腾讯IEG 后端开发实习面经流程很快，效率棒棒哒10.10投递，10.11日过初筛，约一面到10.13，10.16就结束hr面了，6天速通一面 10.13挑一个项目讲打开项目github看，对照源码问了些问题Redis 用过什么数据结构Reids怎么实现分布式锁10亿条消息去重说下去会好好看看我的github(开源贡献比较多)算法题二面 10.15聊了下项目一聊了下项目二gmp调度模型go gctcp可靠性有哪些机制大模型的原理兴趣爱好玩啥游戏（金铲铲，暗区突围，王者荣耀，皇室战争，总之腾讯游戏玩的雀实多，也充了不少钱其实)Hr面 10.16等offer中。。10.24 offer腾讯2027...

- 27届双非本，比赛打废了- 无考研打算，准备就业----又修改了一下简历----再度爆改简历。

简历求拷打，投了好几个月，各种各样的岗位都试过，什么消息都没有

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...