Marico's space

最近折腾了一套基于AWS的内部AI助手，踩了几个坑，这篇把问题说清楚。 把AI引入企业内部，不是简单接个大模型让人开始提问就完事了。要让内部AI助手真正有用，得让它能访问企业自己的资料，还得有身份验证、权限控制、输入输出安全、完整的日志记录，以及人和AI之间的明确分工。 这个项目我搭了一套基于AWS的内部AI助手，允许已认证员工用企业内部文档作为知识源跟AI助手交互。 整个系统用到的技术栈：

最近在找一个靠谱的 AI 工作流自动化平台，踩了几个坑，终于找到 OrcFlows 这套方案，用下来感觉解决了几个痛点，这篇把核心点说清楚。 TL;DR：OrcFlows 是一个面向生产级自动化的工作流平台。每个执行都是一个持久化的 Temporal 工作流，不怕崩溃、不怕部署。AI Agent 留有完整的决策轨迹。变更有版本管理、可对比变更、可测试，审批通过后才能从开发环境推到生产环境。可视化

最近折腾了一个小实验——写个脚本，看能不能自动从陌生人那里赚到1欧元，全程不需人工介入。这个约束条件其实是个好用的测量工具，因为它逼着你在做任何事之前先问一个问题：我能不能在这里发文？能不能用自己的渠道收到钱？ 大部分"去哪接私活"的建议对这两个问题都避而不谈。所以我直接实测了五个渠道，测试时间是2026年9月20日，每个数据都可以用一行命令复现。 1. DEV LISTINGS：API能调

最近在折腾一个文本编辑器的底层实现，踩了几个坑，这篇把问题说清楚。 你有没有想过，打开一个几十兆的文本文件，为什么现在的编辑器还能丝滑地跟上你的打字速度？每次敲键盘，字符应该瞬间出现才对。但在这个流畅的用户体验背后，藏着一个经典的计算机科学问题。 早年间个人电脑的内存资源极其紧张，如果编辑器在内存中管理文档的方式很糟糕，打一个字就可能导致整个系统卡死。为了解决这个问题，开发者们不得不在数据结构

最近折腾 RAG 系统，被 Embedding 评估坑了几次，这篇把问题说清楚。 向量数据库 15 毫秒返回 20 个文档，RAG 系统照样给你一个烂答案。 检索的核心难点从来不是生成向量，而是判断向量有没有把对的文档排在查询附近。 从这个角度看，Embedding 评估本质上是个信息检索问题。一旦想通这点，三个指标就变得特别有用： * Recall@k：我们到底有没有检索到相关信息？

最近在给项目做数据层重构，传统 RDBMS（关系型数据库管理系统）碰到瓶颈不得不找替代方案。这篇把我折腾过的 10 种现代数据架构模式整理出来，踩过的坑一起说清楚。 现代应用架构经常遇到单体关系数据库的扩展极限。传统数据库在单节点配置下能提供稳健的事务语义，但一旦需要水平扩展写流量、支持高维向量相似性搜索、或者处理源源不断的时间序列遥测数据，就得靠专门的存储引擎了。工程师在做数据库架构决策时，必

最近折腾了把 Paprika 900 个食谱迁移到 Mealie，整个过程踩了几个坑，这篇把迁移结果说清楚。Paprika 的食谱内容能完整过来，但周围的元数据基本全丢——配料数量、评分、收藏夹、缩放系数这些要么变成纯文本，要么直接消失。迁移本身很快，真正的活儿在后面的脚本修复阶段。 按人群划分的结论： * 用了十年 Paprika 3、攒了 900 个食谱的老用户：先一股脑导入，然后逐个字

Cursor AI 可以秒级扫描整个代码仓库并给出逐行建议，但大多数工程师只把它当普通自动补全用。这个思路等于把一把瑞士军刀当指甲刀，太浪费了。今天聊聊怎么把这工具的真正能力释放出来，在 Serverless Lambda 环境下做全上下文代码生成。 什么是 LLM 的“全仓库上下文” 为什么重要 – LLM（大语言模型）本质上是个统计引擎，根据它见过的所有内容来预测下一个 token（词或

这周 AI 开发者圈子挺热闹，OpenAI 发了一堆东西，Cognition 也上了新模型，GitHub Copilot 加了成本控制。我这几天把这些都跑了一遍，踩了几个坑，这篇把重点说清楚。 核心趋势是：模型已经不再是产品的全部了。OpenAI 现在把 Codex 背后的 agent 循环和语音层拆开卖了；Cognition 的 SWE-2 强调用更少的步骤完成任务；Copilot 让你设置"

你大概率已经在生产环境里埋了这个 bug，只是自己不知道。 你的应用处理一个订单：往数据库插一条记录，给合作伙伴的 API 发一个 webhook，两个操作都成功了。然后出问题了——可能是约束冲突、网络抖动、代码抛异常——数据库事务回滚了。 订单从来没存在过。但 webhook 已经发出去了。 你的合作伙伴收到了一条幽灵订单的通知，给一个从来没付款的用户发了货。你的系统里没有任何记录表明这一