广州天翼云

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...

鼠鼠是java+agent选手。大三上半学期基本把后端相关知识点都过了一遍，寒假开始又看agent相关的。agent这主要看了rag，spring ai，还有各种协议mcp,a2a大部分都涉猎了。大模型微调这一块还没开始，这的占比不知有多大。求指导第一次怎么找到实习，想找后端+agent的😽😽😽。

如题，楼主最近找了家小厂实习，每天任务蛮多的，虽然也有时间去背八股刷题，但是相比在学校每天全身心的投入背八股和刷题，真的差太多时间分配上很碎片化，有时候刷着刷着题，mt 提个需求就需要去忙他那边的问题，忙完回来接着学，然后又有其他问题下班回宿舍也没啥状态再学了，回宿舍就只想躺平😅

自我介绍实习经历介绍（这里就不详细展开，因为每个人不同，下面会记录一些闻到的通用的场景题）做一个开放平台需要有哪些模块开放平台的鉴权如何做，有没有了解过OAuth2开放平台的网关能做一些什么事情KV数据库的选型怎么考虑如何设计一个秒杀系统热点行更新是具体怎么做的对 AI 了解到什么程度为什么想要做Agent相关的工作飞书的MCP工具是如何写的你的AI coding的经验有哪些（因为给面试官说AI代码覆盖率到90%+，所以问了很多）如果做一个通用Memory的功能未来如何打算无算法题