康冠科技硬件工程师面经8.7  一面终面    只有一次面试决定是否通过1.为什么选择珠三角这个地方来工作（改开前列，经济发达地区有更多机会，也有更多的资源）2.珠三角和长三角在同等条件下，会选择哪个区域，为什么3.平时有什么兴趣爱好4.个人有什么缺点（决策不够决断，指定目标的时候有些太远，可实施性不高）5.从哪里了解到的康冠6.对STM32单片机了解的多吗，32的GPIO口在我们使用的时候，需要进行哪些初始化动作（引脚复用的上下拉电阻，代码也需要确定使用输入输出；单功能接口不需要设置）7.STM32单片机的输入输出IO口最高工作速度，大概是多少兆8.项目中使用的传感器与单片机是怎么通信的，用...

这个面试官真的很温柔 也不拷打 就问你一些八股问题 真的是给了我这个面试新手很好的感觉 面完真的开心了一下午 因为感觉发挥的还不错 感觉有机会能进三面 后面也确实过了一个周末就通知三面了

我基本都在宿舍面试，也没啥讲究，直接开摄像头就开聊，也没有搞一个纯色背景，背后就直接是室友的床铺，不过面试官都挺理解，没也没有因为这个难为我。有次室友洗完澡，湿漉漉地从身后路过，我还在面试呢，面试官也没介意，就当是生活的一部分了，不过还是不要学我比较好，能找一个安静的环境最好

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...