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...

刚刚去面了一家看起来只有10个人不到的小公司。我一进去他们的人：你先填表。然后我就填了如下内容：1. 个人基本信息：姓名，电话，学校等。2. 荣誉证书奖项等我没填的有：1. 个人身份证号2. 家庭地址3. 家庭成员信息4. 从高中到大学的学校信息5. 等...过了一会儿，然后他们把我的表交给面试官。面试官：这张表你就这样填的？那你不用面了。我：😅我寻思着也不是什么国家政府单位，而且还没入职和面试，为什么要填这么多消息？😅

下一段实习想投大厂试试，知道自己做的两个项目有点烂大街深度也不够，可以从哪些方面改进呢求指点

下面这些词你认识几个？面试的时候被问到，能不能每一个都流畅的讲明白？ 所谓智能体，其实是由所有"不需要智能"的部分拼凑而成的；那些花里胡哨的新概念，大多不过是新瓶装旧酒。  涉及关键词： LLM Prompt Context Memory Agent RAG Function Calling MCP Skill Sub-Agent 💡 先清空大脑 忘掉你已知的一切，跟着故事线走--你会发现这些概念都是从同一个起点，一步步生长出来的。 🧠 第一步：语言模型长大了 一切混乱的起点，是这个古老的东西——语言模型。早期的小模型基本上是个智障，只会简单的文字接龙。不知道合不合适，...