённой системе при сетевом разделении (Partition) выбираешь между Consistency (согласованность) и Availability (доступность). Отсюда AP- и CP-системы; в реальности — компромиссы и eventual consistency (согласованность со временем).
Отказоустойчивость — резервирование (нет единой точки отказа, SPOF), graceful degradation (деградация вместо падения), circuit breaker (размыкатель — не долбить упавший сервис), retry с backoff, таймауты, идемпотентность операций, rate limiting.
Наблюдаемость (observability) — метрики (Prometheus), логи (централизованные), трейсинг (distributed tracing), алертинг; без мониторинга high load не поддержать.
Порядок оптимизации (важно): сначала измерить (профилирование, метрики) → индексы и запросы → кэш → реплики чтения → асинхронность/очереди → и только при реальной необходимости шардирование/микросервисы. Не оптимизировать вслепую.
Архитектура ПО
Монолит vs микросервисы:
- Монолит — одно приложение. Проще разрабатывать, деплоить, отлаживать на старте; одна БД, простые транзакции. Минус — сложнее масштабировать частями и разрабатывать большой командой; риск «большого кома грязи».
- Микросервисы — набор независимых сервисов. Плюсы: независимый деплой/масштабирование/технологии, границы команд. Минусы: распределённая сложность (сеть, согласованность, транзакции между сервисами, наблюдаемость, devops-overhead).
- Совет: начинать с монолита (часто модульного), выделять сервисы по мере роста и реальной необходимости. «Микросервисы решают организационную проблему, а не техническую».
Архитектурные стили/паттерны:
- Слоистая (layered) — контроллеры → сервисы → репозитории → БД.
- Гексагональная (ports & adapters) / Чистая архитектура — домен в центре, внешнее (БД, API, UI) — через адаптеры; бизнес-логика не зависит от инфраструктуры.
- DDD (Domain-Driven Design) — моделирование вокруг предметной области: bounded context, агрегаты, сущности, value objects, ubiquitous language.
- CQRS — разделение команд (запись) и запросов (чтение), иногда с разными моделями/хранилищами.
- Event-Driven / Event Sourcing — сервисы общаются событиями; ES — хранить не состояние, а последовательность событий.
- Saga — управление распределённой транзакцией через цепочку локальных транзакций и компенсаций (вместо двухфазного коммита).
Важные концепции: идемпотентность (повтор операции безопасен), слабая связанность (loose coupling) и высокая связность (high cohesion), инверсия зависимостей, API-контракты и версионирование, обратная совместимость.
Принципы: SOLID, DRY, KISS, YAGNI
SOLID (ООП-принципы Р. Мартина):
- S — Single Responsibility — один класс = одна ответственность/причина для изменения.
- O — Open/Closed — открыт для расширения, закрыт для модификации (через абстракции).
- L — Liskov Substitution — наследник заменяет базовый тип без нарушения корректности.
- I — Interface Segregation — много узких интерфейсов лучше одного «толстого».
- D — Dependency Inversion — зависеть от абстракций, а не от конкретных реализаций.
Общие:
- DRY (Don't Repeat Yourself) — не дублировать логику (но не доводить до абсурдной абстракции).
- KISS (Keep It Simple) — простое решение надёжнее; не усложнять без нужды.
- YAGNI (You Aren't Gonna Need It) — не писать «на будущее», пока не нужно.
- Avoid premature optimization — не оптимизировать до того, как доказана необходимость.
Баланс: DRY vs KISS иногда конфликтуют (избыточная борьба с дублированием усложняет) — здравый смысл важнее догмы.
Паттерны проектирования
Категории (GoF) с ключевыми примерами:
- Порождающие (creational): Singleton (один экземпляр — осторожно, глобальное состояние), Factory / Factory Method, Abstract Factory, Builder (пошаговое создание), Prototype.
- Структурные (structural): Adapter (совместимость интерфейсов), Decorator (добавление поведения обёрткой), Facade (упрощённый интерфейс к подсистеме), Proxy, Composite.
- Поведенческие (behavioral): Strategy (взаимозаменяемые алгоритмы), Observer (подписка на события), Command, Template Method, State, Chain of Responsibility, Iterator.
Другие частые: Dependency Injection (внедрение зависимостей), Repository (абстракция доступа к данным), DTO (перенос данных между слоями), Value Object. Важно: паттерны — инструмент, а не самоцель; применять по необходимости, а не «чтобы были».
Алгоритмы и сложность
Big-O — асимптотическая оценка сложности (как растут время/память с ростом входа n):
O(1)— константа (доступ по индексу, hash-lookup).O(log n)— логарифм (бинарный поиск, сбалансированное дерево).O(n)— линейно (проход по массиву).O(n log n)— эффективные сортировки (merge/quick в среднем).O(n²)— вложенные циклы (наивные алгоритмы, пузырёк).O(2^n),O(n!)— экспонента/факториал (перебор — плохо).
Структуры данных: массив (доступ O(1), вставка в середину O(n)); связный список (вставка O(1), доступ O(n)); хеш-таблица (в среднем O(1) на операции — основа Map/Set); стек/очередь; деревья (BST, сбалансированные — O(log n)); куча (приоритетная очередь); граф (обходы BFS/DFS).
Типовые задачи собеса: два указателя, скользящее окно, хеш-мапа для поиска пар/дубликатов, бинарный поиск, обход дерева/графа, сортировка + жадность. Подход: уточнить условие и ограничения → наивное решение → оптимизация по времени/памяти → проговорить сложность → крайние случаи → тесты.
System Design: подход к интервью
Структура ответа на дизайн-задачу («спроектируй Twitter/сокращатель ссылок/ленту»):
- Уточнить требования — функциональные (что система делает) и нефункциональные (нагрузка, latency, доступность, консистентность). Не бросаться в решение сразу.
- Оценка масштаба — прикинуть RPS, объём данных, чтение/запись (read-heavy?), рост. Грубые расчёты (back-of-the-envelope).
- High-level дизайн — основные компоненты: клиент → балансировщик → сервисы → кэш → БД → очереди; нарисовать.
- Модель данных и API — сущности, схема, ключевые эндпоинты.
- Углубление — узкие места: как масштабировать БД (реплики/шардинг), кэш, очереди для асинхронности, CDN для статики.
- Trade-offs — обосновать выбор (SQL vs NoSQL, консистентность vs доступность, монолит vs сервисы), обсудить отказоустойчивость и наблюдаемость.
Главное — рассуждать вслух, показывать trade-offs, задавать уточняющие вопросы, а не выдать «единственно верную» схему.
Процессы разработки
- CI/CD — автоматические сборка/тесты на каждый PR, автоматизированный деплой (см. раздел 12).
- Пирамида тестирования — много быстрых unit-тестов, меньше интеграционных, ещё меньше медленных e2e. Не переворачивать пирамиду.
- Code review — обязательное ревью перед мержем: качество, обмен знаниями, единый стиль.
- Git-flow в команде — короткоживущие ветки, PR/MR, защита
main, прогон CI перед мержем (см. раздел 12). - Definition of Done — единые критерии готовности (код + тесты + ревью + документация + деплой).
- Управление техдолгом — фиксировать, оценивать риск, закладывать время на выплату.
Вероятные вопросы
Расскажи о самой сложной задаче. По STAR: ситуация → задача → твои действия и решения (с trade-offs) → результат и вывод. (См. кейс с ИИ-интеграцией выше.)
Что такое RAG и зачем он был нужен в твоём проекте? Генерация с поиском: база знаний компании векторизуется (embeddings) и хранится в OpenSearch; на запрос ищем релевантные фрагменты и подставляем в промпт. Даёт актуальные ответы в правилах компании и снижает галлюцинации.
Почему несколько LLM-провайдеров? Гибкость и отказоустойчивость: не зависеть от вендора, переключаться по стоимости/качеству/доступности; для части задач — российские модели (данные/латентность/комплаенс). Абстракция над провайдерами + настройка температуры/промптов.
Scrum vs Kanban? Scrum — фиксированные спринты, роли, оценки, планирование итерациями (ритмичность); Kanban — непрерывный поток с WIP-лимитами (гибкость по приоритетам). Часто смешивают (Scrumban).
Роли и церемонии в Scrum? Роли: PO (приоритеты/продукт), Scrum Master (процесс/блокеры), команда. Церемонии: planning, daily, review, retro; артефакты: product/sprint backlog, increment.
Почему оценивают в story points, а не часах? Относительная оценка устойчивее (люди плохо оценивают абсолютное время), учитывает сложность/риск/неопределённость, не превращается в обещание. Planning Poker убирает влияние авторитета.
Как приоритизируешь задачи? MoSCoW, RICE, матрица ценность/усилия, quick wins; баланс фич и техдолга через аргументацию рисков.
Как оцениваешь сроки и что делать при неопределённости? Декомпозиция, командная оценка, буферы на риск, честная коммуникация диапазона и допущений; не давать оценку под давлением.
Как работаешь с отстающим/конфликтом в команде? 1-on-1, конкретная обратная связь (SBI), поиск причины, план, поддержка; конфликт — разбирать рано и по фактам, фасилитировать.
Как масштабировать систему под нагрузку? Stateless + горизонтальное масштабирование за балансировщиком; кэш; реплики чтения; асинхронность через очереди; при необходимости шардинг. Сначала измерить, потом оптимизировать.
Что такое CAP-теорема? При сетевом разделении выбираешь между согласованностью (C) и доступностью (A); отсюда CP/AP-системы и eventual consistency.
Как обеспечить отказоустойчивость? Нет SPOF, резервирование, circuit breaker, retry с backoff, таймауты, идемпотентность, graceful degradation, мониторинг/алертинг.
Монолит или микросервисы? Начинать с (модульного) монолита; микросервисы — при росте команды/системы и реальной необходимости (независимый деплой/масштаб), ценой распределённой сложности.
Расскажи про SOLID. SRP, OCP, LSP, ISP, DIP — принципы гибкого ООП-дизайна (одна ответственность, расширение без модификации, заменяемость наследников, узкие интерфейсы, зависимость от абстракций).
DRY vs KISS — что важнее? Оба важны, но не догма: чрезмерная борьба с дублированием усложняет (нарушает KISS). Здравый смысл и контекст.
Как подойти к system design задаче? Уточнить требования (функц./нефункц.) → оценить масштаб → high-level компоненты → модель данных и API → углубление в узкие места → trade-offs. Рассуждать вслух.
Что такое пирамида тестирования? Много unit (быстрые), меньше интеграционных, мало e2e (медленные/хрупкие). Не переворачивать.
Как аргументировать бизнесу необходимость рефакторинга/техдолга? Через риск и скорость: техдолг замедляет разработку и повышает риск багов/инцидентов; предложить закладывать % времени, показать измеримую отдачу.
Какие метрики delivery знаешь? DORA: частота деплоев, lead time изменений, change failure rate, MTTR. И командные: velocity, burndown, cycle time. Метрики — для улучшения процесса, не для наказания людей.