用友

无八股 1. 自我介绍2. 为什么想做后端3. 实习为什么在做golang（我简历完全是 java）4. 最有成就感的一个东西5. 推荐系统如何做的？怎么获取用户画像？6. 有没有因为一件事情废寝忘食过？7. 如何评价 AI？以及是否借助 AI 完成过一个大项目？8. 假如你是团队负责人，马上要过年放假的时候，有人来让开发某个业务，怎么办？9. 未来的规划10. 一直在坚持做的事情

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...

作为程序员，我发现ai写代码总是会出一些bug我最近想到一个可能的原因：代码本质上不是“顺序的文本”，但 AI 模型是按照语言的逻辑在生成。先说语言。语言是天然的时序性信息：一个词接着一个词，说话的人一句一句说，听的人一句一句听。Transformer 这样的模型，就是把前面的词作为输入，再预测下一个词，然后继续往下推。这个逻辑完全符合语言的规律但代码不一样。编程语言里的很多东西，顺序其实没那么重要。比如在 C 里，你先定义结构体再引用，还是先引用再定义，只要编译器能找到，结果是一样的。代码更像一幅画，画家是一步步画出来的，但观众在看时看到的是完整的一张画。计算机存储图像时，也不会去记录画家的每一笔，而是一次性把每个像素的位置都保存下来。代码其实也差不多，虽然我们是逐行写，但真正运行时，它是作为一个整体被处理的。问题就出在这里。我们现在让 AI 用“写故事”的方式去“写程序”，它自然会经常出错。就算有些 Agent 会不断自我纠错，它折腾半天，还是没能改对，就会怀疑：是不是一开始把代码当成语言来处理，就是方向错了？也许未来的代码模型，不应该完全依赖时序展开，而是要找到一种新的结构？既能理解 token，又能直接理解代码的整体逻辑

本人之前有一段一个月的水实习，也没有涉及到具体的工作内容，可以编写一些项目经历写在简历里么？应该如何包装呢？想在年后3月左右找一份日常实习。同时，有没有大佬帮我看看上一条帖子哇哇哇，求助求助！感激不尽