作为嵌入式工程师，回顾过去的工作，AI时代带来了显著变化。以前，我的工作几乎全部依赖手写代码、调试硬件和排查问题，繁琐且耗时。每当遇到复杂的系统问题，调试、优化、查漏补缺都需要投入大量精力，工作压力大，时常加班。现在，AI工具极大提高了我的工作效率。自动代码生成、错误检测和优化建议减少了很多低价值劳动。AI帮助我快速处理硬件调试、内存泄漏、性能瓶颈等问题，节省了大量时间，让我可以更专注于系统设计和创新。虽然AI让工作变得轻松，但挑战依旧存在。嵌入式系统的复杂性要求我仍然保持扎实的专业知识和创新思维。AI为我提供了更高效的工具，但真正的创造性工作仍然依赖人类的思考。

两段实习了，下段想去大厂试试看，go，Java都可，偏向做go，求大佬们帮忙拷打下简历和提升方向

1h10min节奏超级快，全程追着项目细节拷打无八股手撕*2螺旋数组，输出大于某个值的最短子数组和项目细节:1.防止超卖是怎么设计的2.压测后提升qps的处理流程3.rag存储数据过多，肯定会有问题，如何对向量数据库中的数据压缩处理

从 Yao 等人，2022 引入了一个框架，其中 LLMs 以交错的方式生成 推理轨迹 和 任务特定操作 。生成推理轨迹使模型能够诱导、跟踪和更新操作计划，甚至处理异常情况。操作步骤允许与外部源（如知识库或环境）进行交互并且收集信息。ReAct 框架允许 LLMs 与外部工具交互来获取额外信息，从而给出更可靠和实际的回应。结果表明，ReAct 可以在语言和决策任务上的表现要高于几个最先进水准要求的的基线。ReAct 还提高了 LLMs 的人类可解释性和可信度。总的来说，作者发现了将 ReAct 和链式思考 (CoT) 结合使用的最好方法是在推理过程同时使用内部知识和获取到的外部信息。它是如何运...