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...

投了7、8天简历了，都没什么后文

网约车，测试开发方向挤出一个月时间给自己喘口气了😅

1. 自我介绍，说说你为什么想加入小红书回答框架：教育背景和技术能力项目经验和技术亮点对小红书的了解和兴趣为什么选择这个岗位2. 手撕算法：合并两个有序链表（保留原题）题目：将两个升序链表合并为一个新的升序链表并返回。答案： struct ListNode { int val; ListNode* next; ListNode(int x) : val(x), next(nullptr) {} }; ListNode* mergeTwoLists(ListNode* l1, ListNode* l2) { ListNode dummy(0); ListNode* tail = &dum...