Głębiej
Rozwinięcie krótkiej odpowiedzi — co zwykle ma znaczenie w praktyce:
- Kontekst (tagi): monoliths, logging, observability
- Skalowanie: co skaluje się poziomo, co pionowo, gdzie są bottlenecki.
- Niezawodność: retry/circuit breaker/idempotencja, observability (logs/metrics/traces).
- Ewolucja: jak utrzymać zmianę tanio (granice, kontrakty, testy).
- Wytłumacz "dlaczego", nie tylko "co" (intuicja + konsekwencje).
- Trade-offy: co zyskujesz i co tracisz (czas, pamięć, złożoność, ryzyko).
- Edge-case’y: puste dane, duże dane, błędne dane, współbieżność.
Przykłady
Krótki przykład (szablon do wyjaśniania):
// Example: discuss trade-offs for "structured-logging:-co-to-jest-i-czemu-pomaga-w-"
function explain() {
// Start from the core idea:
// Structured logging oznacza, że logi mają stałe pola (np. JSON) typu `level`, `message`, `r
}
Typowe pułapki
- Zbyt ogólna odpowiedź (brak konkretów, brak przykładów).
- Brak rozróżnienia między "średnio" a "najgorzej" (np. złożoność).
- Pomijanie ograniczeń: pamięć, współbieżność, koszty sieci/dysku.
Pytania uzupełniające na rozmowie
- Kiedy zastosował(a)byś alternatywę i dlaczego?
- Jakie są typowe problemy w produkcji i jak je diagnozować?
- Jak byś przetestował(a) edge-case’y?