腾讯云安全技术岗一面面经（实习岗，已过

1. 你在项目中遇到过最棘手的技术问题是什么？如何解决的？问题背景：在一个工业控制器项目中，设备在现场运行一段时间后会偶发性死机，但在实验室环境下无法复现，这个问题困扰了团队近一个月。问题分析过程：首先我们怀疑是硬件问题，检查了电源纹波、信号完整性、EMC等，都没有发现明显异常。然后转向软件排查，通过在关键位置添加日志记录，发现死机前系统会出现异常的内存访问。深入排查：我注意到现场环境温度变化较大（-10℃到50℃），而实验室是恒温的。于是在高低温箱中进行测试，终于复现了问题。通过JLINK调试发现，是Flash读取时序在极端温度下出现了问题，导致读取到错误的指令。解决方案：调整Flash等待...

都不敢投产品，投了个运营，为什么就秒挂了呀…

双非本211硕，无实习经历，打算三四月份投后端开发的暑期实习，有些问题问问各位牛佬们-佬们帮看一下简历还需要怎么改，有必要写专业技能之类的吗，再写的话简历就两页了，我打算有实习经历之后再写到两页-简历中的项目都是研究生期间做的，第一个是横向已上线，第二个在星球学的，第三个是小论文相关的，还需要再加点和agent相关的吗-目前八股进度几乎为0，过完年就三月份了，只看一个月的八股来得及吗-平时写算法题都是用的C++，如果面Java后端的话面试手撕会强制用Java吗-中大厂后端的暑期实习面试强度大吗

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...