Marico's space

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

最近折腾了 AI Agent Loop 的计划自动化，踩了几个坑，这篇把问题说清楚。 一个 Loop 能叫 Loop，得靠你没手动触发它、它自己在跑。三种心跳方式：会话内 /loop（你在键盘前）、云端 Routines（cron 定时任务，笔记本合上）、CI（GitHub Actions）。选哪个取决于工作在哪、谁需要醒着。然后：把发现的结果发到人工审核的收件箱，让空跑几乎不花钱——因为按天跑

最近折腾了把对象存储从阿里云 OSS 迁到 Cloudflare R2，迁移前做了番审计，结果发现团队在缓存命中率上踩了个坑——这个坑本来半天就能修好，但如果没发现就迁移，等于花时间和钱去掩盖一个本来能解决的问题。这篇把审计方法和判断逻辑说清楚。 有篇讨论存储流出费用的帖子里有句话说得在理：动任何东西之前，先搞清楚你到底在服务多少不同的资源，有多少是从缓存来的。 为什么我的流出账单和下载量对

最近折腾把项目里的提示词（Prompt）从代码里搬出来，踩了几个坑，这篇把过程记录下来。 大多数AI（人工智能）应用起步时，提示词都是直接写在代码里的： const systemPrompt = ` 你是客服助手。 回答要清晰，账单问题要升级处理。 `; 做原型阶段这样写完全没问题。 但当应用里有了多个提示词、团队有多个贡献者、线上用户在依赖这个行为时，问题就来了。 这时候团队会想把提