个人背景与求职契机我是一名双非一本出身、拥有 6 年前端开发经验的从业者。此前因前公司组织架构调整，所在项目组被优化，我经历了半年多的职业空窗期。空窗期间我一度备考公务员，但感觉上岸难度较大；恰好我一直对华为 OD 平台很感兴趣，从德科的HR处了解到 OD 更新了院校清单，而我的母校正列于其中，于是决定抓住这个机会尝试投递。机考经历我提前两周多开始备考机考，整体来看考题有一定难度，但达到及格线还是比较轻松的。机考共三道题：第一题是数组与字符串相关的经典题型，第二题考察队列的应用，最后一题则是贪心算法类题目。和我平时刷的 LeetCode 题目相比，机考题目更偏向场景化，准确理解题意成了答题的关...

找寒假实习，薪资没有要求，想学习经验

投的简历跟大海捞针似的，不知道怎么改了已经上下是第一版简历，左右是第二版简历。

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...