Marico's space

很多团队的开发工作止步于"能跑就行"。Jira tickets 关闭了，功能上线了，就万事大吉。但对于真正的工程师来说，这只是起点——真正的挑战在于代码不再只是文本，而是开始与基础设施产生真实的交互那一刻。 我决定开一个 ENGINEERING 专栏，因为我坚信：性能不是上线前临时抱佛脚的"调优"，也不是在死线前慌慌张张加个缓存。性能是架构的根基。 为什么要聊这个？ * 开发经济学：一个

最近折腾了自己的作品集（Portfolio）网站，踩了几个坑，总结出一套实用的优化思路。加载速度、SEO排名、日常维护，这三个问题搞定了，网站才能真正为你服务，而不是成为需要你伺候的累赘。下面直接说干货。 1. 先选个轻量级技术栈 性能优化的最大收益，其实在你写第一行代码之前就决定了。 * 技术栈要精简。静态站点生成器（Astro、Next.js 静态导出、Hugo，甚至纯 HTML/C

最近折腾 AI Agent 的长期记忆系统，踩了几个坑，这篇把问题说清楚。 一开始大家都觉得长期记忆必须得上向量数据库，得搭 RAG 管道。但看了一圈真正扛住大流量的 Agent 产品，发现它们不约而同选了更简单的方案：纯文本文件。 这不是技术退步，反而是个更强的工程选择。文件可追溯、可对比、可迁移，还能直接 Git 版本管理。 不过光有一堆文本还不够，想让这种方案真正 work，必须把存储

最近折腾多智能体系统，踩了几个坑，这篇把问题说清楚。 从单智能体LLM（大语言模型）方案切换到多智能体系统（Multi-Agent Systems，MAS），这事大多数时候是被逼出来的，不是你主动选择的。企业需求一膨胀，做过单智能体的都知道那套"瑞士军刀"式架构有多难受——工具调疲劳、幻觉率飙升、长流程状态根本管不住。 但话说回来，上多智能体架构也不是银弹。它引入的是一整套分布式系统的新问题：

几乎所有"手把手教你构建AI Agent"的教程，结尾都是同一个套路：模型调用工具，工具返回数据，模型用数据回复。演示效果拔群。 但教程没告诉你的是：工具超时了怎么办？模型连续三次调用同一个工具怎么办？模型调用了一个有副作用的工具但用户根本没这个意图怎么办？工具返回了错误但模型还是硬编了一个答案怎么办？ 这些不是边缘情况——这就是生产环境Agent的日常。分享五个我在每个上线的Agent里都会

最近给几个项目加了生物识别认证，踩了几个坑，顺手把正确的实现方式整理一下。这玩意儿看着简单，真正跑起来会发现一堆细节没处理到位，尤其是跨平台（安卓/iOS）的时候。 这篇文章不整那些花里胡哨的理论，直接上生产级代码和避坑指南。 为什么要用生物识别认证 先把价值说清楚，不然没法说服产品和老板： * 登录体验快，不需要输入密码 * 比传统密码认证更安全，指纹和面部信息难以伪造 * 安卓

最近折腾了一波 Apple HealthKit 和 Google Health Connect 的数据集成，踩了几个坑，这篇把问题说清楚。现在智能穿戴设备越来越卷，手环、手表天天往云端吐数据，怎么把这些乱七八糟的原始数据变成医院和保险能认的标准格式，是这行的核心技术挑战。 用 Go 做健康数据后端是个香饽饽——天然的高并发、低延迟，特别适合处理海量的可穿戴设备上报。接下来的内容，我会手把手带你设

最近折腾了 Cloudflare Workers 的 PDF 表单填充，踩了几个坑，这篇把问题说清楚。你在 Workers 上要给发票、合同、政府表格这类 PDF 填数据时，习惯性会想到无头浏览器或者绑个 PDF 库到 Lambda 上。在 Workers 上这两条路都走不通——Chromium 跑不了，单独起个 Lambda 来渲染 PDF 又把事情搞复杂了。其实填充 PDF 表单就是一次 HT

线上 AI 代理突然不响应了，日志里全是 503。代码没动过，配置没动过——但三个月前部署在 Cloud Run 上的那个 MCP 服务器已经不存在了。不是被废弃，是被迁移了、改名了，或者被新版本替代了，而新版本恰好不兼容。 这不是假设场景。这是我从一位日本开发者 ryoji9702 的详细博客里学到的，他记录了自己在一年内把 MCP（Model Context Protocol，模型上下文协议

最近折腾了 GitHub Actions 的缓存机制，踩了一个安全策略升级的坑，这篇把问题说清楚。 缓存是 CI（持续集成）流水线里没人会做威胁建模、直到它咬你一口才后悔的那部分。它快、方便，大家都当它是只读状态，偏偏它是流水线里少数攻击者可以在不克隆仓库的情况下写入数据的地方。（你做缓存的威胁建模了吗？） 2026年6月26日，GitHub 发布了一条更新："不可信触发的只读 Actions