1. 碎碎念：从“两眼一黑”到“意向到手”家人们，谁懂啊！刚收到小米意向书的那一刻，我手都在抖。先交代一下我的渣渣 BG：某双非普通一本，传媒专业，大二大三在两家名不见经传的小公司做过新媒体实习。简历拿出来，在清北复交满地走的校招群里，真的属于那种“背景板”选手。投小米的时候纯属抱着“雷总选我我必冲”的抽奖心态。结果笔试居然过了，收到面试通知那一刻，我整个人直接“两眼一黑”。兴奋也就持续了三秒，紧接着就是无止境的恐慌：我就那点只会写写推文、剪剪视频的皮毛功夫，拿什么去跟那群大厂实习收割机硬刚？尤其是看到面经里说，小米的面试官特别看重底层逻辑和增长思维，我当时心里咯噔一下，感觉自己那点实习经历薄...

实习啥都没干，这是包装过的

双非本科准备投春招，之前秋招投了一部分感觉回复很少，怎么修改简历才能更容易收到面试呀？

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...