Marico's space

最近折腾微服务本地开发环境，踩了几个坑才把流程理顺。这篇把问题说清楚：怎么用 Docker Compose 配服务拓扑，用 Taskfile 套一层命令壳，让团队成员能一键启动、跑检查、看日志、干净重置。不会把底层工具藏起来，也不会搞一堆脆弱的 Shell 脚本。 具体场景是一个 API 服务、一个 Worker 进程、加 PostgreSQL（数据库）和 Redis（缓存）。涉及到 Docke

最近在给公司重构GraphQL架构，踩了几个坑，这篇把问题说清楚。 团队刚上GraphQL的时候，那感觉是真的爽。前端想要什么字段自己拼，一次网络请求搞定，类型还自动补全。但业务一扩张，问题就来了——GraphQL服务器变成了一个巨无霸单体。 假设你维护着一个服务几千万用户的国内电商平台，单用一个Node.js或PHP服务处理整个数据图，那这个代码库得同时理解用户、商品、评价、库存、支付……所

最近在折腾 AI Agent（人工智能代理）的评估体系，踩了不少坑，趁着记忆清晰把 Amazon Bedrock 的 AgentCore Evaluations 好好研究了一番。这玩意儿解决了一个很实际的问题：团队里有人用 LangGraph，有人用 LlamaIndex，还有人在试 OpenAI 的 Agents SDK，每个框架自带一套评估逻辑，互相之间根本没法对比。AWS 的解法很有意思——

折腾 AI Agent 有一段时间了，调 system prompt、试 chain-of-thought、跑 ReAct、把 GPT-4o 和 Claude 3.5 Sonnet 比了个遍，结果呢？Agent 还是在第三轮对话就失忆、还是前后矛盾、用户第二天回来感觉像在跟一个新人聊天。 说句可能被喷的实话：你的 Agent 根本不是推理有问题，是记忆有问题。 现在的大模型在给定的上下文窗口内

最近折腾贷款技术栈的架构选型，踩了几个坑，这篇把问题说清楚。 你的工程团队用四到六周就能搭一个 API（应用程序接口）聚合层。它从征信机构、KYC（了解你的客户）供应商、文档服务、合作贷款方拉取数据，标准化响应格式，然后返回给前端一个统一的对象。跑得起来。 但放到贷款发起流程里，这就埋雷了。 贷款 API 编排和 API 聚合的区别，不是学术架构讨论。这是选择哪种模式真正匹配贷款业务流程结构

随着企业纷纷把GPT-4这类大语言模型（LLM，大语言模型）集成到自家平台，他们很快会遇到一个致命问题：LLM会一本正经地胡说八道。这种现象叫"幻觉"（hallucination），本质原因是LLM本质上只是个概率预测引擎。如果你问一个现成的LLM关于昨天刚写的某条绝密公司政策，它不知道答案——但它不会说"我不知道"，而是会自信满满地编出一段语法完美、逻辑通顺、但完全虚构的内容。 在企业软件领域

最近在搞AI评估平台，踩了不少坑，终于把事件驱动这套东西跑通了。这篇把GCP上Pub/Sub、Cloud Tasks和Cloud Scheduler的实际用法说清楚，不整虚的。 为什么需要事件驱动 AI评估平台有个问题，用REST API根本没法优雅地解决：一个评估任务跑5到30分钟，涉及6个不同服务，中间随时可能挂。 用同步HTTP：超时、重试撞上已经完成的任务、调试噩梦。换成事件驱动：

最近折腾了几个月AI自动化接单，踩了不少坑，也跑通了几条能来钱的路子。这篇把企业真正愿意掏钱的AI自动化场景梳理清楚，顺手带做一个完整的demo——用n8n、OpenAI和Webhook搭一个AI增强的线索入库流程。适合想接这类项目的开发者，也适合想自己搭自动化管线的运营同学。 > 说白了，企业只会为直接影響现金流或客户体验的自动化买单。 什么是AI自动化 AI自动化本质是一条工作流：触发

最近折腾了一下临床试验技术栈，发现这玩意儿正在经历一场基础设施级别的重构。试验复杂度蹭蹭往上涨——分散化模式、跨国多中心方案、海量数据膨胀——运营摩擦的成本已经扛不住了。国内一个III期临床试验，每天直接成本动不动几万甚至几十万。但大多数进度延误的原因根本不是科学问题，而是运营层面的死锁：中心启动卡脖子、方案修订乱成一锅粥、数据孤岛到处都是。 GeekyAnts 之前发了一篇临床试验管理软件开发

上个月参与维护的一个开源项目，一周之内涌进来 40 个 issue。手工分类花了四个小时：读内容、打标签、定优先级、回复。动念头想上个 Agent 帮我做第一轮筛选。问题是：项目没钱买云资源，没 GPU，也没有任何 AI 预算。 零预算不是口号，是硬约束。 背景 这个仓库收到的 issue 包括 bug 报告、功能需求、环境配置问题各种混在一起。大部分 issue 篇幅不长，但有些会带上一