哭了

感觉过完年第一天上班有点晕班。来到工位刚想打开笔记本电脑，发现电脑太久没打开，被覆盖在上面的一层手汗粘住扳不开了！我真有点绷不住了。好不容易扳开电脑，电脑的ui界面和MAC的操作系统感觉还是相当陌生。当天的工作内容主要是在回忆节前遗留下来的一些工作，最难绷的是节前写了个sql写一半，还是执行报错的程度，当时想着节后再改改，没想到回来发现我完全不记得这个写一半的sql是要干嘛了！无奈只得重写个sql。真有点晕班啊感觉好困，下班回家就睡着了。本来承诺日更agent相关的学习文章的也没更，但是大家放心后面周末会补回来的，该系列文章大概分为3部分：AI认知篇：详细讲解相关基础概念AI实践篇：分享诸如s...

rt，鼠鼠0实习，大学四年晕头转向的就过完了，老老实实的什么也没做，手里比较有含金量的只有一个项目。走的后端开发，真是卷的不行，问的问题一个比一个变态。秋招大败而归，大厂中厂都面个一遍了，只有寥寥几个走到二面了，其他一面都没过。天天焦虑的要死，春招还有机会吗？真不行想走测开了，测开有没有指导？

最近看到很多 92 的，甚至是硕士，开始往测开赛道卷，说实话有点看不懂。先把话说清楚，大厂里的测开，绝大多数时间干的还是测试的活，只是写点自动化脚本、维护测试平台、接接流水线，真正像开发一样做系统、做架构、做核心平台的测开少得可怜，基本都集中在核心提效组，而且人很少，外面进去的大概率轮不到你，我想真正干过人都清楚。很多人被洗脑了，以为测开也是开，和后端差不多，只是更简单、更轻松、还高薪。现实情况是，测开和开发的职业路径完全不一样。开发的核心是业务和系统能力，测开的核心是稳定性和覆盖率，前者是往上走，后者天花板非常明显。你可以见到很多开发转测开，但你很少见到干了几年测开还能顺利转回开发的。更现实一点说，92 的高学历如果拿来做测开，大部分时间就是在做重复性很强的杂活，这种工作对个人能力的放大效应非常弱。三年下来，你和一个双非的，甚至本科的测开差距不会太大，但你和同龄的后端、平台开发差距会非常明显。这不是努不努力的问题，是赛道问题。所谓测开简单高薪，本质上是把极少数核心测开的上限，当成了整个岗位的常态来宣传。那些工资高、技术强的测开，本身就是开发水平，只是挂了个测开的名。普通人进去，99% 做的都是项目兜底型工作，而不是你想象中的平台开发。测开不是不能做，但它绝对不是开发的平替，也不是性价比最优解。如果你是真的不想做开发，追求稳定，那测开没问题。但如果你只是觉得测开比后端容易，还能进大厂，那我劝你冷静一点，这只是在用短期安全感换长期天花板。有92的学历，如果你连测开这些重复性工作都能心甘情愿接受，那你把时间精力用在真正的开发、系统、业务深度上，回报大概率比卷测开要高得多。想清楚再下场，别被岗位名和话术带偏了，就算去个前端客户端也是随便占坑的，测开是一个坑位很少赛道，反而大面积学历下放，不用想也能知道会是什么结果，我想各位在JAVA那里已经看到了

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...