Marico's space

人人都能搭一个 AI Agent。 但能让它在生产环境里稳定跑起来的，凤毛麟角。 这是我在 2026 年最大的感悟。 折腾了几个月，把 AI Agent 部署上线、监控、优化，给真实用户用上之后，我发现一个让人意外的事实： 最难的问题跟 LLM（大语言模型）几乎没关系。 模型只是庞大分布式系统里的一个组件。 生产级 AI 工程不再是拼提示词，而是拼软件架构。 DEMO 做完，生产才

最近折腾 MCP（模型上下文协议）生态下的自主 AI Agent，在把工具调用从沙盒推向生产环境的过程中，踩了不少坑。这篇把安全控制平面这个关键问题说清楚。 1. AI 从问答到自主执行的变化 过去十年，大多数 AI 集成的形态就是一个静态文本对话机器人：输入提示词，输出文字，无持久状态，无外部能力。这种模式风险低，因为它本身也没什么能力。 Anthropic 的 MCP（模型上下文协议）

最近折腾了 AWS CloudFormation（亚马逊云科技的基础设施即代码服务），踩了几个坑，这篇把核心概念、Stack 类型、生命周期状态和实际排错经验说清楚。相比手动在控制台点点点，用 JSON 或 YAML 写个模板，CloudFormation 帮你搞定剩下的事。 为什么要用 CLOUDFORMATION？ * 自动化 — 定义一次，部署到任何地方，不用手动操作 * 一致性

最近折腾AI Agent安全审计，踩了几个坑，这篇把问题说清楚。 AI Agent和MCP（Model Context Protocol，模型上下文协议）服务器快速普及，引入了一个传统安全工具从未覆盖过的攻击面。过去90天，我们研究团队对10个主流AI框架——包括CrewAI、AutoGen、LlamaIndex、LangGraph、Dify和Haystack——进行了系统性的AI安全审计，发现

我的首次 SIEM 部署：日志、经验与些许混乱 如果你想知道第一次搭建 SIEM（安全信息和事件管理）是什么体验，我告诉你：那是兴奋、困惑、成就感混合在一起，时不时还会冒出"这端口怎么又关了"的抓狂时刻。这周，我终于在 CloudShare 实验室环境里部署了一套 SIEM——来聊聊这段经历。 剧透：没有爆炸。但有几样东西确实"着火"了——比喻意义上的。 搭建舞台：我的 CloudShare

最近折腾了公司那条祖传部署流水线，踩了几个坑才搞明白这玩意到底在干嘛，这篇把问题说清楚。 你把代码 push 上去，几分钟后它就在线上跑着了，供真实用户访问。 但这两步之间其实跑着一长串基础设施：构建、打包产物、数据库迁移、健康检查、流量切换。搞生产的技术人天天依赖这条链路，很多团队到现在还是自己维护这套东西。 部署基础设施早就成了运营负担。最开始这是没办法的事，每个团队都得自己搭，因为市面

最近踩了个坑，让我认真想了一件事：开发者工具到底在跟什么竞争？ 2026年5月20日，AWS停用了DMS Fleet Advisor。 这是个什么东西？它是AWS出的免费数据库迁移评估工具，帮你回答每个迁移团队最开始都会问的问题：我的数据库资产里到底有什么？迁过去难度有多大？免费、全托管、靠山是全球最大的云厂商。 然后它就被停用了。 AWS的官方公告就一句话："经过慎重考虑，我们决定停止对

最近在给客户搭建本地大语言模型（LLM）推理服务时，被问到一个经典问题："模型跑在自己服务器上，数据不就不会泄露了吗？"这话听起来没毛病，但实际上，本地部署只是把风险边界从网络层挪到了提示词（Prompt）接口层。配置不当的本地 LLM 栈，可能同时面临提示词注入、工具滥用、对抗性推理攻击等威胁。 这篇聊点干货，拆解一下用 SGLang（高性能 LLM 推理引擎）和 Olares（本地 AI 编

最近在折腾自动化攻击工具，踩了个特别尴尬的坑——它会一本正经地告诉你"成功了"，其实毛都没有。 拿个工具扫目标，最 naive 的成功判断就是字符串匹配——看到 uid=0(root) 就当拿下 shell。但 banner 可以直接打印这行字，tarpit 可以在连接时自动推送出来。一旦成功信号本身就是假的，后面全完蛋：报告、"哪些主机沦陷了"的状态、下一步行动，全都被这个错误信号带偏。就是个

先说几句 这是一个系列，记录的是正在进行的工作的阶段性成果，不是已经完结的故事。不是什么学术论文，就是实实在在的工程经验总结，过程中踩过的坑、积累的心得，我都写下来。 为什么项目还没结束就急着写？因为细节容易消散——那些技术决策、那些中间观察、当时做决定的上下文，都会随时间模糊。趁还在做就写下来，也是我保存这些上下文的方式。这些上下文很重要，提醒我过去每个决策——不管是我的还是别人的——在当时