Marico's space

最近折腾了一款叫 Hemory 的 App，专门解决一个问题：你的 AI 助手知道你在网上搜了什么，但它不知道你今天下午跟客户聊了什么。这个工具本质上是把你的日常对话变成可搜索的记忆，让 AI agent（人工智能代理）能调取你真正说过的话。这篇把核心用法、最实用的几个提示词、以及怎么用它赚钱都说清楚。 一句话总结： Hemory 是个持续监听的应用，把你的日常对话转成可搜索的记忆，通过 MCP

这两年在生产环境里跑 AI Agent，踩过的坑比想象中多得多。最初以为只要砸钱上最大的模型就能解决一切问题，结果发现同样一个模型，换个"外壳"表现能差出一倍不止。这篇文章把 Agent Harness（智能体框架层）这个概念彻底讲清楚，为什么它比模型权重本身更能决定你的应用能不能上生产。 在前几年大模型爆发的时候，整个行业几乎陷入了一种"唯参数论"的狂热——觉得任何技术瓶颈，不管是代码幻觉、编

最近在项目中引入 AI 代理（Agent），踩了几个坑，这篇把问题说清楚。 AI 代理的能力越来越强了。 能搜信息、能跨数据推理、能调用工具、能操作应用，越来越频繁地替我们干活。 机会是巨大的。 但也引出了一个我觉得值得更多关注的问题： > AI 代理“能”访问某样东西，就意味着它“应该”访问吗？ 当我们从主要生成回答的 AI 助手，走向能执行动作的代理时，负责任的 AI（Respon

最近折腾了一个身份验证系统的课设项目，踩了几个坑，这篇把踩坑经验和设计思路说清楚。身份验证是现代应用安全的基础，不管是校园管理系统、在线教育平台还是企业内部工具，都需要一个可靠的方式来识别用户、控制访问权限。 一个登录表单看起来很简单，但构建安全的身份验证系统远不止接收用户名和密码这么简单。完整的设计必须保护密码安全、验证用户输入、安全管理会话、防止未授权访问、处理登录失败场景、保护敏感信息、提

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