卓驭 嵌入式中间件实习 面经写一写面经，回馈一下社区。⌚️timeline：五月底👋part1：自我介绍 && 项目介绍1. 项目里的内存占用，资源使用的性能评估？性能优化的思考？2. 端侧大模型的选型？3. 机器人比赛中最难的一个问题？技术方案的选择用了多长的时间？4. 之前实习的主要工作？方案是如何确定的？5. 对车载中间件的了解？6. 。。。忘了🤏part2：八股拷打1. 设计模式？平时开发有用到过哪一些设计模式吗？2. 对多态的了解？静态and动态?3. 虚函数里面父类和子类的交互？4. C++容器中vector和list的差异？5. vector的底层实现原理？扩...

由于今年行情有点异常，很多人拿到了三十大几 K 的 offer， 甚至很多应届就拿到了 40 多 K。 有时候就突然觉得好像很多同学在原本在同一起跑线上，然后一下子经过秋招，可能一辈子都赶不上人家的工资了。心里会觉得凭什么呢？好像他也没比我强太多。但是仔细想想，好像人生就是这样，大部分人能力其实是差不多的，更多不一样的是选择和个人的际遇。想到这里可能心里稍微好过一些。但是也希望大佬们不要再拿着很高的薪资，然后说是侮辱价了，因为很多人拿不到这么高的工资。

鼠鼠刚拿下了一个上海小公司的 offer，结果要辅导员电话，我给辅导员儿简单沟通了一下，直接劈头盖脸骂了我一顿，我真是服了 真的好痛苦😭😭😭，到底怎么办呀

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...