找工作会让人🐑萎

大家好，我是阿术。上一个文章提了，我在研二找实习的时候的拿到了阿里云和蚂蚁的 offer，这篇文章详细聊聊是怎么拿下这两个 offer 的。主要分为以下几个方面：个人准备招聘信息获取笔试面试个人准备我们这个专业技术岗一般就是开发和算法，算法薪资高一些，但是要求也高，普遍需要论文，我虽然也有，但是内容偏传统，不是机器学习算法，而且我们实验室主流的找工作方向都是开发，所以我也就按照开发岗的要求来准备。开发岗在笔面考察上就是项目、八股和算法。项目。读研时做过一些质量还不错的横向纵向，所以我就没有花精力另外准备项目，在实验室项目上改巴改巴就完事了。所以如果大家实验室做过一些质量还行，技术栈也匹配的项目...

今天面试的时候，面试官问我Java锁机制有哪些，突然synchronized忘记咋读了，全过程一直在那个那个s开头的什么什么来着那个锁……😭我真的服了我自己了

前几天出门玩去了回来后听从建议，删除了一些把握不住的内容，优化了简历语言表达，加了点量化数据，顺手把放上去项目的readme补充了一点仅仅找个实习来说，我感觉这个简历方向应该没什么问题了，希望前辈们不吝赐教还有一些想了解的细节问题:1.暑期实习和日常实习？如果不all in转正，只是为了秋招准备简历上有个实习，那两者有什么区别2.算法真的是突击hot100就够了嘛，我目前一道算法题没做过，才正准备开始做能不能直接爽爽背

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...