Marico's space

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

最近折腾事件驱动架构，踩了几个坑，这篇把四种方案说清楚：Webhook、EventBridge 风格 API、Event Sourcing、CQRS。 这四种技术经常被混为一谈，但其实解决的问题完全不同。选错了要么白忙活，要么把自己坑进去。 什么是事件驱动系统？ 事件驱动系统不直接请求数据或调用功能，而是通过发布「已发生的事实」来进行通信。 比如： * 订单已创建 * 支付已完成

最近折腾了一下 LangChain agent 的安全性测试，踩了几个坑，这篇把问题说清楚。 你的 agent 跑通了，demo 演示也没问题，然后就不知道怎么继续了？ 大多数团队的下一步就是：上线。agent 能用，demo 顺利，从"能用"到"上生产"之间似乎没有什么明显的下一步。但问题就藏在这个间隙里。不是因为 agent 测试本身有多难，而是因为做测试的工具都期望一个东西——一个普通的

最近折腾了 MongoDB 的聚合管道，在生产环境里踩了几个大坑，这篇把问题说清楚。集合数据量到了几亿甚至几十亿级别的时候，管道写得不讲究，分分钟把整个集群拖垮。这篇文章从聚合阶段的底层执行机制讲起，梳理常见的性能瓶颈，然后给出实打实的优化方案——管道重排、索引利用、分片策略、内存管理，都是我们在线上验证过的经验。 目录 * 1. 聚合管道的执行机制 * 2. 常见性能瓶颈 * 3.

最近折腾了一套完整的 CI/CD 流水线，从 GitHub 代码托管开始，一路经过 Azure DevOps 构建、Docker 镜像推送、Helm 部署，最终跑在 AKS 上。踩了不少坑，这篇把整个过程和关键概念说清楚。 目标不是做个多复杂的应用，而是理解应用代码从源码到真实部署环境这个过程里，到底发生了什么。 最终要搞清楚的流程是这样的： Developer | v GitHub Rep