Marico's space

Hello world

说起 AI Agent（智能体），很多人第一反应是"能聊天的模型"。但当你真正上手搭一个多步骤自动化任务——比如让 AI 帮人写代码、审合同、生成 SQL——就会发现，光靠一个大模型远远不够。你需要技能（Skills）、工具（Tools）、规则（Rules） 和 MCP 工具这几个概念的配合。 本文从概念辨析出发，用 Langchain + AWS Bedrock Nova（AWS 推出的 No

作者做 AI agent 运行时（agent runtime）相关工作，集群上跑着若干 agent pod，每周定时有新版本发布，手动更新十个 pod 既累又容易出错。这篇文章介绍了 k8s4claw 项目中 auto-update controller 的设计思路：用一个注解（annotation）驱动整个滚动部署流程，配合健康检查和熔断器，实现"自动化但可控"的镜像更新。 说实话，这种"把状

作为「30 天 AWS Terraform 挑战」的第 28 天，我终于把一块硬骨头啃了下来——用 Terraform 在 AWS 上完整部署了一套生产级的三层架构。 这个项目带给我的最大收获，不是学会了敲多少行代码，而是真正理解了什么叫「像系统设计师一样思考」：可扩展性、安全性、可靠性，这三者之间的取舍与平衡，才是云工程的真功夫。 🌀 为什么三层架构值得单独拿出来讲？ 三层架构（3-T

译者前言：SaaS 的三大支柱——速度、可扩展性、可靠性——听起来是老生常谈，但这篇文章把每一根柱子拆得很细。亚马逊每 100ms 延迟损失 1% 销售额的数据很有冲击力，而 CAP 定理的讨论方式也比常见表述更实用。如果你在做 ToB 产品，这篇值得细读。 速度作为竞争优势 速度决定第一印象。当潜在客户试用你的 SaaS 应用时，他们会在几秒内形成看法。快速、响应灵敏的界面传递出质量和专业

译者前言：AI Agent 框架的 demo 多如牛毛，但大多数在真实用户接触的那一刻就露馅了。这篇文章的评判标准很实在：凌晨两点能不能调试、有没有真正的逃生舱、社区解决的是不是真实问题。按这个标准筛下来，8 个框架里真正能打的没几个。 真正的 AGENT 会做什么 大多数"AI agent"教程教你的只是如何构建一个带记忆的聊天机器人。那不叫 agent。那叫一个有着优秀 PR 团队的带状

译者前言：Serverless 架构的 demo 遍地都是，但真正能上生产的少。这篇文章的作者直接给出了 CloudFront + S3 + API Gateway + Lambda + DynamoDB + Cognito + WAF 的完整方案，包括 CI/CD 分开流水线、Lambda 版本 + 别名滚动发布、SPA 路由的 CloudFront Function 代码——这是那种你拿来就能

译者前言：Open Agent SDK 是一个 Swift 写的本地 AI Agent 开发框架，设计思路相当扎实——SessionStore 的 actor 隔离、PermissionPolicy 的可组合策略、路径规范化和段边界匹配防止目录遍历、HookRegistry 的 20+ 生命周期事件。这篇深入分析四个子系统的实现细节，是难得一见的深度技术文。 会话持久化：SESSIONSTOR

译者前言：Laravel 生态丰富，但 AI 集成这块的架构坑不少——限流、token 燃烧、Provider 锁定，每一个都能让凌晨两点的你从床上爬起来。这篇文章给了一张系统级地图，不讲任何一个 Provider 的认证流程，但把 OpenAI、Gemini、Claude 三家的本质差异讲清楚了。选 Provider 前，先把架构搭好。 LARAVEL AI 集成问题域 在选择提供商或绘制

最近折腾了一下 OpenClaw，把它玩出了点新花样——不是正经用法，就是觉得有意思想试试。 具体折腾的是：让一个专门负责画图的 Agent 打开浏览器、调用 Gemini 生成图片，然后另一个 Agent（我管它叫"HR 管理器"）调用飞书（Feishu）API 把生成的图片设成群聊头像。两个 Agent 各干各的，一个画，一个换。全自动运行，我只需要看结果。听起来挺简单对吧？实际上花了得好几