二十多岁，就像突然被推到一片旷野。高中之前的生活，几乎是为了高考服务。刷题、补课、考试，唯一目的，考个好大学。等高考结束，很多人会立刻投入到新的竞争。绩点、保研、考研，更优秀的从大一开始给自己简历加分。我考上了研，我为什么考研，我不知道。因为之前，我好像没时间想。我开始有空做一些“没用”的事。去参加从来没试过的活动，开始实习，接触完全不同专业的人，尝试写代码之外的事，只是想看看，我在做什么事情的时候，不会总看时间，在什么环境里，会觉得自在。我第一份工作，在携程。当时有个特别的项目，六个人，用JavaScript搭一套前端框架，把公司内部的系统都接进去。后来很多团队都在用。那段时间，我经常和其他...

rt，27届末流985本硕，想做大模型开发相关工作。目前该简历战绩：联想oc，人工智能实习生科大讯飞oc，助理研究算法工程师美团一面无消息（大概率挂），大模型智能体后端工程师百度一面挂，NLP大模型算法实习生OPPO二面无消息（估计挂在HR面）得物一面秒挂（KPI面），AI工程算法实习生中电信TeleAI一面挂，大语言模型算法实习生厦门快商通一面挂广州施耐德电气泡池子广电运通一面挂------手动分割线------求各位佬狠狠拷打

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...