25届校招党，想当初校招最终得了3个offer，算不错的结果了，不过第1个 offer 也是12月才来。我也是经历过秋招的人，大家都说金九银十，仿佛十月还没录用希望就不大了，但我体会又并非如此。现在大厂越来越看重暑期实习转正，八九月往往是实习答辩集中时段，很多岗位其实已经留给了转正同学。这个阶段放出来的正式岗位，竞争往往格外激烈，除非背景特别突出，不然很难得到面试机会。当然，中小公司那时也会有一些面试，不过它们的招聘规模一直有限，机会自然也不多。我身边不少背景更优秀的同学，最后拿的offer却没有我的理想。我观察下来是他们没太弄清楚自己想要什么，所以导致最后不自洽，我是开始就明确想去一个技术氛...

秋招看着没戏，从九月份一直实习到一月份，马上看年过完了，连忙改简历开启春招。想投递海外投放，但发现除了一个海外投放项目经验，都是国内的投放经验。初步想法还是想干海外投放。但担心工作经历不垂直。球球各位大神给一下简历的修改意见😳

本人中(下)211大四，前段时间保研结束，想着玩几个月再找实习，12月下旬开始学习LLM的相关知识，至今刚好一个月，内容又多又杂，目前是在github找的一个简单的RAG，自己在上面改了几种检索方法，加了个agent的壳子，比起其他大佬的multi-agents，多模态，我这简直路边水平啊。我想着咋学都学不完，想就试着能不能找一个agent开发实习，目前简历还有什么地方可以优化一下吗？虚心接受牛爷爷们的建议，如果可以指导一下学习路线，项目推荐，就更加感谢了

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...