题解 | #生成数字列表#

大家好，我是阿术。上一个文章提了，我在研二找实习的时候的拿到了阿里云和蚂蚁的 offer，这篇文章详细聊聊是怎么拿下这两个 offer 的。主要分为以下几个方面：个人准备招聘信息获取笔试面试个人准备我们这个专业技术岗一般就是开发和算法，算法薪资高一些，但是要求也高，普遍需要论文，我虽然也有，但是内容偏传统，不是机器学习算法，而且我们实验室主流的找工作方向都是开发，所以我也就按照开发岗的要求来准备。开发岗在笔面考察上就是项目、八股和算法。项目。读研时做过一些质量还不错的横向纵向，所以我就没有花精力另外准备项目，在实验室项目上改巴改巴就完事了。所以如果大家实验室做过一些质量还行，技术栈也匹配的项目...

27届前端，双非，这都马上过完年三月了，有点迷茫了，想去大厂，但是感觉没自信，目前hot100刷了一半，八股勉勉强强，项目基本熟悉了，感觉自己业务能力挺烂的，感觉去大厂的前辈都挺厉害的

我今年大二，昨天面了一个20几个人的小厂，一上来自我介绍，然后八股，问了redis持久化策略，aop，ioc，transactional啥时候失效，这个说了四五点吧，然后问我nacos知不知道，我说知道一些，回答了注册中心，调用者从那里拉取服务列表，还有给服务发送心跳大概这些，然后问了一个项目问题，然后他就说我这边买什么问题了，然后问我，你才20岁现在大几，可以实习多久，我看你的专业数字媒体技术为什么学这个方向呢，然后就是你有什么想问我的吗，全程15分钟，今天面试结果不太合适😭😭😭😭😭😭太合适，好难过啊家人们，到底为什么😭

在构建AI Agent（智能体）时，如何引导大模型有效完成复杂任务是一个核心问题。当前主流范式主要有两种：ReAct（推理+行动） 和 Planning & Extractor（规划+提取器）。它们都旨在增强模型的自主性和任务执行能力，但在工作流程和适用场景上存在显著差异。本文将通过实例对比两者的异同，帮助企业根据实际需求选择合适范式。一、ReAct范式ReAct由Shunyu Yao等人提出，其核心思想是让模型在生成过程中交替进行“推理”和“行动”。模型会先思考当前状态（Reasoning），然后决定采取什么行动（Acting），如调用工具、查询知识库，之后根据行动结果再次推理，直至...