Marico's space

最近折腾了一下 Metabase，用它来搭建内部的数据看板，顺便踩了几个坑。这篇把部署流程梳理清楚，用 Docker Compose + PostgreSQL + Traefik 在阿里云 ECS 上跑起来，全套自动 HTTPS 配置，开箱即用。 设置项目目录和环境变量 Metabase 会把用户、看板、保存的问题等应用数据存在 PostgreSQL 里。先把项目目录和环境文件准备好。 1

2026年AI Agent集成的最佳可观测性工具 最近折腾AI Agent的集成可观测性，踩了几个坑，这篇把目前市面上几款主流工具的情况说清楚。 TL;DR Nango是构建、运行和观察AI Agent集成的最佳平台。团队可以在同一个平台上调查失败的操作并修改产生问题的集成。 Datadog、LangSmith、Langfuse、Arize Phoenix和Braintrust解决的是应

最近在项目中跑了几个 AI Agent（人工智能代理），踩了几个深坑才把安全问题理清楚。这篇不废话，直接把 AI Agent 沙箱化的核心思路和生产实践讲明白。 AI AGENT 沙箱化是安全自主操作的控制平面 问题出在 Agent 的执行速度比你的防护机制快的时候。浏览器自动化、Shell 命令、文件访问、代码执行，这些能力在 Agent 拿到不该碰系统的广泛权限之前都挺好用的。AI Ag

最近折腾了一个小费计算器，本来以为半小时能搞定，结果在除法取整和输入验证上踩了几个坑。这篇把实现过程和踩过的坑都说清楚，给想练手的同学当个参考。 小费计算器的核心逻辑很简单：输入账单金额和小费比例，算出小费金额和总额，再支持按人数分摊。拿餐厅场景举例，120元的账单，18%的小费比例，就是21.6元小费，总共141.6元。 小费计算器需要什么 用 JavaScript 做小费计算器，需要三

给 AI Agent 完全访问你整台电脑的权限，这事儿想想就挺刺激的。 尤其是当这个 Agent 能够： * 执行终端命令 * 安装软件包 * 读写文件 * 调用外部服务 * 自主完成多步骤任务 这些能力恰恰是 Hermes Agent 强大的地方。 但同时也引出了一个关键问题： > 这些操作到底应该在什么环境里跑？ 与其把 Hermes Agent 直接跑在宿主机上，我决定

最近折腾 Polymarket 量化交易 Bot，踩了几个坑，这篇把核心架构问题说清楚。 当一个 Bot 开始真正做交易决策的时候，它就开始变得难以维护了。 拉取订单簿容易，发送订单也容易。真正的工程难题在于：市场状态、策略状态、订单状态、仓位、风险控制、执行行为这些模块全都在异步变化，你怎么保持它们之间的一致性？ 这才是正经的 Polymarket Bot 架构要解决的问题。 作者：Bo

让 AI agent 查个东西，它说已经起了个子 agent 来处理。又发了两条消息后我问它查完了没，它信心满满地告诉我：根本没起过什么子 agent。 但确实起了。七秒就跑完了，答案就在那儿候着。问题是 agent 已经看不见它了，于是它做了大模型遇到信息空白时都会做的事：编。编了一个 ID agent_0，去找，找不到，就断定这事从没发生过。 这个 bug 催生了 FLASH 0.5.4。

最近折腾了一把自己的 NoSQL 到 SQL 数据迁移工具，翻了不少资料，发现一个挺有意思的现象：SQL 迁移这个领域积累了快 20 年的工程经验，Flyway、Liquibase、dbmate 这些工具把schema 变更这个难题玩出了花，但隔壁 NoSQL 迁移工具圈子里，这些经验几乎没人用。不是说这些知识保密——全是开源的，文档齐全，大厂生产环境验证过的——就是没人把它们搬过去。 所以我先

最近折腾了一套基于AWS的内部AI助手，踩了几个坑，这篇把问题说清楚。 把AI引入企业内部，不是简单接个大模型让人开始提问就完事了。要让内部AI助手真正有用，得让它能访问企业自己的资料，还得有身份验证、权限控制、输入输出安全、完整的日志记录，以及人和AI之间的明确分工。 这个项目我搭了一套基于AWS的内部AI助手，允许已认证员工用企业内部文档作为知识源跟AI助手交互。 整个系统用到的技术栈：

最近在找一个靠谱的 AI 工作流自动化平台，踩了几个坑，终于找到 OrcFlows 这套方案，用下来感觉解决了几个痛点，这篇把核心点说清楚。 TL;DR：OrcFlows 是一个面向生产级自动化的工作流平台。每个执行都是一个持久化的 Temporal 工作流，不怕崩溃、不怕部署。AI Agent 留有完整的决策轨迹。变更有版本管理、可对比变更、可测试，审批通过后才能从开发环境推到生产环境。可视化