关于美团面试进度

⚠️ 正经招人，不正经说话 ⚠️别滑了别滑了！刷牛客刷半天，不就是想找个钱多、事稳的坑吗？我，华为 OD 在职 HR~~栗栗今天不装了，直接摊牌：年后 HC 爆炸多，我快被主管催疯了！Java / 前端 / 测开 / C++ / 运维 / 算法/Python/GO/嵌入式C/大数据等岗位，应有尽有，宝儿！！别问 OD 坑不坑，我只说人话：大厂流程，规范不瞎搞薪资透明，没有隐藏式扣款我这人最大优点：不养鱼、不套路、不消失、不尬聊、不强制安排流程，有商有量你留言或者直接找我，我当天回当天结能面我就推，不能面我直说，绝不吊着你--这一点我想很多私信我的都知道的，我没办法安排绝不忽悠参加机考，高一些没...

实习经历第一次写，感觉写的有点像在堆东西，但不知道咋改，有无高手指导。准备3月底开始投暑期，时间问题不大吧。    有一个mcp打错字了，忽略即可

还记得第一家实习公司，藏在写字楼的角落，整个开发团队不到十人，所谓技术栈，就是把若依改个名字当自研框架。CRUD写到昏头，那时憋屈得很，觉得浪费了应届生身份。现在回头看见过代码能烂到什么程度，才懂规范和质量不是空话，环境烂归烂，但脑子不能跟着一起烂。

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...