中移金科

岗位名称：推荐算法面试时长：1h+自评分：7/10是否下一轮：待通知一、检索与排序在项目中使用的 BM25 原理是什么？相比 TF-IDF 改进在哪里？公式中每一项的含义是什么？（追问）k1 和 b 参数分别控制什么？如果 b=0 会发生什么？为什么在实际系统中要做混合检索？Sparse 检索和 Dense 检索的基本原理分别是什么？（追问）两种方式在长尾 Query 上的表现差异如何？Dense 检索中常见的相似度度量方式有哪些？为什么很多系统选择 Cosine 或 Inner Product？（追问）如果向量没有归一化，Inner Product 和 Cosine 的结果会有什么差异？在你...

双方原为男女朋友关系，推测是吵架分手，男生要钱（符合男生人设）。男方先说：“把钱还我。”转头又轻蔑一句：“不用了。”要钱的是他，拒绝的也是他——不是大方，是拿金钱当筹码；不是放下，是用冷漠划清她的卑微。女方终于爆发：“和你认识是我难以启齿的黑历史！”连讽刺都带着痛：“请开水滴筹吧！”——不是同情，是看透他的算计与虚伪。点赞过十万，追更后续。

人生第一笔工资！！！实习工资，每天300，一月13号入职，一共发了4050！！虽然不多，但是第一次感觉到自己的价值（...或者说价格吧）回想起在学校的时候，每周开组会，挨骂，干不完的活，每个月可怜巴巴的学校发的600补贴。每天都要去实验室，老登安排人定时拍照发在大群，太压抑了。但是！我快毕业了！！我领到了第一笔工资！！好日子快来了！！！希望大家都越来越好！！！

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...