金山办公内推

禾赛科技软件测试面经全程一个小时左右，需要写SQL和代码- 自我介绍- 项目提问- 项目里面的好友列表咋做数据库设计的- TCP四次挥手- python基本数据结构- 列表和数组的区别- 写SQL（用到分组、排序、聚合函数）- 写代码（输入一个数，各个位上两两交换位置，输出最大的数）全球激光雷达Top禾赛科技26届校招【企业介绍】全球领先的激光雷达研发与制造企业，全球激光雷达市占率No.1，美国纳斯达克上市。【开放岗位】商务类、产品类、项目管理类、销售类、系统类、芯片类、光学类、机械类、电子类、软件类、算法类、测试类、制造类【面向人群】毕业时间：2024.7-2025.12【工作地点】上海、杭...

零实习进大厂，本质上是因为他们的简历证明了他们不需要通过实习来证明能力。很多同学在大二大三就参加过ACM-ICPC等顶级算法竞赛，拿过金银牌，这种含金量远超一份在大厂里偶尔修修边角的实习经历。面试官在招人时，逻辑非常简单：实习经历是证明“你做过类似的事”，而竞赛成绩和高质量的开源项目证明的是“你具备极强的学习和解决问题的潜力”。在大厂看来，潜力往往比经验更值钱，因为经验可以积累，但那种极客般的敏锐度是很难培养出来的。

在隔壁看到这哥们儿发了9个月京东真是有钱啊鼠鼠又有动力准备春招了

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...