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...

27届本科，写完简历感觉可以直接投字节

1. 自我介绍我之前在某某公司实习，主要参与 C++ 后端相关开发工作。 实习期间参与消息处理和服务端模块开发，涉及功能迭代、问题排查和性能优化。 技术栈以 C/C++ 为主，熟悉 STL、Linux 多线程和网络编程（TCP/IP），了解 MySQL、Redis 组件。 整体偏工程实践，关注代码质量、稳定性及性能优化，期待在 C++ 后端方向继续提升2. 项目介绍我参与开发了一个分布式实时流处理平台，负责事件数据的实时计算和多维聚合。项目难点在于高并发写入时线程锁竞争严重，导致延迟不稳定；同时状态同步复杂，内存容易泄漏。我主要通过以下方式解决了问题： 用无锁队列替代传统锁，减少线程竞争。 设...