豆包VS微信 这波你站谁？

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...

1. 问一下本科经历2. 介绍一下你第一个项目3. DDD分层架构比传统的MVC有哪些好处？4. 你设计的业务分配的算法介绍一下？5. 算法有哪些优化思路？6. 动态标签列设计怎么思考的？7. 数据量有多大？8. 数据量很大的话，数据存储怎么优化？9. 如何保证缓存和数据库之间的数据一致性？10. 相对于你这个项目用哪种方案？11. 项目中遇到的最大的困难是什么？12. 介绍一下第二个项目13. 模型分析diff的上下文怎么考虑？14. 如果diff的关联的上下文很长超过token，你会怎么办？15. 你想的这种方案，最后输入给模型的prompt是什么？16. 对于大模型的其他组件如RAG和skills有了解吗？17. 那你有想过把代码拆分成一些知识库放在rag里面吗？18. 有对比过其他模型的分析效果吗？19. golang有了解吗？20. HashMap的底层结构21. 为什么要用红黑树？22. 红黑树增删的时间复杂度？23. MySQL事务隔离级别24. MVCC实现原理25. 手撕算法：lc402 移掉k位数字 -> 没想到单调栈，暴力枚举了QAQ反问面试官之后，感觉我的缺点主要在于项目太过于玩具了，对于高并发什么的思考处于比较浅的地步，还有就是code-review对于call graph还有一些成熟的方案不怎么了解过，相当于纯demo，面过几场才知道QAQ，估计是没啥希望了，继续沉淀了噶人们

###

面试题简述你平时用过线程池吧？那你说一下线程池有哪些核心参数？提交任务有哪几种方式？如果线程池里的任务抛异常了，你一般是怎么感知和处理的？面试官想听的这道题本质上考察的是并发模型的理解。核心考点在于：1、你是否理解线程池设计背后的资源控制和并发治理，而不仅仅是记住参数；2、你是否理解不同任务提交方式的语义差异，特别是它们如何影响任务的执行和异常处理；3、你是否处理过线程池异常丢失的问题，并能在生产环境中做到预防和监控。面试回答举例线程池的核心目标在于 复用线程、控制并发度、避免资源耗尽。线程池的设计围绕着资源控制和并发治理展开，其核心参数都是为了确保在并发任务量突增的情况下，既能保证系统稳定运...