江苏电信校招

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...

bg双非本西电硕投了20天没啥动静，有无大佬帮忙看一下简历给个建议，有偿也行😢项目是王二的rag和改良的点评。。

当年还在美团那个倒霉的 Peppr 团队工作时，我一直有个疑问：这群人每天到底在自嗨什么。每次开会一堆人围着一堆“看起来很高级”的文档转，模板统一、名词复杂、页数感人，每一页都在暗示一件事：“你不懂，是因为你不专业。”但现实是——代码照样写在 💩 山上，该出问题还是会出问题，这真的很逗，系统一出问题，文档的唯一作用就是证明：“我们当初确实认真写过文档。”所以本质区别到底是什么？是代码质量提升了，还是大家在精神层面完成了一次“工程师 cosplay”？有句话说得好潮水退去才知道谁在裸泳。还记得当时的马哥、明哥（图 1 左）最爱反复强调一句话：“所有场景一定要想到。”、“这个场景为什么没考虑到？”不过他们这些话我是真的听进去了。不然我也不会在一年多前就说：这个项目活不过两年。顺带一提，那段时间还有个固定节目。每次下楼，总能听见我明哥在吐槽不同的人。我从他身后绕过去，经常能听到他一边抽烟一边说：“xx 这小子太坑了，回头我一定要跟马哥说说。”于是深谙人情世故但真不会抽烟的我也会从口袋掏出一支低尼古丁含量的烟给自己点上，假意自己什么都没听到什么都不知道，只是来抽烟的。后来我才明白，这可能也是团队文化的一部分：问题永远在别人身上，而我们，永远在复盘里😂。

1. 介绍一下你做过的项目，重点说说技术难点 (15min)答案要点：选择1-2个最有技术含量的项目深入讲解强调：性能瓶颈分析、内存优化、多线程并发、崩溃率降低用数据说话：启动速度提升40%、内存占用降低30%、崩溃率从2%降到0.5%准备追问：为什么这么设计？有没有考虑其他方案？如何权衡的？2. 智能指针有哪几种？shared_ptr的实现原理智能指针类型：unique_ptr：独占所有权，不可拷贝只能移动shared_ptr：共享所有权，引用计数管理weak_ptr：弱引用，解决循环引用问题auto_ptr：已废弃（C++11）shared_ptr实现原理： template<typ...