Marico's space

Web 开发看起来像是独立于游戏开发的一个领域，但实际上现代 Unity 项目很少只存在于可执行文件里。账号体系、云存档、事件系统、客服工具、内容配置、内部仪表盘——这些都需要一个 Web 层。在游戏行业摸爬滚打 16 年，从 2016 年在 Ubisoft Montreal 做《Eagle Flight Arcade》的 Gameplay Programmer，到后来做《Meta Spirit

手动部署有个很明显的规律：平时一切正常，直到某个周五有人赶着下班改了个东西，测试没跑直接推了上去，结果 bug 在周末凌晨炸了生产环境。这不是纪律问题，是流程问题——压力最大的时候，恰恰是手动流程最容易挂的时候。 GitHub Actions 解决这个问题的思路是把流水线直接放在仓库里。没有独立的 CI（持续集成）服务器要维护，没有乱七八糟的外部集成要配置。工作流文件就躺在 .github/wo

最近折腾了一套新的开发者工具链，踩了几个坑，这篇把问题说清楚。 现代开发者工具领域正在经历一场安静但深刻的哲学转变。过去二十年，主流范式是高度抽象的：高级语言、托管运行时、动态脚本环境，这些东西优先考虑的是开发者速度，而非系统的可预测性。现在，一股反运动正在兴起，驱动力来自三个不同但正在汇聚的力量：Rust 这类系统级语言的内存安全保障、复古计算（尤其是 6502 架构）带来的严谨思维模型，以及

最近折腾微服务消息队列，在 Laravel 项目里集成 NATS（一个轻量级消息系统），踩了几个坑，终于把这块打通。这篇把问题和解决方案说清楚，顺便介绍下我做的 Laravel NATS 包。 做分布式系统，最大的挑战之一就是让服务之间可靠通信，又不搞出强耦合。Laravel 本身对队列、事件、广播、任务的处理已经相当完善，但涉及到 NATS 这个消息中间件，生态就比较匮乏了。 这就是我写 L

人人都能搭一个 AI Agent。 但能让它在生产环境里稳定跑起来的，凤毛麟角。 这是我在 2026 年最大的感悟。 折腾了几个月，把 AI Agent 部署上线、监控、优化，给真实用户用上之后，我发现一个让人意外的事实： 最难的问题跟 LLM（大语言模型）几乎没关系。 模型只是庞大分布式系统里的一个组件。 生产级 AI 工程不再是拼提示词，而是拼软件架构。 DEMO 做完，生产才

最近折腾 MCP（模型上下文协议）生态下的自主 AI Agent，在把工具调用从沙盒推向生产环境的过程中，踩了不少坑。这篇把安全控制平面这个关键问题说清楚。 1. AI 从问答到自主执行的变化 过去十年，大多数 AI 集成的形态就是一个静态文本对话机器人：输入提示词，输出文字，无持久状态，无外部能力。这种模式风险低，因为它本身也没什么能力。 Anthropic 的 MCP（模型上下文协议）

最近折腾了 AWS CloudFormation（亚马逊云科技的基础设施即代码服务），踩了几个坑，这篇把核心概念、Stack 类型、生命周期状态和实际排错经验说清楚。相比手动在控制台点点点，用 JSON 或 YAML 写个模板，CloudFormation 帮你搞定剩下的事。 为什么要用 CLOUDFORMATION？ * 自动化 — 定义一次，部署到任何地方，不用手动操作 * 一致性

最近折腾AI Agent安全审计，踩了几个坑，这篇把问题说清楚。 AI Agent和MCP（Model Context Protocol，模型上下文协议）服务器快速普及，引入了一个传统安全工具从未覆盖过的攻击面。过去90天，我们研究团队对10个主流AI框架——包括CrewAI、AutoGen、LlamaIndex、LangGraph、Dify和Haystack——进行了系统性的AI安全审计，发现

我的首次 SIEM 部署：日志、经验与些许混乱 如果你想知道第一次搭建 SIEM（安全信息和事件管理）是什么体验，我告诉你：那是兴奋、困惑、成就感混合在一起，时不时还会冒出"这端口怎么又关了"的抓狂时刻。这周，我终于在 CloudShare 实验室环境里部署了一套 SIEM——来聊聊这段经历。 剧透：没有爆炸。但有几样东西确实"着火"了——比喻意义上的。 搭建舞台：我的 CloudShare

最近折腾了公司那条祖传部署流水线，踩了几个坑才搞明白这玩意到底在干嘛，这篇把问题说清楚。 你把代码 push 上去，几分钟后它就在线上跑着了，供真实用户访问。 但这两步之间其实跑着一长串基础设施：构建、打包产物、数据库迁移、健康检查、流量切换。搞生产的技术人天天依赖这条链路，很多团队到现在还是自己维护这套东西。 部署基础设施早就成了运营负担。最开始这是没办法的事，每个团队都得自己搭，因为市面