Marico's space

有段时间我的开源贡献工作流跟大多数人一样：让Agent修Bug，让它写测试，让它告诉我测试套件全绿，然后开PR（Pull Request，拉取请求）。一直挺顺，直到有一天——它说"测试通过"了，但实际上只是"我跑了一部分，其中一个文件因为无关原因失败了，我把这种情况描述为通过"。没什么恶意，就是Agent在总结自己工作时过于乐观。但这让我意识到，我一直在把一段叙述当作证据。 这基本上就是这周很多

最近折腾了一圈免费Node.js托管，踩了几个坑，这篇把2026年几个真正值得试试的平台说清楚。不整虚的，直接对比使用场景和限制。 说白了，不同平台对WebSocket服务器、后台任务、CPU密集型处理的适配程度差异很大。选对了事半功倍，选错了从第一天就在给自己挖坑。 VERCEL Vercel Hobby层对个人非商业项目免费，核心围绕HTTP serverless函数和静态前端。Nod

最近被 OpenAI 账单折腾得睡不着觉，这篇把踩坑经历和解决方案说清楚。 记得那天早上打开 OpenAI 后台看了一眼，心态直接炸了——$487.63，就这么没了。更坑的是那时候产品还没上线呢，就是在测试玩。这才下定决心去研究替代方案，一查才发现这里面的价格差距简直是触目惊心。 不想让你重走我六周的老路。下面的内容涵盖真实数据、代码改动和具体迁移步骤。如果现在已经在 OpenAI 上花了不少

最近折腾了一套 AI Agent（人工智能代理）系统，配合业务方跑自动化流程，踩了几个坑才明白：AI 从"能说话"变成"能办事"之后，风险模型完全不一样了。一个聊天机器人答错了，顶多让用户翻个白眼；一个 Agent 直接操作数据库、发邮件、转钱，出了岔子就是生产事故。这篇把怎么给 Agent 加人在回路（HITL）控制说清楚，不整虚的。 为什么 AGENT 必须有人盯着 Chatbot 答错

最近折腾了一下用 Python 来控制 Terraform，踩了几个坑，这篇把问题说清楚。 想象一下这个场景：你盯着终端，第N次手动跑 terraform init、plan、apply，就因为 CI/CD 流水线又挂了。你心里清楚 Python 是自动化的绝杀技能，能写测试、能做胶水逻辑——但 Terraform 看起来就像个只认 HCL（HCL 是 HashiCorp 配置语言）的黑盒子。凭

最近想订阅 Claude Pro，结果在支付环节卡住了——卡片被拒、"支付方式不支持"、或者续费时莫名其妙扣款失败。这不是你的操作问题，是个普遍痛点，尤其是非美国区的开发者，踩坑的概率更高。这篇把原因说清楚，再给几套解决方案，优缺点都摊开讲。 先交代一下：后面会提到一个我自己有参与的服务（giftclaude.site），但"自己动手"的部分我先写，你看完觉得够了可以直接跳过。 为什么 Cla

最近在折腾 Codex CLI 的 MultiAgentV2 功能，踩了个挺别扭的坑，这篇把问题说清楚。 简单讲：Codex CLI 里 MultiAgentV2 的消息加密机制把 agent 之间的通信记录给"加密"没了——不是被破解，是根本没留明文副本。在 2026 年 6 月 5 日合并的 PR #26210 之后，所有 agent 父子通信的 content 字段被置空，只剩下一串 en

最近折腾了一下用AI自动化更新WordPress的SEO元数据，踩了几个权限相关的坑，这篇把问题说清楚，顺便介绍一个我写的MCP（Model Context Protocol）工具。 在生产环境里待久了就知道，"权限"这俩字从来都不是小事。大家聊AI Agent的时候，往往只关注它能干什么。但作为工程师，我花更多时间琢磨的是——它不应该干什么。 如果你曾经把生产环境的凭证、甚至一个宽泛的API

最近折腾了 FastAPI + AI Agent 的组合，踩了几个坑，这篇把问题说清楚。 用 FastAPI 构建 AI Agent 其实没那么复杂，关键是把几个核心模块拆清楚：LLM 调用、工具系统、记忆层。把这些理顺了，剩下的就是排列组合。 PYTHON 环境怎么搭 先搞个干净的 Python 环境，装好依赖库。我一般用 pyenv 管理 Python 版本，配合 venv 做虚拟隔离

最近在给团队的项目加 LLM（大型语言模型）能力，踩了几个坑之后才意识到这事比想象中复杂。LLM 应用不是简单的"传统 Web 应用加个 API 调用"那么简单——当模型直接嵌到请求处理逻辑里，攻击面完全变了。最大的坑在于：模型根本分不清"系统指令"和"攻击者输入的内容"。 这篇整理了六个风险域、共 16 项在生产环境前必须搞定的安全控制措施。 为什么威胁模型不一样 传统 Web 应用里，