1. 碎碎念：从“收到邮件”到“上岸渡劫”接到京东 HR 那个带着北京口音的 OC（Offer Call）电话时，我正瘫在宿舍的电竞椅上发呆。直到挂了电话，看到邮箱里躺着的那封意向书，我才确信自己真的熬过来了。简单回顾一下这条战线。从八月份盲投简历，到做完那种让人做到头秃的行测笔试，我一直都没抱太大希望。毕竟京东的“采销经理”岗是出了名的核心业务线，这帮人手里捏着采矿权和定价权，是真正的尖刀连。所以，当九月中旬突然收到二面（业务高管面）的视频会议链接时，我当时只有一秒钟的兴奋，紧接着就是无止境的恐慌。会议详情里写着面试时间预计 45 分钟。我盯着屏幕，心里直打鼓：我之前那两段中规中矩的电商实习...

bg双非本科，方向是嵌入式。这次秋招一共拿到了 8 个 offer，最高年包 40w，中间也有一段在海康的实习经历，还有几次国家级竞赛。写这篇不是想证明什么，只是想把自己走过的这条路，尽量讲清楚一点，给同样背景的人一个参考。一、我一开始也很迷茫刚决定走嵌入式的时候，其实并没有一个特别清晰的规划。网上的信息很零散，有人说一定要懂底层，有人说项目更重要，也有人建议直接转方向。很多时候都是在怀疑：1.自己这种背景到底有没有机会2.现在学的东西到底有没有用3.是不是已经开始晚了这些问题，我当时一个都没答案。二、现在回头看，我主要做对了这几件事第一，方向尽早确定，但不把自己锁死。我比较早就确定了嵌入式这个大方向，但具体做哪一块，是在项目、竞赛和实习中慢慢调整的，而不是一开始就给自己下结论。第二，用项目和竞赛去“证明能力”，而不是堆技术名词。我不会刻意追求学得多全面，而是确保自己参与的每个项目，都能讲清楚：我负责了什么、遇到了什么问题、最后是怎么解决的。第三，尽早接触真实的工程环境。在海康实习的那段时间，对我触动挺大的。我开始意识到，企业更看重的是代码结构、逻辑清晰度，以及你能不能把事情说清楚，而不只是会不会某个知识点。第四，把秋招当成一个需要长期迭代的过程。简历不是一次写完的，面试表现也不是一次就到位的。我会在每次面试后复盘哪些问题没答好，再针对性补。三、我踩过的一些坑现在看也挺典型的：1.一开始在底层细节上纠结太久，投入产出比不高2.做过项目，但前期不会总结，导致面试表达吃亏3.早期有点害怕面试，准备不充分就去投这些弯路走过之后，才慢慢找到节奏。四、给和我背景相似的人一点建议如果你也是双非，准备走嵌入式，我觉得有几件事挺重要的：1.不用等“准备得差不多了”再投2.项目一定要能讲清楚，而不是做完就算3.不要只盯着技术，多关注表达和逻辑很多时候，差的不是能力，而是呈现方式。五、写在最后这篇总结不是标准答案，只是我个人的一次复盘。后面我会陆续把自己在嵌入式学习、竞赛、实习和秋招中的一些真实经验拆开来讲，希望能对后来的人有点帮助。如果你正好也在这条路上，希望你能少走一点弯路。

几年前还没有chatgpt的时候，刷题真的是很痛苦。刷不出来只能看题解，题解有几个问题：第一个是每次看的写题解的人都不一样，很难有一个统一的思路；第二个也是最重要的是，题解只提供了作者自己的思路，但是没有办法告诉你你的思路哪里错了。其实很少有错误的思路，我只是需要被引导到正确的思路上面去。所以传统题解学习起来非常困难，每次做不出来难受，找题解更难受。但是现在chatgpt能做很多！它可以这样帮助你 -1. 可以直接按照你喜欢的语言生成各种解法的题解和分析复杂度。2. 把题和你写的代码都发给它，它可以告诉你 你的思路到底哪里有问题。有时候我发现我和题解非常接近，只是有一点点🤏想错了。只要改这一点点就是最优解。信心倍增。3. 如果遇到不懂的题解可以一行一行询问为什么要这样写，chatgpt不会嫌你烦。有时候我觉得自己的range写错了，其实那样写也没错，只是chat老师的题解有一点优化，这个它都会讲清楚。4. 它可以帮你找可以用同类型解法来做的题。然后它可以保持解法思路不变，用一个思路爽刷一个类型的题。如果题目之间思路又有变化，它会告诉你只有哪里变了，其他的地方还是老思路。5. 它也可以直接帮你总结模板，易错点。经过chat老师的指导，我最大的改变是敢刷题了。之前刷题需要先找某一个人写的算法题repo，然后跟着某一个人他的思路刷他给的几个题。如果想写别的题，套用思路失败了，没有他的题解，也不知道到底哪里错了；看别人的题解，思路又乱了。这个问题在二分查找和dp类型的题里面特别常见。但是现在有chat老师，他会针对我的代码告诉我我哪里想错了，应该怎么做；还按照我写代码的习惯帮我总结了一套属于我的刷题模板。每天写题全是正反馈！

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...