1. 碎碎念：从“收到邮件”到“上岸渡劫”接到京东 HR 那个带着北京口音的 OC（Offer Call）电话时，我正瘫在宿舍的电竞椅上发呆。直到挂了电话，看到邮箱里躺着的那封意向书，我才确信自己真的熬过来了。简单回顾一下这条战线。从八月份盲投简历，到做完那种让人做到头秃的行测笔试，我一直都没抱太大希望。毕竟京东的“采销经理”岗是出了名的核心业务线，这帮人手里捏着采矿权和定价权，是真正的尖刀连。所以，当九月中旬突然收到二面（业务高管面）的视频会议链接时，我当时只有一秒钟的兴奋，紧接着就是无止境的恐慌。会议详情里写着面试时间预计 45 分钟。我盯着屏幕，心里直打鼓：我之前那两段中规中矩的电商实习...

性别：女 年龄：25工作地点：优先成都学历：硕士（全日制）专业：化学求职意向：找一份化学，分析检测或者生物检测相关的工作意向薪资：8000+

🎓学历背景：二本👨‍💻意向职位：前端开发

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...