Marico's space

别让SSD性能腐烂：Linux上实用的fstrim.timer 如果你的Linux系统运行在SSD、由SSD存储支持的虚拟磁盘或精简配置卷上，TRIM是那种容易被遗忘、日后调试又很麻烦的无聊维护任务。 好消息是，现代Linux已经有了一个明智的解决方案：fstrim.timer。 本文展示如何： * 验证discard是否真正被支持 * 检查fstrim.timer是否已启用 * 安

最近折腾 AI Agent 编排，踩了几个坑，这篇把问题说清楚。 过去一周，GitHub Trending 和 HN 上最火的话题不是新的模型发布，而是 AI Agent 基础设施： * Superset — HN 96票，Cursor 式的并行 Agent 编排工具 * Kontext CLI — HN 70票，AI Agent 的凭证中间件 * JACoB — HN 40票，真实生产

最近折腾了一个叫 SwiftDeploy 的部署工具，踩了不少坑，这篇把核心设计说清楚。这个工具解决的是一个老问题：部署流程里的配置、策略、监控三个东西本来应该紧耦合，结果在大多数项目里都是散的——Compose 文件一套、Env 文件一套、CI 里再一套，改一个阈值要改好几个地方。SwiftDeploy 用一个 manifest.yaml 把这三件事闭环了，底层靠 OPA（Open Policy

最近AI Agent开发领域有个有趣的现象：教程和框架几乎清一色是Python，但真正跑在生产环境里的基础设施，却越来越多人悄悄换成了Go和Rust。这种语言选择的割裂感，其实反映了AI Agent项目天然的架构分层需求——不同层级对性能、可靠性和开发效率的要求完全不同。 本文不会告诉你「某某语言最好」，而是帮你搞清楚在AI Agent系统的不同位置，到底该用什么语言。有具体项目案例，也有代码片

说起来，最近 AI（人工智能）模型的托管和部署已经成为 DevOps 领域最热门的话题之一。我之前做过一段时间的云原生基础设施相关工作，对 Kubernetes（简称 K8s）在生产环境中的应用还算熟悉。今天要聊的这两家平台——Replicate 和 Modal——算是目前 AI 模型托管领域比较有意思的存在。一个走的是「傻瓜式」路线，用 Cog 把模型打包成标准化容器；另一个则是代码优先，把 P

最近一直在看各种 AI Agent（人工智能智能体）方向的 PMF（产品市场契合度）提案，发现大多数都掉进了同一个坑里——听起来挺有用，但本质上都是"更便宜的研究"、"更便宜的监控"或者"更便宜的内容生成"。说实话，看多了有点审美疲劳。直到读到这篇关于医疗账单索赔冻结的提案，眼前一亮，觉得找到了一个真正有嚼头的切入点。 作者瞄准的不是什么高大上的认知智能，而是医疗运营里最让人头疼的"记录漂移"问

说实话，我第一次在自己的项目里接入 Google OAuth 的时候，被文档绕得有点晕。Google 的文档确实很全，但信息密度太大，很多关键细节埋得很深，比如为什么非得用 PKCE、access_type=offline 和 prompt=consent 这两个参数到底起什么作用。网上很多教程要么只讲一半，要么直接跳过了 refresh_token 这个环节，导致 token 过期后应用直接挂掉

多Agent系统（Multi-Agent System，MAS）的跨云部署确实是个很有意思的课题。我在实际项目中也踩过类似的坑——当系统从单机扩展到多云环境时，原本在本地跑得好好的同步调用会突然变得脆弱无比。LLM推理的不可预测延迟、企业网络里那些严格的NAT防火墙、还有容器漂移带来的状态丢失，每一个点都可能让你的Agent系统在生产环境里彻底失控。这篇文章提到的几个架构要点都相当实用，特别是异步

说到把应用跑在 AWS Fargate 上，我之前折腾过不少次。AWS 官方文档确实有点散落各地，很多教程也只教到"Hello World"就结束了，真正上线生产环境要的东西（HTTPS、自定义域名、负载均衡、自动扩缩容）基本都略过了。这篇文章把整个流程串了一遍，从把 Docker 镜像推到 ECR 到配好 CI/CD 流水线，30 分钟左右能搞定一个生产级别的部署。内容挺实在的，分享给大家。

处理日期和时间这件事，看起来很简单，但当你盯着一个时间戳字段发愁，不知道为什么"最近30天"的查询结果总是莫名其妙时，就会意识到它其实相当棘手。日期和时间函数对于数据分析、报表生成以及任何涉及时间序列事件追踪的应用来说都至关重要——但不同数据库引擎之间的细微差异，连经验丰富的开发者也会栽跟头。 今天这篇文章，我们就来好好聊聊 PostgreSQL 和 MySQL 这两大主流数据库中最实用的日期/