Marico's space

最近折腾数据库存储引擎，踩了几个坑，这篇把问题说清楚。 顺便做了一个实验：用 Docker 起一个 PostgreSQL，往两个不同的存储引擎里各塞 500 万行数据，然后故意把数据库掐掉，看看会发生什么。如果你已经懂原理了，直接跳到第三部分动手玩。 先说结论：数据库引擎就是那个把"保存这行"变成磁盘上的字节、再读回来的东西。没有银弹。行存储适合事务，LSM 树适合高并发写入，列存储适合分析场

最近被问到"你们项目应该用单体还是微服务"的次数太多了，每次都得从头解释一遍。这篇把核心问题说清楚，不整虚的。 先说个暴论：很多团队盲目上微服务，就是被大厂的光环晃了眼。阿里、腾讯这些大厂确实在用微服务，但那是人家的业务规模和团队规模决定的。你要是三五个人、刚起步的产品，非要拆成十几个服务，那不是给自己找不痛快吗？ 微服务解决的是真实的问题，但同时也会带来新的问题。这篇不站队，把两种方案的优劣

线上服务器跑 Docker 时，偶尔会遇到需要重启 Daemon（守护进程）的情况。这篇把操作方法和几个坑说清楚。 在基于 systemd 的 Linux 服务器上，重启 Docker Engine 服务的命令是： sudo systemctl restart docker 重启完成后验证一下是否正常： sudo systemctl status docker docker info

最近折腾定时把爬虫数据写进 Google Sheets，踩了几个坑，这篇把问题说清楚。 一次性往表格里写数据很简单，但要实现每小时自动同步、无人值守，问题就来了： * OAuth 需要人工介入。 在浏览器里点"用 Google 登录"很方便，但定时任务、webhook 或者 AI 代理没法帮你点击。而且刷新令牌会过期（测试模式的应用 7 天就失效）。 * 追加不等于"写到最后一行下面

最近折腾了一套面向自主Agent的架构方案，踩了几个坑，这篇把核心设计理念说清楚。 自然界里，蚂蚁群体不需要中央指挥就能协调行为。每只蚂蚁根据局部信号——比如信息素——和简单规则做出反应，大量信号交互后涌现出能解决复杂问题的群体行为。 这个类比对思考分布式系统很有启发，但有个重要区别：软件架构不应该简单复制自然，而是要把它的原则——局部性、信号、协同和适应性——转化为可验证的技术机制。 在当

最近折腾了一圈工作流自动化工具，试了 Zapier、Make 这些主流平台，也上手了 n8n。踩了几个坑，顺手写篇测评，把 n8n 这个开源方案说清楚。 核心要点 * GitHub 206k 星，60.9k 分支，热度说明一切 * Fair-code 许可——可自托管也可云端 * 400+ 集成，原生 AI 能力 * 2019 年由 Jan Oberhauser 在柏林创立 * 一条

最近折腾了一下 Metabase，用它来搭建内部的数据看板，顺便踩了几个坑。这篇把部署流程梳理清楚，用 Docker Compose + PostgreSQL + Traefik 在阿里云 ECS 上跑起来，全套自动 HTTPS 配置，开箱即用。 设置项目目录和环境变量 Metabase 会把用户、看板、保存的问题等应用数据存在 PostgreSQL 里。先把项目目录和环境文件准备好。 1

2026年AI Agent集成的最佳可观测性工具 最近折腾AI Agent的集成可观测性，踩了几个坑，这篇把目前市面上几款主流工具的情况说清楚。 TL;DR Nango是构建、运行和观察AI Agent集成的最佳平台。团队可以在同一个平台上调查失败的操作并修改产生问题的集成。 Datadog、LangSmith、Langfuse、Arize Phoenix和Braintrust解决的是应

最近在项目中跑了几个 AI Agent（人工智能代理），踩了几个深坑才把安全问题理清楚。这篇不废话，直接把 AI Agent 沙箱化的核心思路和生产实践讲明白。 AI AGENT 沙箱化是安全自主操作的控制平面 问题出在 Agent 的执行速度比你的防护机制快的时候。浏览器自动化、Shell 命令、文件访问、代码执行，这些能力在 Agent 拿到不该碰系统的广泛权限之前都挺好用的。AI Ag

最近折腾了一个小费计算器，本来以为半小时能搞定，结果在除法取整和输入验证上踩了几个坑。这篇把实现过程和踩过的坑都说清楚，给想练手的同学当个参考。 小费计算器的核心逻辑很简单：输入账单金额和小费比例，算出小费金额和总额，再支持按人数分摊。拿餐厅场景举例，120元的账单，18%的小费比例，就是21.6元小费，总共141.6元。 小费计算器需要什么 用 JavaScript 做小费计算器，需要三