211电气本转码IC应用计算科学硕，25年10月毕业，到英国后本来打算读博就没考虑找工，25年下半年发现博士行情不好（大量扩招+导师方向一般）临时决定秋招。由于时间短只有电气类的水实习，项目经验是ai医学图像图像分割和物理模型数据同化，难以找到对口工作然后发现AI算法卷不过，图像卷不过，本身coding水平一般且没怎么刷过leetcode，老本行电气基本忘光，这种找什么岗位合适？目前看下来产品经理还行，但听说特别卷？春招都开始了，我感觉天塌了。

全都在筛选中，已经麻了😭

如题，楼主最近找了家小厂实习，每天任务蛮多的，虽然也有时间去背八股刷题，但是相比在学校每天全身心的投入背八股和刷题，真的差太多时间分配上很碎片化，有时候刷着刷着题，mt 提个需求就需要去忙他那边的问题，忙完回来接着学，然后又有其他问题下班回宿舍也没啥状态再学了，回宿舍就只想躺平😅

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...