让我来统计下准备参加春招的有多少

岗位名称：推荐算法面试时长：1h+自评分：7/10是否下一轮：待通知一、检索与排序在项目中使用的 BM25 原理是什么？相比 TF-IDF 改进在哪里？公式中每一项的含义是什么？（追问）k1 和 b 参数分别控制什么？如果 b=0 会发生什么？为什么在实际系统中要做混合检索？Sparse 检索和 Dense 检索的基本原理分别是什么？（追问）两种方式在长尾 Query 上的表现差异如何？Dense 检索中常见的相似度度量方式有哪些？为什么很多系统选择 Cosine 或 Inner Product？（追问）如果向量没有归一化，Inner Product 和 Cosine 的结果会有什么差异？在你...

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😭

都不敢投产品，投了个运营，为什么就秒挂了呀…

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...