锦浪一面

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...

大家都在鼓励你。自己也要争气啊！！！

刚来的时候觉得mentor好厉害，什么都会，说话平和。现在发现只是装的好罢了之前让我写个模块，告诉我要改成什么样，按照他说的改完了，也给他看过了。现在准备合入，又问我你为什么要这么写，你不觉得很麻烦吗？你对xx的理解是不是不对？自己工作太忙，跟别人开会沟通不畅，把脾气发在我的代码上，跟同事背后骂我不会写（当着领导的面），反正骂我干的烂是唯一零成本的呗

1. 深入聊聊你的项目，从架构设计到技术选型的考虑 (30min)项目背景和规模：我负责的抽奖系统是为电商平台设计的营销工具，主要用于节日促销、新品推广等场景。系统上线后日均抽奖10万次，高峰期每秒1500次请求。注册用户50万，活跃用户5万左右。架构演进过程：最初是单体架构，所有功能在一个项目中。随着业务增长，出现了性能瓶颈和维护困难。我们进行了微服务改造，拆分为用户服务、活动服务、抽奖服务、奖品服务四个核心服务。用户服务负责用户认证、权限管理、用户信息维护。活动服务负责活动的创建、配置、状态管理。抽奖服务是核心，负责抽奖逻辑、概率计算、库存扣减。奖品服务负责奖品管理、发放、物流对接。技术选...