Sur les microservices Kafka, le candidat est précis et appuyé sur des incidents de paiement. Sur FastAPI à fort trafic, il raisonne par analogie avec Node et dit lui-même que le cache est son point faible. L'analytics temps réel est correcte, les profils MongoDB restent vagues et l'API de recommandation est simple. L'usage de l'IA est prudent.
La pièce à transmettrePart telle quelle chez votre client : sans score, sans verdict, sans signal.
Revelyum
Rapport d'entretien technique
Établi pour Nordlys Conseil
Développeur API Python, plateforme média streaming (H/F)
· Bruno Lemaitre · 12/10/2026
Synthèse
Bruno a huit ans de Node.js et de NestJS sur une plateforme de paiement fractionné, et il connaît très bien les consommateurs Kafka : plafond par partition, doublons, versions d'événements. Il compare FastAPI à ce qu'il pratique et reste flou sur le cache et sur les documents MongoDB. Il relit tout ce que produit son assistant.
Détail par exigence
FastAPI à fort trafic
indispensablePartiel
Transpose Node vers FastAPI de façon cohérente, avec une limitation de débit vécue et un cache resté superficiel.
Microservices communiquant par Kafka
indispensablePartiel
Très à l'aise sur Kafka : accusés de réception, doublons, groupes plafonnés par les partitions et versions d'événements.
Analytics temps réel
Partiel
Décrit un compteur Redis par minute et accepte un écart à l'écran contre un recalcul propre.
Profils utilisateurs dans MongoDB
Partiel
Réponse vague, par transposition depuis PostgreSQL, sans index ni croissance de l'historique.
API de recommandation
Partiel
Prévoit un repli temporisé, des genres préférés et une comparaison avec et sans recommandation.
Usage de l'IA
indispensablePartiel
Utilise deux assistants pour le répétitif, relit chaque ligne et protège les données de paiement.
Points d'appui
Maîtrise précise des groupes de consommateurs et du parallélisme.
Gestion des doublons et des versions d'événements.
Usage de l'assistant protégé par une relecture et des limites.
Points de vigilance
Aucune pratique de FastAPI, transposée depuis Node.
Cache et invalidation restés superficiels.
MongoDB abordé de façon vague.
Sujets abordés
FastAPI à fort trafic · Microservices communiquant par Kafka · Analytics temps réel · Profils utilisateurs dans MongoDB · API de recommandation · Usage de l'IA
Entretien conduit en autonomie par le candidat, réponses transcrites puis analysées.
L'évaluation finale appartient au recruteur : Revelyum n'émet aucune décision automatisée.
En clair
Peut-être, à confirmer en entretien
Bruno est très solide sur les échanges d'événements, qu'il a pratiqués sur des paiements. Il reste plus général sur le cache et sur MongoDB, et il le reconnaît.
Renforcerait les flux d'événements et aurait besoin de pratiquer l'écosystème Python.
Détail par exigence
FastAPI à fort trafic
indispensablePartiel · 5,8/10
Nombre de workers Uvicorn · 5/10Démarche de mesure transposée.je partirais d'un par cœur et je mesureraisRéponse
R4
Appels concurrents avec asyncio · 6/10Équivalence juste, sans cas vécu.asyncio gather fait le même travail que Promise.allRéponse
R4
Limiter un client trop bavard · 6/10Mécanisme connu.une limite par clé avec un compteur et un code 429Réponse
R5
Mettre en cache une réponse de recommandation · 6/10Limite reconnue sur les clés et l'invalidation.c'est mon point faibleRéponse
R5
Microservices communiquant par Kafka
indispensablePartiel · 5,7/10
Produire un événement de visionnage · 5/10Doublons traités.le consommateur ignorait ceux qu'il avait déjà vusRéponse
R1
Groupes de consommateurs · 6/10Limite de parallélisme bien comprise.dans un groupe on ne dépasse jamais le nombre de partitionsRéponse
R2
Faire évoluer le format d'un événement · 6/10Transition sans rupture.on versionnait l'événement et on gardait les deux versions pendant la transitionRéponse
R2
Analytics temps réel
Partiel · 5,7/10
Compteurs de vues dans Redis · 6/10Mécanisme direct.un compteur incrémenté dans Redis à chaque événement consomméRéponse
R6
Agrégation par fenêtre de temps · 5/10Fenêtres obtenues par cumul.on les calcule en cumulant ces minutesRéponse
R6
Exactitude ou rapidité des chiffres · 6/10Compromis explicite.un chiffre propre calculé plus tard depuis les événementsRéponse
R6
Profils utilisateurs dans MongoDB
Partiel · 5,5/10
Document profil et historique · 5/10Modèle simple, croissance non abordée.Un document de profil, avec des préférences, et l'historique dedansRéponse
R7
Index pour les requêtes fréquentes · 6/10Aveu de limite.je ne saurais pas dire lesquels sans connaître les requêtesRéponse
R7
API de recommandation
Partiel · 5,3/10
Réponse de repli si le moteur tarde · 5/10Repli à délai.Je renverrais une liste de repli après un délaiRéponse
R8
Personnaliser par profil · 6/10Personnalisation basique.le profil donne les genres préférésRéponse
R8
Mesurer l'effet d'une recommandation · 5/10Comparaison pertinente.comparerais les clics avec et sans recommandationRéponse
R8
Usage de l'IA
indispensablePartiel · 5/10
S'il code avec un assistant IA (Copilot, Cursor, Claude Code, ChatGPT…) : quelles tâches de développement il lui confie, et lesquelles il garde · 5/10Tâches répétitives déléguées.les DTO, les tests de services NestJS et les migrationsRéponse
R3
Son workflow avec l'assistant : découper la demande, lui donner le contexte (fichiers, conventions), tenir la taille du contexte et le coût en tokens, itérer · 5/10Contexte fourni.Je lui donne le module concerné et nos règles de nommageRéponse
R3
Comment il relit, teste et corrige le code que l'assistant produit · 5/10Relecture complète.je relis chaque ligneRéponse
R3
Ce qu'il ne confie jamais à l'assistant : données confidentielles, sécurité, décisions d'architecture, cas où il s'est trompé · 5/10Périmètre sensible exclu.Je ne lui soumets rien qui touche aux clés ou aux données de paiementRéponse
R3
Un cas vécu où un assistant IA a changé son code ou son délai, et ce qu'il en a retenu · 5/10Erreur détectée à la relecture.un arrondi sur des montants qui perdait un centimeRéponse
R3