我就是个被焦虑所驱使的状态机——选方向选技术，找实习找工作，上班被裁员，每一个状态都在“怀疑自己—硬着学—新的焦虑触发”中循环滚动，到现在也没停过😭初始状态：方向选择的三岔路口，卷到失眠作为双非本科，真的被 “赛道选择” 逼疯：想冲算法？我看了牛客上的面经：985 硕，加顶会论文是标配，数学思维更是一道迈不过的坎；考公考研？又怕卷不到岸，更怕读完研还是卷不过年轻人，三年的时间成本怕一赌就输了；转研发？但纠结学 Java 还是 CPP还是GO还是Python还是前端还是嵌入式，听学长说 Java 岗位多但卷，其他的要么岗位少，要么难度高，对着电脑刷了3天知乎牛客b站小红书，最后闭眼选了 Jav...

刚刚去面了一家看起来只有10个人不到的小公司。我一进去他们的人：你先填表。然后我就填了如下内容：1. 个人基本信息：姓名，电话，学校等。2. 荣誉证书奖项等我没填的有：1. 个人身份证号2. 家庭地址3. 家庭成员信息4. 从高中到大学的学校信息5. 等...过了一会儿，然后他们把我的表交给面试官。面试官：这张表你就这样填的？那你不用面了。我：😅我寻思着也不是什么国家政府单位，而且还没入职和面试，为什么要填这么多消息？😅

敢问哪家大厂能在工位这件事上打过百度？L 型大工位真的太犯规了东西随便铺开、灵感随时落地这种自由感，谁能不心动啊🥹不服来战💪

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...