Marico's space

最近一直在折腾 AI（人工智能）agent 成本控制，踩了几个挺典型的坑：重试策略写得太粗、单次任务没有硬上限、多 agent 共享预算被算成多份，最后只能月底看账单时才发现钱已经花出去了。 AI agent 成本控制的核心只有一条：必须在发起下一次调用之前止损，而不是账单出来后再想办法。 具体来说，就是先分类错误再决定是否重试，给每次运行设置步数与 token 上限，让同一次运行中的所有 a

最近折腾异步 Worker 的超时回收，踩了几个关于子进程、信号和容器环境的坑。这篇把任务超时后如何避免残留僵尸进程，以及超时信号如何可靠传播到 Worker，讲清楚。 系统架构与信号传播设计 在生产环境里，只要系统会处理异步任务或运行长时间 Worker 进程，优雅处理超时就是绕不开的问题。粗暴设置超时，常常只会终止或脱离编排进程，真正的 Worker 子进程却还在后台继续跑，结果就是资源

最近折腾了电商网站的物流对接，踩了几个坑，这篇把 Shiprocket API（应用程序接口）集成到 Node.js 和 React 项目里的完整流程说清楚。重点不是简单跑通一个接口，而是把认证、发货、物流轨迹和 Webhook（Webhook 回调）这些容易掉链子的环节一起处理好。 订单量起来之后，物流处理很容易变成瓶颈。创建订单之后，还要手动处理发货、生成面单、分配快递公司、跟踪包裹，每一步

最近折腾了几轮数据库迁移，踩了几个很隐蔽的坑，这类问题代码评审看不出来，预发布环境也未必能复现，上线后才突然暴雷。所以这篇把生产环境里最常见的 5 类事故拆开说清楚，顺便聊聊怎么在部署前把它们拦住。 下面这些迁移方案都能顺利通过评审，大多数甚至能跑通预发布环境。它们在生产环境中失败，通常也不是因为代码写得有多复杂，而是因为生产环境才同时具备三个条件：真实数据、真实流量，以及新旧代码并存的滚动发布

最近折腾了 Integromat 到 Make 的迁移，也顺手比较了几轮国内外的自动化平台，踩过的坑主要集中在条件分支、数组处理和任务失败后的补偿机制。这篇把 Integromat 如何变成 Make、它到底强在哪里，以及 2026 年还能不能上手讲清楚。 十年前，要连接两个企业软件应用，通常只能在两种糟糕的方案里选一个：要么招聘软件工程师，编写脆弱的自定义 REST（Representatio

最近折腾了 RTX 4090 的“2x FP16”，踩了几个坑，这篇把问题说清楚。所谓“2x”确实是真实存在的，但它并不等于训练任务能直接获得 100% 的性能提升。下面结合公开测试结果、实际 GEMM（通用矩阵乘法）表现和安装风险，梳理如何在自己的显卡上安全验证。 gpu-unlock-ada 是一个 Linux 内核模块。它会在系统启动时、官方 NVIDIA 驱动加载之前运行，把支持该功能的

你的 AGENT 流量究竟有多少是重复的？先测量，再缓存 最近折腾智能体（agent）缓存，踩了几个坑，这篇把问题说清楚。轨迹缓存（trajectory caching）只有在一批智能体持续解决相似问题时才划算。所以在上缓存方案之前——无论是我们的还是别家的——先测清楚流量是否真的存在重复。下面这份检查清单，是我会让工程师最先跑一遍的流程，也包括那些诚实的答案是“别折腾”的场景。 先从最不适

作者：Guangyi Zhao 日期：2026-10-14 主题：AI-Node-Sentinel（作者主导的开源项目，github.com/Ezra-Zhao/AI-Node-Sentinel），脚手架版本 v0.1，Python 3.12.3 环境：Linux x86_64 虚拟机，仓库代码未经修改直接运行；LLM（大语言模型）实验使用本地假 Provider 实现项目自有协议，未调用真实模型

最近折腾 AI 编程助手调试 Solidity 回滚交易、编写 Foundry 不变量测试，发现这套路子基本都会翻车： 1. 把错误信息或者原始交易哈希丢给 AI。 2. AI 先道歉，然后瞎猜三种可能原因，顺手建议重写一个本来没问题的辅助合约。 3. 如果让它生成不变量测试，它要么造一个脱离链上存储的"无状态"属性断言，要么搞个幽灵变量，测试通过但根本没碰真实合约状态。 问题不在于现在

前阵子折腾了一个有点离谱的项目：给大模型（LLM，即大型语言模型）装个鼻子。AI 能读、能写、能看、能听，但偏偏没有嗅觉——你问它冰箱里的牛奶是不是坏了，它只能老实说"闻不出来"。这不科学，毕竟我们每天靠鼻子来判断食物能不能吃。于是我们干脆自己造了一个。 ▶ 演示视频 (3:11)： youtu.be/n88pRiuib3U ▶ 代码 (MIT)： github.com/PGASlab/ap