岗位名称：推荐算法面试时长：1h+自评分：7/10是否下一轮：待通知一、检索与排序在项目中使用的 BM25 原理是什么？相比 TF-IDF 改进在哪里？公式中每一项的含义是什么？（追问）k1 和 b 参数分别控制什么？如果 b=0 会发生什么？为什么在实际系统中要做混合检索？Sparse 检索和 Dense 检索的基本原理分别是什么？（追问）两种方式在长尾 Query 上的表现差异如何？Dense 检索中常见的相似度度量方式有哪些？为什么很多系统选择 Cosine 或 Inner Product？（追问）如果向量没有归一化，Inner Product 和 Cosine 的结果会有什么差异？在你...

想找个中小厂寒假实习，规模20～9999人公司，bos上沟通160+（大部分未读，小部分已读不回），投出7份简历，一个面试也没有，各位佬能帮我看看简历吗？😭😭

我的第一家实习公司，算是小厂吧，我个人觉得。第一家实习公司，是学校在短时间内让我们赶紧去找的，也怪我当时没有这个意识，当“花花公子”天天吃喝玩乐去了，所以在短时间内，根本没空考虑时间什么的，随便找了一个小厂就进去了，然后在那做了三个月，期间，真的感觉到了和正职还是有差别的，正职过生日吃蛋糕，都躲在会议室偷偷吃，不给我们实习生哈哈哈，虽然也不是为了那一口蛋糕吧，但是心里也挺不得劲的

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...