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...

最近也面了好几家公司字节-抖音研发：一面挂，脏面评了B站-直播测试：面试官觉得我服务端测试经验不足，半小时结束，手撕都没出百度acg质量部：面试官不开摄像头，一直盯着我那没意义的项目的一个点狠狠攻击，半小时结束，无手撕，应该是 kpi 面了快手-商业化：一面 50 分钟大部分在问实习，因为上一段实习和这个面试的很垂直，又问了一些数据库和 redis，消息队列的八股手撕：力扣 80 删除有序数组中的重复项当天晚上约二面隔一天二面：25 分钟问了实习，一道三数之和，反问后结束，面试官说会稍微看重一点代码能力半小时后 hr联系口头 offer，当天下午发 offer快手效率这一块因为快手这个业务组和我上一段实习，非常垂直，面试起来也比较得心应手吧，进度推的也很快最近期末周，又要复习，又要面试，回学校前，还在上班，这三个叠一起，真的感觉忙不过来了，再加上一开始的字节和 B 站秒挂，很大程度上给我了一些打击，不过好在挺了过来继续加油吧附：之前一直投快手，简历挂了两页

产品经理也太太太卷了，11月鼠鼠拿着自以为完美的简历结果投出去杳无音讯，（一块石头扔海里还有水花啊喂）要不要这么卷！！！后来鼠鼠找到了个广告运营的岗位进去实习了三个月，再次自信满满的开始投简历，投的也都是电商运营或者商业化运营的岗位。虽然不像刚开始那样一个看上鼠鼠的公司都没有，但是和大厂依旧相差甚远，全都已读不回大厂怎么这么难进啊，谁来救救鼠鼠，哪怕能进面也行啊。附上鼠鼠现在的简历

1、自我介绍介绍了一下我自己啥情况，之前在哪个公司实习过，主要参与 C++ 后端相关开发工作。 实习期间我做过消息处理/服务端模块开发，参与了功能迭代、问题排查和一部分性能优化工作。 技术栈方面，我主要掌握 C/C++，熟悉 STL、Linux 开发环境、网络编程（TCP/IP）、多线程与并发编程，了解常用的数据结构与算法，也用过 MySQL、Redis 这类常见组件。 整体上我偏工程实践，比较关注代码质量、稳定性和性能，想在 C++ 后端方向继续深入。2、单例模式和工厂模式的作用单例模式：保证一个类全局只有一个实例，适合日志、配置中心、线程池这种“全局只要一个”的对象。 工厂模式：把对象创建...