Marico's space

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

最近折腾了一个小实验——写个脚本，看能不能自动从陌生人那里赚到1欧元，全程不需人工介入。这个约束条件其实是个好用的测量工具，因为它逼着你在做任何事之前先问一个问题：我能不能在这里发文？能不能用自己的渠道收到钱？ 大部分"去哪接私活"的建议对这两个问题都避而不谈。所以我直接实测了五个渠道，测试时间是2026年9月20日，每个数据都可以用一行命令复现。 1. DEV LISTINGS：API能调

最近在折腾一个文本编辑器的底层实现，踩了几个坑，这篇把问题说清楚。 你有没有想过，打开一个几十兆的文本文件，为什么现在的编辑器还能丝滑地跟上你的打字速度？每次敲键盘，字符应该瞬间出现才对。但在这个流畅的用户体验背后，藏着一个经典的计算机科学问题。 早年间个人电脑的内存资源极其紧张，如果编辑器在内存中管理文档的方式很糟糕，打一个字就可能导致整个系统卡死。为了解决这个问题，开发者们不得不在数据结构

最近折腾 RAG 系统，被 Embedding 评估坑了几次，这篇把问题说清楚。 向量数据库 15 毫秒返回 20 个文档，RAG 系统照样给你一个烂答案。 检索的核心难点从来不是生成向量，而是判断向量有没有把对的文档排在查询附近。 从这个角度看，Embedding 评估本质上是个信息检索问题。一旦想通这点，三个指标就变得特别有用： * Recall@k：我们到底有没有检索到相关信息？

最近在给项目做数据层重构，传统 RDBMS（关系型数据库管理系统）碰到瓶颈不得不找替代方案。这篇把我折腾过的 10 种现代数据架构模式整理出来，踩过的坑一起说清楚。 现代应用架构经常遇到单体关系数据库的扩展极限。传统数据库在单节点配置下能提供稳健的事务语义，但一旦需要水平扩展写流量、支持高维向量相似性搜索、或者处理源源不断的时间序列遥测数据，就得靠专门的存储引擎了。工程师在做数据库架构决策时，必