元戎启行嵌入式面经(友好)(初次面)    开局直接讲项目，我把最拿得出手的项目一讲(tc377 gps+九轴陀螺仪+摄像头+图像处理)的比赛。期间被多处细问但完美解决。    然后问了一个spi通信原理，我给忘了(我怎么能把这给忘了啊😤😤)，只讲了个大概。    问了一个pid，p i d各自含义及用处。    跟面试官讲实话:我才开始背八股文，C++和数据结构还没咋预习，C语言最熟。也就只问了最简单的C语言。(面试官人真的很好😭😭😭)    问了一个二维数组地址是否连续。    问了一个在64位系统下。    short i[]={0，1}    printf(sizeof(i)...

社区里全是牛人大佬。大一大二各种比赛，大三各种顶尖实习。研究生的话，我能接受，本科生展现这种实力，我觉得还是太牛掰了。看简历都是各种顶尖项目。都这么夸张了吗。按道理来说，在大学里，做兼职赚钱，成绩优异，英语过得去，有相关的项目经验，只要有任意一两项，我在生活中都觉得他很优秀了。牛客里老是刷出全能怪物，简直非人哉啊。看到都吓人，这真的是人类能完成的嘛。

路过的大佬拷打一下吧，蜀黍是学院本，在一家小公司实习了3个多月，没有什么高并发，特别nb的技术，想问问各位大佬有优化的地方吗？有机会找个稍微好一点的厂吗？

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...