# 1. 团队 AI 工具使用规范（Prompt 共享、模板）的真实落地 A 规范一旦制定就永远有效，无需维护 B 规范只对新手有意义，对资深成员无价值 C 规范应建立可复用模板并随实践持续演进，而非一次性规定 ✓ 正确答案 D 所有成员的使用方式必须强制统一
# 2. AI 工具在团队中的'公平使用'（Equitable Access）边界 A 只给核心成员提供 AI 工具即可 B AI 工具分配与团队公平无关 C 公平使用意味着所有成员必须使用相同数量的 AI D 公平使用指工具访问、培训与评价的公平，避免能力分化 ✓ 正确答案
# 3. AI 代码评审能发现的问题类型与其盲区，如何与人工评审分工并控制噪音与误报？ A AI 评审的提示都应直接作为最终结论 B AI 能可靠判断所有问题，包括架构设计 C AI 负责可判定的机械检查，人工负责语义与架构判断，并需控制误报 ✓ 正确答案 D 人工评审已无必要，AI 完全替代
# 4. AI 在跨时区协作（Async Collaboration）中的真实价值 A AI 能完全替代跨时区的同步沟通 B AI 对跨时区协作毫无帮助 C AI 能提升异步沟通的清晰度与上下文传承，但关键决策仍需同步 ✓ 正确答案 D AI 只能用于同一时区的团队
# 5. 业务词汇表（Ubiquitous Language）的真实团队落地 A 词汇表需从业务讨论中提炼并持续维护，与代码和评审绑定保证一致性 ✓ 正确答案 B 词汇表只对产品团队有意义，对开发无用 C 术语是否需要统一与项目无关 D 词汇表编写一次即可长期有效
# 6. 数据所有权（Data Ownership）的真实工程设计 A 数据应尽量多人共同拥有，避免单一责任 B 每份数据应有明确 owner 与单一事实来源，并建立治理责任机制 ✓ 正确答案 C 数据所有权与数据质量无关 D 消费者应直接修改源头数据
# 7. 数据架构（Data Architecture）与业务架构的真实协同 A 数据架构应完全独立于业务架构设计 B 数据架构与业务架构无关 C 数据架构应反映并服务于业务架构，数据域与业务域对齐 ✓ 正确答案 D 数据模型不需要反映业务语义
# 8. 聚合根（Aggregate Root）边界的真实设计经验 A 聚合边界围绕业务不变量，聚合内强一致、聚合间最终一致 ✓ 正确答案 B 聚合越大越好，便于管理 C 聚合边界应围绕方便查询的数据关系来划分 D 聚合边界与业务规则无关
# 9. 领域事件（Domain Event）的真实应用边界 A 领域事件应替代所有方法调用 B 领域事件表达"已发生的事实"，用于解耦与最终一致性，不应滥用做流程控制 ✓ 正确答案 C 领域事件与命令是完全相同的概念 D 领域事件只用于单体应用
# 10. 领域驱动设计（DDD）真实在中小团队的落地边界 A 中小团队应轻量取用，核心域深入、支撑域简化 ✓ 正确答案 B 中小团队必须完整落地全套 DDD 才能有效 C DDD 只适用于大型企业 D 中小团队完全不需要建模
# 11. CQRS 在 DDD 上下文中的真实工程取舍 A CQRS 只在读写差异大、收益明确时值得，简单系统引入是过度设计 ✓ 正确答案 B 所有 DDD 系统都应使用 CQRS C CQRS 完全不适用于 DDD D CQRS 会降低所有系统的复杂度
# 12. 事件风暴（Event Storming）工作坊的真实组织经验 A 只需开发人员参与即可完成 B 事件风暴的产出无需转化为代码结构 C 事件风暴不需要引导者 D 需跨角色参与，先发散后收敛，产出可落地的领域模型 ✓ 正确答案
# 13. 六边形架构（Hexagonal）真实落地的复杂度评估 A 六边形架构应应用于所有系统 B 六边形架构的价值在解耦与可测试，但会引入抽象成本，需按需落地 ✓ 正确答案 C 六边形架构会降低一切系统的复杂度 D 六边形架构不需要任何接口定义
# 14. 数据契约如何定义 schema、质量与时效并驱动上下游一致性，契约破裂的检测与告警如何落地？ A 数据契约应定义 schema、质量与时效，并通过校验监控告警驱动一致性 ✓ 正确答案 B 数据契约破裂无法检测 C 数据契约只需定义字段，无需质量与时效 D 数据契约与上下游一致性无关
# 15. 数据架构治理（Data Architecture Governance）的真实组织经验 A 所有数据治理都应集中到中央统一管理 B 数据治理完全不需要组织与责任 C 治理需在中央标准与团队自治间平衡，让责任清晰且流程可执行 ✓ 正确答案 D 治理标准应一成不变
# 16. 示例映射（Example Mapping）的真实业务建模价值 A 示例映射用文档替代讨论，无需业务方参与 B 示例映射用具体例子澄清需求、暴露模糊点并衔接测试 ✓ 正确答案 C 示例映射的产出与验收无关 D 示例映射只能用于测试阶段
# 17. AI 与人类审查的分工（Division of Labor）的真实边界 A AI 应完全替代人类审查 B AI 与人类审查是互斥的 C 人类审查已无价值，应全部交给 AI D AI 负责规则扫描，人类负责上下文与架构判断，二者配合 ✓ 正确答案
# 18. AI 辅助识别潜在 Bug 的真实召回率与精度 A AI 检测精度极高，不会误报 B AI 能发现所有 bug C AI 常是高召回低精度，需人工确认并调优以平衡误报 ✓ 正确答案 D AI 检测结果应无条件自动拦截
# 19. AI 审查与风格统一（Linter、Formatter）的真实互补 A AI 审查可以完全替代 Linter B Linter 与 AI 审查互斥 C AI 审查的结果无需规则化 D Linter 处理确定性规则问题，AI 处理语义问题，可沉淀规则形成互补 ✓ 正确答案
# 20. AI 辅助 PR 描述撰写的真实质量 A AI 能生成结构化草稿，但动机与风险需开发者补充确认 ✓ 正确答案 B AI 生成的 PR 描述永远准确，可直接提交 C AI 生成的 PR 描述与变更无关 D PR 描述无需任何补充
# 21. AI 辅助识别代码异味（Code Smell）的真实可靠性 A AI 能识别常见异味信号，但是否重构需结合上下文判断 ✓ 正确答案 B AI 判断的异味必须立即重构 C AI 权威地识别所有代码异味 D 代码异味识别与上下文无关
# 22. OLTP 与 OLAP 边界划分的真实经验 A 所有系统都应立刻拆分 OLTP 与 OLAP B 当分析负载拖累事务性能时才分离，并设计数据同步与一致性 ✓ 正确答案 C OLTP 与 OLAP 完全一样，无需区分 D OLAP 只用于小型业务
# 23. 主数据（Master Data）管理的真实边界 A 所有数据都应纳入主数据统一治理 B 主数据管理无需任何治理 C 只对跨系统共享的核心数据做统一治理，并平衡治理成本 ✓ 正确答案 D 主数据与普通数据没有区别
# 24. 限界上下文（Bounded Context）的真实识别信号 A 所有系统都只有一个限界上下文 B 限界上下文只由技术决定 C 限界上下文与团队组织无关 D 语义差异、术语冲突、独立业务能力与团队边界是识别限界上下文的关键信号 ✓ 正确答案
# 25. 数据可移植性（Data Portability）的真实设计原则 A 应使用开放标准格式并提供完整、可重复的导出接口，保证互操作 ✓ 正确答案 B 使用私有格式更利于数据可移植 C 数据可移植性仅指数据备份 D 可移植性设计无需考虑格式
# 26. 数据网格（Data Mesh）的真实落地难度 A 数据网格是可以一步到位轻松落地的 B 数据网格只涉及技术，不涉及组织 C 数据网格落地面临组织与平台的双重挑战，应渐进式引入数据产品化 ✓ 正确答案 D 数据网格无需治理
