8.28 美团一面

没想到小丑竟是我自己，本来没想这个事，但是当看到这个话题，我自己盘算了一下，我居然是我历经大厂学历最低的。 总体来看，虽然92也有漏网之鱼，但90%的基础素质都很高，毕竟寒窗苦读十年，人家的付出不能算白费。但是你说有多么惊才绝艳嘛，那也不至于。 92保证了基本的起点和素质，也就是底线，但没并有保证上限。而事实证明，不管多牛的人，可能最后都会背上房贷，然后鸡娃，然后一代又一代循环往复。（根据我观察的情况来看，双非本不是没机会，但是你要战胜92的竞争者才可以）一、华为 当初为了进华为，确切来说是华为OD，宵衣旰食啊。早上8点起床刷算法，中午吃个外卖或者泡面，边吃一边刷，有时候饭都吃不完，一直干到晚...

差点把线上搞崩那次，到现在想起来手心还会出汗。实习第六周，我改了一个配置参数。自测过了，跑了几个case没问题，心想这么小的改动走什么灰度啊，直接上呗。提交MR的时候mentor拦住了我，说走灰度。我当时内心是翻白眼的——至于吗？灰度放了1%的量，五分钟之后监控开始报警。我改的那个阈值，影响了下游一个缓存服务的淘汰策略。我看着监控面板上那条飞起来的红线，感觉自己的血也凉了。mentor倒是很淡定，一键回滚，然后跟我说：这个接口日调用量几千万。如果刚才全量上了，你今天就可以体验什么叫P0事故复盘了。那一刻我是真的怕了。不是怕被骂，是怕影响真实的用户。之前在小厂实习，出了bug重启一下就好了，DAU才几千，没人在意。但大厂不一样，你敲的每一行代码背后都是真实的人在用。从那以后我再也没有跳过任何一个流程。你说大厂的流程烦不烦？烦。但被流程保护过一次之后，你会真心感激这份烦。感谢我师，就我🐶命

要么不回。要么回的就是些这😅

核心定义ReAct 是能让大模型“边思考、边行动”的推理框架，让 LLM 像人类一样通过多轮交互解决复杂问题Thought-Action-Observation 运转逻辑ReAct 循环中有三大要点：Thought：模型分析当前的局面，大任务拆解成子任务，决定当前最需要做什么Action：根据前面的思考结果，生成具体的操作指令Observation：接收真实环境对操作的反馈结果这就有了一个闭环：想清楚再做，做完看反馈，基于新反馈接着想ReAct + Function calling 怎么运转？在 ReAct 需要与外部系统结合时，免不了调用工具，执行链路如下：评估与决策：模型接收用户请求，判断...