# 1. 从全栈到"AI 原生全栈"（AI+前端+后端+数据），新一代全栈工程师的技能图谱如何画？ A 全栈工程师只需精通前端即可胜任 AI 应用开发 B 工程化能力在未来将被 AI 完全取代，无需掌握 C 数据维度只是可选的加分项，不进入核心图谱 D AI 是独立于前端、后端、数据之外的第四个核心维度，且工程化与判断力是横向贯穿能力 ✓ 正确答案
# 2. 从前后端分离到融合（Next.js/Nuxt/SvelteKit），全栈工程师的真实价值边界在哪里？ A 全栈工程师的价值在于熟练使用 Next.js 等框架 B 前后端融合后应永远保持单体，不应该拆分 C 价值边界体现在正确粒度上的架构决策与端到端心智，而非会不会写接口 ✓ 正确答案 D 全栈工程师的价值已被框架完全取代
# 3. 当 AI 能生成前后端代码时，全栈工程师的价值转向数据模型、状态管理、安全边界与成本控制，这些判断力如何刻意训练？ A 判断力源于天赋，无法通过后天训练获得 B 只要多写代码就能自然获得全部判断力 C 通过复盘 AI 代码、反面案例、ADR 记录与成本测算等可反馈的闭环练习来训练 ✓ 正确答案 D 判断力训练只需学习 AI 工具的使用技巧
# 4. AI 全栈工具（v0/Bolt.new/Cursor）正在如何改变全栈开发的入门门槛与交付效率？ A AI 工具让全栈工程师岗位完全消失 B AI 工具生成的代码无需审查即可直接上线 C AI 工具降低启动门槛、提升交付效率，但把判断与审查责任上移到工程师 ✓ 正确答案 D AI 工具只影响前端，不影响后端开发
# 5. BaaS（Supabase/Firebase/Appwrite）与全栈框架的融合如何影响后端工程师的技能需求？ A BaaS 让后端工程师完全不需要数据建模能力 B BaaS 只适用于小项目，对大项目毫无价值 C BaaS 替代标准化实现，使技能重心从实现层上移到架构整合与安全治理层 ✓ 正确答案 D 后端工程师应彻底放弃自建服务能力
# 6. 全栈工程师的"T 型技能"应如何设计——前端深度+后端广度的最优比例是什么？ A 应以核心技术方向为深度压舱石、以全链路为广度，比例随阶段与业务动态调整 ✓ 正确答案 B 深度与广度比例是固定不变的 C 前端与后端深度必须完全相等 D 只追求广度，不需要深度
# 7. 在 AI 能生成全栈应用的时代，全栈工程师的不可替代性（系统思维、端到端交付）如何体现？ A AI 能完全替代全栈工程师的系统性工作 B 系统思维在 AI 时代已无价值 C 全栈工程师只需负责写代码即可 D 不可替代性体现在系统思维、端到端交付与责任判断，而非代码生成 ✓ 正确答案
# 8. 前后端融合趋势下全栈工程师的价值如何转向数据模型、状态管理与部署链路，这些判断力怎么刻意训练？ A 这些判断力只能靠多年经验自然积累，无法训练 B 部署链路不需要工程师关注 C 只要依赖 AI 生成的代码即可，无需判断 D 通过重构驱动、场景推演、部署演练与 ADR 记录等闭环练习来训练 ✓ 正确答案
# 9. 全栈开发的效率优化中框架、工具链与部署平台的统一如何减少上下文切换，统一到什么程度最优？ A 统一越彻底越好，无需考虑边界 B 统一只与前端的框架有关 C 完全不要统一，各层独立最优 D 最优统一是在职责边界清晰的框架内统一公共能力，同时保留合理的解耦边界 ✓ 正确答案
# 10. AI 全栈交付闭环中哪些环节应亲自掌握、哪些可委托 AI，边界如何划定？ A 可验证与低风险的实现类环节可委托 AI，判断类与责任类环节必须亲自掌握 ✓ 正确答案 B 所有环节都应完全委托 AI C 需求与架构也可无脑委托 AI D 边界与可验证性无关
# 11. 前后端融合后全栈基础上的深度方向如何选择，"全栈+一专"的最优配比是什么？ A 全栈与一专相互矛盾，只能二选一 B 深度方向应完全跟随流行趋势，无需考虑业务 C 配比是固定不变的 70/30 D 以全栈广度为底座、以业务主战场与趋势选定的专项为突破口，配比随阶段动态调整 ✓ 正确答案
# 12. Server Components 与 RSC 如何重新定义前后端协作模式？ A RSC 把协作边界从网络接口层下沉到组件粒度，由服务器/客户端组件显式划分 ✓ 正确答案 B RSC 让前端完全不需要理解数据 C RSC 使前后端彻底合并为一个进程 D RSC 只影响渲染，不影响数据获取方式
# 13. AI 全栈从模型选型、应用开发到部署监控的能力链路中，哪些环节必须亲自掌握？ A 模型选型评估、业务数据对齐、安全合规与系统可靠性必须亲自掌握 ✓ 正确答案 B 所有环节都可以委托 AI C 只有模型调优需要亲自掌握 D 安全合规可以完全交给第三方
# 14. AI 全栈学习从前端或后端单点切入再扩展的路线怎么走，各阶段学习产出如何设计？ A 应同时从所有技术栈开始学习 B 单点切入、项目驱动、逐层扩展，并以可运行可展示的产出验证每个阶段 ✓ 正确答案 C 学习只需看文档，不需要做项目 D 应先学 AI 再学基础开发
# 15. AI 全栈项目在个人与小团队规模下单体优先的边界在哪，何时引入微服务与消息队列？ A 小团队应从一开始就使用微服务架构 B 单体优先，当出现协作冲突、独立扩展、故障隔离或异步需求等真实信号时才演进 ✓ 正确答案 C 消息队列应无条件优先引入 D 单体架构永远不需要演进
# 16. AI 全栈架构解耦中模型服务、应用层与数据层的边界如何划分，模型升级怎样不影响应用？ A 应用层应直接调用具体模型厂商的 SDK B 模型升级时应用层必须同步修改 C 通过抽象接口、版本灰度与降级兜底把模型变化隔离在模型服务层，实现升级不影响应用 ✓ 正确答案 D 数据层与模型服务强耦合
# 17. 全栈项目从想法、原型到上线的闭环中，需求验证、技术选型与发布节奏如何安排？ A 应先完成全部技术选型再做需求验证 B 先验证需求、再选型、再小步发布并持续迭代，让真实反馈驱动下一步 ✓ 正确答案 C 一次开发完所有功能再一次性上线 D 发布节奏与需求验证无关
