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...

我真有点想骂人了

打算明年参加春招，求各位佬们指点下简历

恍恍惚惚也实习快半年了，工作主要是后端开发。 进了才知道是自动驾驶头部的明星初创（不是的话别打我🫣）。每天从家走路15min/骑车5min到公司属实很爽。 整体规模不大，工作内容还是很丰富。从python后端到java后端，中间又穿插了一个月前端开发（噩梦hhh），以后很可能还会涉及scala。长远来看，应该还是java和scala为主，go也有使用但是不清楚我会不会用上。 我本身是第一段开发实习，加上底子很弱，确实学到很多也成长很多。被分到各种任务有时候还是蛮慌张的，好在结果整体还ok！ 不提倡狂加班，还是以结果为导向，干完就可以溜溜球。加上通勤很少，整体强度不算很大。组内氛围也是挺不错的...