秋招难

211电气本转码IC应用计算科学硕，25年10月毕业，到英国后本来打算读博就没考虑找工，25年下半年发现博士行情不好（大量扩招+导师方向一般）临时决定秋招。由于时间短只有电气类的水实习，项目经验是ai医学图像图像分割和物理模型数据同化，难以找到对口工作然后发现AI算法卷不过，图像卷不过，本身coding水平一般且没怎么刷过leetcode，老本行电气基本忘光，这种找什么岗位合适？目前看下来产品经理还行，但听说特别卷？春招都开始了，我感觉天塌了。

本人由于实习，11月才开始投递简历，但是目前只收到2次面试双非本这么难吗，还有大厂是不是不收双非请教一下我与目标岗位的差距，这个岗位是不是卡学历？

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...