你的项目使用哪些技术栈，各自负责什么？

知识专题：技术决策与业务理解题目类型：项目深挖技术难度：基础

相关面经：55 篇题集来源：4 个

更新时间：2026-10-29

未标记

问AI

Kimi 千问 ChatGPT

反馈

考查重点：技术栈分工与选型依据。挑实际请求说明语言、框架、数据库与检索组件各处理哪一步，再用需求约束解释选择

本题目录

参考答案

核心回答

以教程中的电商问数后端为例，可以这样介绍：项目把自然语言问题转换为查询结果，技术栈主要是 Python、FastAPI、LangGraph、MySQL、Qdrant 和 Elasticsearch。

Python 承载业务实现和模型调用；FastAPI 提供查询接口、请求解析和依赖组装；LangGraph 把关键词抽取、检索、上下文整理、生成和校验 SQL 等步骤组织成有状态的流程。MySQL 一部分保存元数据，一部分作为示例数仓执行查询；Qdrant 用于字段和指标的向量检索，Elasticsearch 用于字段取值检索。模型根据筛选后的上下文生成 SQL，查询结果由数据库计算，执行进度和结果通过 SSE 返回。

选这些组件，是因为这个场景既需要语义匹配，也需要精确的数据计算和明确的流程控制；不是所有结果都交给模型凭语言生成。

沿一条请求解释分工

例如用户问“统计华北地区的销售总额”，可以沿以下链路展开：

接口接收问题，工作流抽取检索关键词。
并行召回字段、业务指标和字段取值：前两类走向量检索，取值走全文检索，帮助把“华北”等自然语言对应到真实数据值。
合并候选，补齐指标依赖字段和关联信息，再过滤不必要的表、字段和指标。
补充数据库方言等上下文，让模型生成 SQL；数据库负责执行查询，服务返回结果与过程信息。

这里 Qdrant 和 Elasticsearch 提供的是生成前的候选信息，不能代替数仓计算销售额；模型负责生成候选查询，也不意味着候选一定符合业务口径。

选型依据和边界

接口层与业务层分开：FastAPI 的类型校验能处理请求结构，不能自动判断“销售总额”该采用哪种业务定义。后者需要元数据、指标口径和业务逻辑。
流程显式可见：已有并行召回和条件分支时，用 LangGraph 能清楚表达状态与流向；如果只是一次模型调用，普通函数也可能足够。
存储按职责分工：关系数据、语义候选和文本取值有不同访问需求。数据很少时，可以先用简单方案验证，确有检索质量或维护需求再增加独立组件。

这套示例说明后端链路，不能据此补出未核实的前端框架、用户规模或生产部署。介绍自己的项目时，再明确其中哪些组件、业务规则和适配由自己完成。

对应教程

电商问数：项目概述与数仓基础：区分业务数据库、数仓与元数据，以及模型生成查询和数据库计算的分工。
电商问数：SQL生成前的信息过滤与补全：说明三路召回之后为什么还要合并、精筛并补充运行环境信息。

参考资料

国内：JavaGuide：项目经验指南：用于按项目目标、个人工作、架构和选型说明技术栈。
国内：Onefly：项目深挖：用于把框架选择关联到分支、重试、调试和维护约束。
国内：阿东玩 AI：项目深挖的主线与追问：用于沿一条请求说明组件如何协作，区分框架与业务职责。
国内：程序员鱼皮：后端项目经典分层架构介绍：用于区分接口、业务处理、数据访问与基础设施，不照搬 Java 目录。
国外：FastAPI：Features：用于核对 FastAPI 的类型校验和 OpenAPI 职责。
国外：LangChain：Workflows and agents：用于核对 LangGraph 对工作流、条件分支和并行步骤的表达。

相关面经

55 篇

腾讯

后端开发工程师

2026-10-31日常实习一面