Marico's space

最近在搞数据库迁移项目，甲方要把Oracle数据库里的代码往其他数据库上迁。Oracle有个PIVOT函数用得还挺爽的，但目标数据库不支持这语法，遇到一堆代码要改，手工一个个翻不仅累还容易出错。踩了几次坑之后，试了试ZGLanguage这个开源工具，发现批量处理还挺香的，这篇把实战经验分享出来。 先说背景：跨数据库迁移时，SQL语法不兼容是常事。碰到大量代码需要重写的情况，手工处理费时费力还容易

安全不只是技术活，更是一道资源分配的数学题。 一个AI平台，架构设计图画得再漂亮，如果缺了下面这些东西，照样千疮百孔： * 足够的安全工程师 * 靠谱的监控 * 漏洞处理能力 * 事件响应团队 * 安全测试 * 云安全控制 * AI安全评估 * 备份基础设施 * 合规支持 * 培训 * 长期维护资源 所以安全这件事，必须认真做预算和规划。 目标不是： > 在安全上花

大多数网站和SaaS产品都在被一个隐形的转化杀手慢慢耗死：移动端性能烂得一塌糊涂。 在顶配Mac上用光纤宽带跑Lighthouse，拿个95分简直轻松加愉快。但一旦切换到移动端——也就是Google模拟的那台低端安卓机，限速4G网络，往返延迟150ms——分数直接崩到四五十。 给Klickspell做性能审计的时候，我们遇到了熟悉的困境：桌面端99分，移动端却只有四五十分，绘制慢、渲染阻塞、布

在2026年的Web开发领域，架构选型早已不是什么新鲜话题，但真正能在实际项目中做出正确选择的团队仍然寥寥无几。我见过太多创业公司在初期选了微服务结果被运维成本拖垮，也见过传统企业为了赶潮流强拆单体，最后系统复杂度翻了几倍却没换来任何实质收益。这篇文章不聊虚的，直接从业务和技术两个维度把模块化单体和微服务的取舍讲清楚。 核心问题与业务/技术影响 架构决策的核心矛盾其实很直接：既要快速交付功能

前几章把数据库、认证鉴权、API 基础设施讲清楚了，这章聊聊文件存储这个子系统。 AI（人工智能）平台要处理的用户数据种类不少： 图片 视频 音频 文档 PDF 文件 文本文件 生成式媒体 处理后的输出 临时处理产物 这类二进制数据直接塞进 PostgreSQL 是不行的。 正确的做法是分离： 元数据 ↓ PostgreSQL 大文件二进制数据 ↓ 对象存储 最终架构是这样：

最近在研究AI Agent在安全测试领域的落地情况，踩了不少坑，这篇把2025-2026这个赛道的最新进展系统梳理一遍。说是"自动化测试工具升级"已经不够准确了—— autonomous Agent 正在重写攻防格局。 1. 从"辅助工具"到"自主猎手"：拐点在哪？ 真正的标志性拐点出现在2025年6月：XBOW——一个完全自主的渗透测试 Agent——登顶 HackerOne 美国区漏洞赏

最近折腾了阿里云和AWS的权限管理，发现很多新手在IAM这块容易踩坑——要么给权限给太大，要么根本不知道自己的账号在裸奔。这篇把AWS IAM、权限模型和共享责任这些核心概念说清楚，适合刚接触云安全或者准备考AWS认证的同学。 云上跑生产环境，安全是底线。但很多人在阿里云、AWS上建机器、调配置，却忽略了最根本的访问控制问题。下面这套东西理解了，至少能少踩一半的坑。 你会学到什么 学完这篇

最近折腾了代理型 AI（人工智能）系统的 Prompt Caching，踩了几个坑，这篇把问题说清楚。 如果你在做 Agent（代理）开发，需要调用工具、等待外部任务、或者处理多轮推理，那八成会盯着 Token 数量看。这很正常——但如果你的云服务提供商已经有缓存机制，那"精简 Token"就不再是首要原则了。 这篇文章聊聊为什么代理型系统的 Prompt Caching 改变了成本和工程的权

现在每个 agent 框架都在推"记忆"功能，每个厂商都信誓旦旦说自己的方案能让 agent 不会再跟用户说"很高兴认识你"——哪怕他们已经聊过五十次了。这周的一个热门讨论——你的 AI 什么都记得，但什么都信——正好戳中了这个问题的本质：记忆工具擅长存储，却不擅长判断什么仍然是真相。选工具的时候我真正关心的就是这条轴，而不是什么向量维度或者选用哪个向量数据库。 我用同一套测试场景跑了四种方案：

最近折腾 FSx for ONTAP，在文件门户里塞了 182 个 ONTAP 操作。结果跑起来之后，集群告诉我一堆文档里压根没写的东西。每个都是错误码的形式出现，不是文档里能提前看到的问题。 这篇跟之前那篇不一样。之前那篇聊的是界面设计，这次是实打实的测量记录。读者定位是直接调 FSx for ONTAP ONTAP REST API 的开发者——不一定要做门户，只要调同样的 API，踩的坑是