华为OD杭州 Python技术一面 - 项目实战问答

字数

5697 字

阅读时间

24 分钟

核心目标: 将八股文知识点与项目实战结合，展示"知识→落地"的能力 应对策略: 每个回答都紧扣项目，用真实代码细节支撑

一、八股文 × 项目实战对照问答

1. Python基础数据类型在项目中的应用？

面试官可能问: 你项目中用了哪些数据类型？
"项目中用到了所有7种基础数据类型：
数值类型：int/float用于存储数据统计结果，比如fill_result.filled_count（填充数量）、confidence_scores的置信度值（0.0-1.0的float）。
字符串：全程贯穿，包括：
字段名、字段标签（str）
URL、API路径
Agent的system_prompt、用户prompt
错误消息、日志信息
列表：存储有序集合
source_columns: ["姓名", "年龄", "邮箱"]
field_mapping的values: 映射到的目标字段名列表
data_records: 多条数据记录的列表
字典：存储键值对映射（用得最多）
field_mapping: {"姓名": "applicant_name", "年龄": "age"} 核心映射关系
source_preview: DataFrame的columns和sample数据
target_fields_info: 字段详情列表
session缓存: {session_id: {"df": ..., "mapping": ...}}
元组：主要用于函数返回多值，比如FillAgent.fill返回(bool, str, int)三元组：成功标志、消息、数量。
集合：用于去重场景，比如DataFrame.drop_duplicates()内部用set去重；option匹配时用set判断有效选项。
布尔：填充成功标志、表单解析成功标志。
None：字段无options时的默认值，Pydantic的Optional类型。"

2. 字典、列表、元组的区别在项目中的体现？

面试官可能问: 为什么你的mapping用dict而不是list？
"项目中三者的分工很清晰：
字典存储键值映射，因为查找效率是O(1)：
field_mapping: {"姓名": "name", "年龄": "age"} — 需要通过源列名快速找到目标字段
source_preview.sample: [{"姓名": "张三", "年龄": 20}] — 每行数据是一个dict，通过key访问列值
列表存储有序集合，因为需要保持顺序：
source_columns: ["姓名", "年龄", "邮箱"] — 列的顺序是有意义的
mapping_pairs: [{target: "...", source: "..."}] — 按目标字段顺序排列
元组用于不可变的固定结构：
函数返回值：(bool, str, int) — 3个固定位置的返回值
DataFrame的shape属性：(100, 5) — 行列数，不可变
选择原则：需要通过key查找用dict，需要顺序遍历用list，固定结构返回用tuple。"

3. 常用内置函数在项目中的使用？

面试官可能问: 你项目中用到了哪些Python内置函数？
"项目中高频使用的内置函数：
字符串方法：
.strip() — 清洗字段名和标签（去掉首尾空格）
.lower() / .upper() — 字符串比较时统一大小写（映射匹配时src.lower() in tgt_lower）
.startswith() / .endswith() — 判断URL是否以http开头，判断文件扩展名
.split() — 按逗号分割多值字段（如"选项A,选项B"）
.replace() — 替换字符串中的特殊字符
len() — 检查数据长度、列表大小
列表方法：
.append() — 追加字段到列表（构建fields列表）
.extend() — 扩展列表（合并数据）
.index() — 查找字段在列表中的位置
sorted() — 排序（按置信度排序映射结果）
字典方法：
.items() — 遍历键值对（遍历mapping）
.keys() / .values() — 获取所有键或值
.get() — 安全获取值，带默认值（target_labels.get(field, field)）
dict() — 创建新字典（dict.fromkeys()初始化映射）
其他：
isinstance() — 类型检查（检查source_input.type是否为str）
range() — 循环（遍历data_records）
enumerate() — 带索引遍历（for idx, record in enumerate(data_records)）
zip() — 并行遍历两个列表（同时遍历source_columns和target_columns）
open() — 读取SQL文件
hasattr() / getattr() — 动态属性访问（检查元素属性）"

4. 面向对象三大特性在项目中的体现？

面试官可能问: 你的项目中哪些地方用到了封装、继承、多态？
封装：几乎每个类都体现了封装
ExcelReadTool：封装了openpyxl和xlrd的降级读取逻辑，外部只需调用read_from_bytes()
SQLFileTool：封装了5步SQL解析流程，外部只需调用parse_sql_file()
DataCleanerTool：封装了5步清洗逻辑，外部只需调用clean_dataframe()
WebScraperTool：封装了Selenium浏览器操作的复杂逻辑，对外暴露extract_form_structure()等简单接口
好处是：调用方不需要关心内部实现，比如DataFillingService不需要知道ExcelReadTool内部用了双引擎降级。
继承：项目中体现不多但有合理设计
所有Tool类虽然没有显式继承，但都遵循统一的接口规范（输入bytes/url → 输出DataFrame/字典）
TargetFieldInfo和TargetPreviewResponse继承自Pydantic的BaseModel
多态：通过统一接口实现
DataIngestionService调用tool.read_from_bytes()处理Excel，调用tool.parse_sql_file()处理SQL，虽然方法名不同，但输入输出都是DataFrame
LangChain的@tool装饰器体现了多态：不同的@tool函数都被Agent统一调用
重写：在Pydantic模型中重写了__init__方法添加默认值处理。"

5. lambda函数在项目中的使用？

面试官可能问: 你项目中写过lambda吗？
"项目中有几处用到了lambda：
sorted的key参数：
python
# 按置信度排序映射结果
sorted(mapping_results.items(), key=lambda x: x[1].confidence, reverse=True)
列表推导式配合lambda：
python
# 将字段名统一转为小写
list(map(lambda x: x.lower(), source_columns))
filter过滤：
python
# 过滤掉置信度低于0.3的映射
list(filter(lambda x: x.confidence >= 0.3, mapping_pairs))
但项目中大部分场景用了普通函数或列表推导式替代lambda，因为可读性更好。比如：
python
# 用列表推导式替代map+lambda
[col.lower() for col in source_columns]
这比list(map(lambda x: x.lower(), source_columns))更Pythonic。"

6. 深拷贝 vs 浅拷贝在项目中的注意事项？

面试官可能问: 你的项目中有没有因为拷贝出问题？
"项目中有几个场景需要考虑拷贝：
DataFrame传递：
DataFrame是可变对象，在服务层传递时需要明确是引用还是拷贝
DataIngestionService返回DataFrame后，FieldMatchingService和DataFillingService都会读取同一个DataFrame，这是引用传递
好处是节省内存，坏处是如果某个Service修改了DataFrame会影响其他Service
解决方式：只读操作（.read_only属性）或在修改前用.copy()做浅拷贝
字典拷贝：
mapping字典在传递时用的是引用，但mapping本身不会被修改（只读）
如果需要在mapping基础上添加字段，会创建新字典而不是修改原字典
列表拷贝：
data_records列表在FillAgent.fill中遍历，不会修改
如果需要修改字段值（比如格式化），会创建新的dict而不是修改原record
项目中避免拷贝问题的原则是：尽量不可变使用，只读数据用引用，需要修改时创建新对象。"

7. 装饰器在项目中的使用？

面试官可能问: 你的项目中用到了装饰器吗？哪些？
"项目中用到了4种装饰器：
1. FastAPI路由装饰器（最常用）
python
@router.post("/source/preview")
async def preview_source_data(...):
    ...

@router.get("/target/preview")
async def preview_target_form(...):
    ...
作用：将Python函数注册为HTTP API路由。
FastAPI的装饰器做了很多工作：路径参数解析、请求体校验、响应序列化、自动生成Swagger文档
这是框架级装饰器，极大简化了Web开发
2. LangChain @tool装饰器（AI相关）
python
@tool
def analyze_source_columns(source_columns, source_sample, source_types):
    """分析源数据表的列结构，返回每列的名称、类型和示例值"""
    ...

@tool
def analyze_target_fields(target_columns, target_labels, target_types, target_sample):
    """分析目标表单的字段结构，返回每个字段的详细信息"""
    ...
作用：将普通Python函数转换为LangChain Agent可调用的工具。
装饰器自动提取函数的docstring作为工具描述
自动提取参数类型和名称作为工具的输入定义
Agent可以根据描述决定何时调用此工具
3. Pydantic @field_serializer装饰器
python
@field_serializer('mapping')
def serialize_mapping(self, mapping):
    return {str(k): v for k, v in mapping.items()}
作用：自定义Pydantic模型字段的序列化方式。
4. Python内置@property装饰器
python
@property
def columns(self):
    return self._df.columns.tolist()
作用：将方法变为属性访问，提供只读访问。
总结：装饰器在项目中用于路由注册、工具定义、序列化、属性保护四个场景，都是"不修改原函数代码，增加额外功能"的典型应用。"

8. 列表推导式和字典推导式在项目中的使用？

面试官可能问: 写过列表推导式吗？在项目中哪里用了？

"列表推导式在项目中用得非常频繁：

1. 数据转换：

python

# 将DataFrame转为字典列表
records = [{col: df[col][i] for col in df.columns} for i in range(len(df))]

# 提取字段名列表
target_columns = [f.name for f in target_fields_info]

2. 数据清洗：

python

# 去除空行（DataFrame中）
df = df.dropna(how='all')

# 清理字符串
df.columns = [c.strip() for c in df.columns]

3. 字典推导式：

python

# 构建标签映射
target_labels = {f.name: f.label for f in target_fields_info}

# 构建类型映射
field_types = {f.name: f.type for f in target_fields_info}

# 反向映射
source_to_target = {v: k for k, v in field_mapping.items()}

4. 条件过滤：

python

# 过滤有效映射
valid_mapping = {k: v for k, v in mapping.items() if v}

# 获取未映射的字段
unmapped = [f for f in target_fields if f not in mapping.values()]

项目中约有30+处用到了推导式，是最常用的Python特性之一。"

9. 三元运算符在项目中的使用？

面试官可能问: 三元运算符的使用场景？
"三元运算符在项目中主要用在以下场景：
1. 条件赋值：
python
display_name = column.label if column.label else column.name
2. 默认值处理：
python
field_type = field_info.get('type', 'text') if field_info else 'text'
3. 状态判断：
python
status_text = "成功" if success_count > 0 else "失败"
4. 日志级别选择：
python
log_level = logging.DEBUG if debug else logging.INFO
三元运算符让代码更简洁，避免了简单if-else的多行书写。但嵌套超过两层的三元运算符可读性差，项目中尽量不使用。"

10. 正则表达式在项目中的使用？

面试官可能问: 你用过正则吗？在项目中哪里用了？

"正则表达式在项目中有3个主要应用场景：

1. SQL文件解析（最复杂的正则应用）：

python

# 识别CREATE TABLE语句
re.match(r'CREATE\s+TABLE', stmt, re.IGNORECASE)

# 识别INSERT INTO语句
re.match(r'INSERT\s+INTO', stmt, re.IGNORECASE)

# 提取表名（支持反引号）
re.search(r'CREATE\s+TABLE\s+(?:IF\s+NOT\s+EXISTS\s+)?(?:`(\w+)`|(\w+))', stmt)

# 提取列名
re.match(r'(?:`(\w+)`|(\w+))', part)

# 提取INSERT的VALUES部分
re.search(r'VALUES\s*(.+?);?\s*$', stmt, re.IGNORECASE | re.DOTALL)

# 提取多行值
re.finditer(r"\(([^()]*(?:\([^()]*\)[^()]*)*)\)", values_str)

2. 数据清洗：

python

# 移除不可见字符
re.sub(r'[\x00-\x1f\x7f-\x9f]', '', text)

# 合并多空格
re.sub(r'\s+', ' ', text)

# 移除首尾特殊符号（*、#）
re.sub(r'^[\*#]+|[\*#]+$', '', text)

3. URL和文件名验证：

python

# 验证URL格式
re.match(r'^https?://[\w.-]+(:\d+)?(/[\w./?%&=-]*)?$', url)

# 验证文件扩展名
re.search(r'\.(xlsx?|csv|sql)$', filename, re.IGNORECASE)

正则的核心作用是从结构化文本中提取有意义的部分，在SQL解析中发挥了关键作用。"

11. 迭代器/生成器在项目中的使用？

面试官可能问: 你的项目中用到了迭代器或生成器吗？
"项目中虽然没有自己手写生成器，但大量使用了Python内置的可迭代对象和迭代器：
1. 遍历数据记录：
python
# 遍历DataFrame的每一行
for idx, row in df.iterrows():
    ...

# 遍历映射关系
for src_col, tgt_field in field_mapping.items():
    ...
2. 文件处理：
python
# 逐行读取SQL文件
with open(sql_file, 'r') as f:
    for line in f:  # 文件对象本身是迭代器
        ...
3. Selenium元素遍历：
python
# 遍历表单中的所有input元素
for element in driver.find_elements(By.TAG_NAME, 'input'):
    ...
4. 生成器表达式：
python
# 惰性计算（避免一次性生成大列表）
total = sum(len(record) for record in data_records)
# 比 sum([len(r) for r in data_records]) 更省内存
如果项目需要处理超大数据量（比如10万行Excel），我会考虑用生成器逐行处理而不是一次性读入内存。当前项目数据量不大，用DataFrame一次性加载是可以接受的。"

12. 冒泡排序/算法在项目中的应用？

面试官可能问: 你项目中用到了什么算法？
"项目中用到的算法：
1. 字符串相似度匹配（映射降级策略）：
简单包含匹配：src.lower() in tgt_lower or tgt_lower in src.lower()
同义词扩展：调用LLM生成同义词后逐个比对
2. 排序算法：
按置信度排序映射结果：sorted(results, key=lambda x: x.confidence, reverse=True)
pandas.sort_values()：按列值排序DataFrame
3. 正则匹配算法：
SQL解析中的模式匹配
数据清洗中的字符替换
4. 哈希算法：
dict的底层哈希表实现，O(1)查找
set的底层哈希表实现，O(1)去重
5. 递归：
LangChain Agent的递归调用（recursion_limit=10）
括号嵌套的SQL解析（_split_top_level_commas）
冒泡排序本身没有直接用到（因为没有手动排序场景），但排序的思想在项目中通过sorted()和pandas.sort_values()体现。"

二、项目宏观架构问答

Q: 你的项目整体是怎么处理数据的？

核心流程: 数据源 → 数据清洗 → AI映射 → 数据转换 → 浏览器填充 → 结果导出
具体步骤:
Step 1: 数据接入
用户上传Excel/SQL文件或输入网页URL
DataIngestionService统一处理，根据类型调用对应Tool
Excel：openpyxl读取.xlsx，xlrd降级读取.xls
SQL：5步解析（去注释→分割语句→提取表结构→提取数据→构建DataFrame）
URL：requests静态抓取，失败降级到Selenium动态渲染
Step 2: 数据清洗
DataCleanerTool执行5步清洗：清理列名→跳过表头行→字符串清理→删除空行→删除重复行
清洗后的数据以DataFrame形式存储在session缓存中
Step 3: 目标表单解析
WebScraperTool用Selenium访问目标URL
解析表单结构：查找form元素→遍历input/select/textarea→6优先级提取label
返回字段列表、字段类型、选项信息
Step 4: AI映射推荐
MatchingAgent调用LangChain Agent
Agent通过@tool获取源数据和目标字段的详细信息
LLM推理映射关系，返回推荐映射和置信度
失败则降级为字符串包含匹配
Step 5: 数据转换
DataFillingService根据映射关系转换数据
处理字段格式（类型转换、日期格式化、多值拼接）
选项值匹配（LLM直接匹配→同义词降级匹配）
Step 6: 浏览器填充
FillAgent批量遍历数据记录
BrowserFillerTool用Selenium操作Firefox浏览器
4级优先级定位字段（NAME→ID→XPath→label关联）
支持4种字段类型（文本/下拉/单选/复选）
每条记录重试2次，单条失败不影响整体
Step 7: 结果导出
返回填充结果（成功数、失败原因）
支持导出为Excel/CSV文件"

Q: 你的项目有几个模块？怎么划分的？

"项目分为5个核心模块，职责清晰分离：
1. api模块（API层）
1个文件：endpoints.py
职责：定义5个HTTP接口，处理请求/响应
技术：FastAPI路由、Pydantic数据校验
2. agents模块（智能体层）
2个文件：matching_agent.py、fill_agent.py
职责：AI决策和批量调度
MatchingAgent：字段映射的AI推理
FillAgent：批量填充的异常重试
3. services模块（服务层）
3个文件：data_ingestion.py、data_filling.py、field_matching.py
职责：业务逻辑编排，串联底层工具和上层API
DataIngestionService：统一数据接入
FieldMatchingService：映射推荐调度
DataFillingService：数据转换+填充执行
4. tools模块（工具层）
6个文件，是最大的模块
excel_tool.py：Excel读取（双引擎降级）
sql_file_tool.py：SQL文件解析（5步）
web_scraper_tool.py：网页抓取+表单解析（6优先级label提取）
browser_filler_tool.py：浏览器自动化（4级字段定位+4种类型填充）
option_matching_tool.py：选项匹配（LLM+同义词双策略）
data_cleaner_tool.py：数据清洗（5步流水线）
field_matching_tools.py：LangChain @tool工具定义
5. models模块（模型层）
1个文件：schemas.py
职责：定义Pydantic数据模型，统一请求/响应格式
模块间的依赖关系：api → services → agents + tools，models被所有模块引用。"

Q: 你的项目有几个接口？

"一共5个核心API接口：
接口 HTTP方法功能核心逻辑
/api/source/preview POST 加载源数据 DataIngestionService.load_source()
/api/target/preview GET 解析目标表单 WebScraperTool.extract_form_structure()
/api/mapping/recommend POST AI映射推荐 MatchingAgent.get_mapping_recommendation()
/api/fill/execute POST 执行填充 FillAgent.fill() → BrowserFillerTool
/api/export GET 导出结果 pd.DataFrame.to_excel()
另有1个接口用于会话管理：
DELETE /api/session/{session_id}：清除缓存
所有接口都用了Pydantic的response_model自动校验和序列化响应。"

接口	HTTP方法	功能	核心逻辑
/api/source/preview	POST	加载源数据	DataIngestionService.load_source()
/api/target/preview	GET	解析目标表单	WebScraperTool.extract_form_structure()
/api/mapping/recommend	POST	AI映射推荐	MatchingAgent.get_mapping_recommendation()
/api/fill/execute	POST	执行填充	FillAgent.fill() → BrowserFillerTool
/api/export	GET	导出结果	pd.DataFrame.to_excel()

Q: 你的项目用了LangChain，具体体现在哪里？

面试官可能追问: 你说的LangChain Agent是怎么工作的？@tool装饰器做了什么？
"LangChain在项目中仅用于字段映射推荐这一个核心场景。
具体体现：
1. @tool装饰器定义了2个工具
python
@tool
def analyze_source_columns(source_columns, source_sample, source_types):
    # 将源数据的每列信息格式化为文本
    # 返回给Agent作为上下文

@tool
def analyze_target_fields(target_columns, target_labels, target_types, target_sample):
    # 将目标表单的每个字段信息格式化为文本
    # 返回给Agent作为上下文
2. create_react_agent创建Agent
python
agent = create_react_agent(
    llm=llm,           # 大模型实例
    tools=[analyze_source_columns, analyze_target_fields],  # 绑定工具
    prompt=prompt       # 系统提示词
)
3. Agent的工作流程
用户请求 → Agent接收
   → Agent决定调用analyze_source_columns获取源数据信息
   → Agent决定调用analyze_target_fields获取目标字段信息
   → Agent综合两侧信息，推理映射关系
   → 返回JSON格式的映射结果
4. 降级策略
如果LLM API调用失败 → 降级为规则匹配
如果JSON解析失败 → 降级为规则匹配
如果返回的映射为空 → 提示用户手动映射
5. 为什么只用在映射场景？
字段映射是一个语义理解任务，需要理解"姓名"对应"name"、"出生日期"对应"birth_date"
传统规则匹配很难覆盖所有语义变体
LLM在这里发挥了最大价值
其他场景（数据读取、清洗、填充）都是确定性操作，不需要LLM，用规则更可靠更快"

三、综合追问题速答

Q: 你的项目有没有用数据库？为什么？

"没有用数据库。原因有三：
这是一个工具型应用，数据不需要持久化处理完就导出
单机演示项目，用进程内dict缓存足够
如果是生产环境，会引入Redis做缓存 + PostgreSQL做日志存储"

Q: 你的项目支持并发吗？

"支持有限并发：
FastAPI基于ASGI，async路由支持IO密集型并发
Selenium操作用asyncio.to_thread包装，不阻塞事件循环
但当前版本不支持多用户同时填充（浏览器实例是单例）
生产环境需要用连接池管理浏览器实例"

Q: 如果你的项目遇到超大Excel（10万行）会怎么样？

"当前版本会内存溢出，因为pandas.read_excel一次性加载全部数据。改进方案：
用chunksize参数分块读取
用openpyxl的read_only模式逐行读取
处理时用生成器逐行处理而不是一次性加载
进度条实时显示处理进度"

Q: 你的项目中LangChain的recursion_limit为什么设为10？

"因为Agent需要至少调用2次@tool（analyze_source_columns + analyze_target_fields），再加上推理步骤，最少需要3-5层递归。默认的recursion_limit=5有时不够用。设为10是为了防止Agent递归过深导致API调用爆炸。如果Agent在10层内还没得出结论，就会强制终止并降级为规则匹配。"

Q: 项目中最容易出错的环节是什么？怎么防范的？

"三个高风险环节：
1. Selenium浏览器操作（最容易出错）
风险：元素定位失败、页面加载超时、JavaScript渲染延迟
防范：4级优先级定位、显式等待(WebDriverWait)、重试机制(2次)、异常捕获
2. LLM API调用
风险：API超时、返回格式错误、语义理解偏差
防范：try-except捕获所有异常、JSON格式校验、降级为规则匹配
3. Excel/SQL文件解析
风险：文件格式不规范、编码问题、特殊字符
防范：双引擎降级（openpyxl→xlrd）、编码自动检测、数据清洗流水线"

贡献者

freeway348

文件历史

最后编辑于 4 分钟前查看完整历史

最长上升子序列(LIS)

数字三角形

RAG+Agent

1.第一章

第二章

1. 第一章

2. 第二章

2.1 数制与编码

2.2 逻辑运算

2.3 浮点数的表示与运算

3. 第三章 存储系统

4. 第四章 指令系统

5. 第五章 中央处理器

0.零基础

1.函数极限与连续

10. 一元函数积分学的应用（一）---几何应用

11. 一元函数积分学的应用---积分等式与积分不等式

12.一元函数的物理应用

13. 多元函数微分学

14. 二重积分

15 微分方程

2. 导数

4.一元函数微分

5. 一元函数微分学的几何应用

6. 中值定理

7. 一元微分学的物理应用

8. 一元函数积分学的基本概念

9. 一元函数积分学的计算

做题技巧

强化篇

华为OD杭州 Python技术一面 - 项目实战问答 ​

一、八股文 × 项目实战对照问答 ​

1. Python基础数据类型在项目中的应用？ ​

2. 字典、列表、元组的区别在项目中的体现？ ​

3. 常用内置函数在项目中的使用？ ​

4. 面向对象三大特性在项目中的体现？ ​

5. lambda函数在项目中的使用？ ​

6. 深拷贝 vs 浅拷贝在项目中的注意事项？ ​

7. 装饰器在项目中的使用？ ​

8. 列表推导式和字典推导式在项目中的使用？ ​

9. 三元运算符在项目中的使用？ ​

10. 正则表达式在项目中的使用？ ​

11. 迭代器/生成器在项目中的使用？ ​

12. 冒泡排序/算法在项目中的应用？ ​

二、项目宏观架构问答 ​

Q: 你的项目整体是怎么处理数据的？ ​

Q: 你的项目有几个模块？怎么划分的？ ​

Q: 你的项目有几个接口？ ​

Q: 你的项目用了LangChain，具体体现在哪里？ ​

三、综合追问题速答 ​

Q: 你的项目有没有用数据库？为什么？ ​

3. 第三章存储系统

4. 第四章指令系统

5. 第五章中央处理器

华为OD杭州 Python技术一面 - 项目实战问答

一、八股文 × 项目实战对照问答

1. Python基础数据类型在项目中的应用？

2. 字典、列表、元组的区别在项目中的体现？

3. 常用内置函数在项目中的使用？

4. 面向对象三大特性在项目中的体现？

5. lambda函数在项目中的使用？

6. 深拷贝 vs 浅拷贝在项目中的注意事项？

7. 装饰器在项目中的使用？

8. 列表推导式和字典推导式在项目中的使用？

9. 三元运算符在项目中的使用？

10. 正则表达式在项目中的使用？

11. 迭代器/生成器在项目中的使用？

12. 冒泡排序/算法在项目中的应用？

二、项目宏观架构问答

Q: 你的项目整体是怎么处理数据的？

Q: 你的项目有几个模块？怎么划分的？

Q: 你的项目有几个接口？

Q: 你的项目用了LangChain，具体体现在哪里？

三、综合追问题速答

Q: 你的项目有没有用数据库？为什么？