核心要点
能概括动态类型、简洁语法、丰富生态、跨平台等
知道优缺点：开发效率 vs 运行速度、GIL
结合 AI/数据科学生态举例
简要回答
Python 以简洁可读语法、动态类型、丰富标准库与 PyPI 生态著称；在 AI、数据科学、Web、自动化领域占主导；弱点是纯 CPU 性能与 GIL。
标准回答
一、核心特性
- 动态类型 + 自动内存管理：快速原型开发
- 简洁语法：缩进块、列表推导、上下文管理器
- 解释执行 + 跨平台：Write once, run anywhere（CPython）
- 「电池内置」：标准库覆盖 JSON、HTTP、sqlite、多线程等
- 庞大生态：PyPI 30 万+ 包
二、AI/数据科学优势
NumPy、Pandas、PyTorch、scikit-learn、Jupyter 形成事实标准。
三、权衡
| 优势 | 劣势 |
|---|---|
| 开发效率高 | 纯 Python CPU 慢于 C/Java/Go |
| 生态最全 | GIL 限制多线程 CPU 并行 |
| 易上手 | 运行时类型错误需测试/类型提示弥补 |
四、Python 3
统一字符串为 Unicode，不再兼容 Python 2。
回答思路
【定义】用一句话说清「Python 有哪些核心特性」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：只罗列名词、不会举例；混淆相似概念；忽略工程约束（成本、延迟、数据质量）。不确定时应主动说明假设。
追问
追问 1：Python 的类型提示（type hints）解决什么问题？
不强制运行时检查，但供静态分析器（mypy、Pyright）、IDE 补全和文档使用。def f(x: int) -> str: 提升大型项目可维护性，可与 pydantic 等结合做运行时校验。
追问 2：为什么说 Python 适合 AI 但不适合所有后端？
AI 瓶颈在 GPU/C 扩展，Python 作胶水足够；超高 QPS、低延迟微服务可能选 Go/Rust。许多公司训练用 Python、推理用 ONNX/TensorRT/C++。
追问 3：列表推导式和 map/filter 如何选？
简单变换列表推导更 Pythonic、可读；复杂逻辑或惰性求值用 map/filter 或生成器。大数据用生成器表达式 (x for x in ...) 省内存。
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习