校招社招看过来！集度招人了！

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...

总的来说，这是一场收获很大的面试，感觉面试官不是以老员工的角度来拷打我，而是以一个引路人的视角带着我去思考一些场景问题，用一些真实场景来向我展示平时所学应该如何应用，然后问问题也都是笑着和我聊天那种问法，感觉是一个很有人格魅力的人，就是在他面前基本上说不了谎，而且感觉他更喜欢那种真诚地回答以及真实的思考，真的对我自己有很大的帮助，真的给字节点个大大的赞

因为父母的原因，很小就移居加拿大了，但是一直很喜欢国内特别想能通过工作反向移回国内。现在我本科毕业在即，我在思考是以我掌握的知识能否在国内谋生呢？大概能去什么样的企业呢？如果不行，也许我该去读个研？ 有没有什么推荐的方向啊。万分感谢！

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...