메멘토 모리(Memento mori) retweeted
Understanding system design helps you build better apps, even when vibe coding.
Better architecture decisions. Better AI prompts. Fewer surprises when your app grows.
So I built an interactive app to learn system design visually.
designed-to-scale.vercel.app
메멘토 모리(Memento mori) retweeted
10年前のAWSベストプラクティスが、今ではアンチパターンに。
NW-JAWS 10周年、白鳥翔太氏の講演資料が秀逸。
・Transit VPC → Transit Gateway / Cloud WAN
・VPC間のフルメッシュ → 用途別にPrivateLink等を活用
・IPv4使い放題 → IPAMとIPv6を前提に設計
・NATインスタンス → NAT Gateway
・自前の冗長化 → マネージドサービス
技術的負債は、設計を間違えたから生まれるとは限らない。正解が古くなることでも生まれる。
10年前の設計を、今も正解だと思っていないか。
speakerdeck.com/shotashirato…
메멘토 모리(Memento mori) retweeted
"Designing MCP Gateway Uber's MCP Management Platform".
by Alok Srivastava, Deepanshu Mehndiratta and Gaurav Gill
uber.com/us/en/blog/designin…
메멘토 모리(Memento mori) retweeted
X․com을 처음부터 다시 구축하기 - 서버 3개를 하나로
JavaScript를 내려받고 실행한 뒤 데이터를 요청하던 방식에서, 서버가 콘텐츠를 HTML로 바로 보내는 스트리밍 SSR로 전환. 서버에서 받은 데이터는 브라우저가 재사용함
느린 네트워크의 로그인 프로필 테스트에서 첫 게시물 표시 시간이 23.9초에서 2.7초로 단축됨
초기 버전은 엔지니어 5명과 AI 코딩 에이전트가 6개월 이내에 구축. 엔지니어가 설계와 변경 검토를 맡고, 에이전트는 기존 동작 이식과 테스트 등을 수행함. 비로그인 서비스는 전환을 마쳤고 로그인 서비스는 국가별로 이전 중
news.hada.io/topic?id=37245
메멘토 모리(Memento mori) retweeted
卧槽,深圳一个42岁的老程序员,被新来的26岁AI主管裁了,理由竟然是:“你的技术栈太老了,跟不上AI时代。”
这哥们在公司干了13年,月薪4.8万,负责整个交易系统的底层架构。
技术有多牛?
Java并发编程、JVM内存调优、Netty网络通信、Redis Cluster、Kafka消息队列、MySQL分库分表、Elasticsearch检索、Kubernetes容器编排,随便拎出来一个,都能讲上三天三夜。
当年公司搞千万级用户的支付系统,就是他带队扛下来的。
大促期间,订单峰值冲到每秒8万笔。
他硬是靠着Redis分布式锁、Kafka削峰填谷、MySQL主从切换、Sentinel限流熔断,把整个系统稳住了。
13年,没出过一次重大资金事故。
结果上个月,公司空降了一个26岁的AI主管。
名校硕士,张口Claude Code,闭口Cursor、Agent、MCP、RAG、Multi-Agent。
上任第一周,就宣布:
“传统程序员已经没有存在价值了,AI半小时写的代码,比你们一个星期还多。”
老程序员提醒他:
“交易系统不是代码写出来就能上线的,你得考虑幂等性、分布式事务、消息重复消费、数据一致性。”
年轻主管笑了:
“哥,你说的这些,我一个Prompt就能搞定。”
两周后,裁员名单出来了。
42岁的老架构师第一个被优化。
赔偿拿了38万。
走之前,他只问了一句:
“支付服务里的幂等校验,你们千万别删,那个不是冗余代码。”
年轻主管头也没抬。
“放心吧,AI已经帮我们重构了。”
第三天,出事了。
凌晨2点17分。
支付回调接口开始疯狂报警。
AI重构的新代码,把原来的业务幂等校验当成重复逻辑删除了。
支付渠道超时重试,Kafka消费者又发生Rebalance,同一批交易消息被重复处理。
短短11分钟,系统产生了大量重复入账记录,涉及金额217万元。
Grafana监控直接飘红。
Prometheus报警刷屏。
年轻主管连夜让AI分析日志。
AI给出17条修复建议。
他照着改了6次,问题越来越严重。
凌晨4点,他终于拨通了老架构师的电话。
“哥,能不能远程帮我们看看?”
电话那头沉默了几秒。
“你不是说,一个Prompt就能搞定吗?”
最讽刺的是什么?
26岁的主管会用AI生成10万行代码。
42岁的程序员知道,哪10行代码绝对不能删。
公司裁掉的不是一个写代码的人。
而是那个知道系统为什么能活到今天的人。
메멘토 모리(Memento mori) retweeted
DBDelve - Rust와 GPUI로 만든 가벼운 오픈소스 데이터베이스 클라이언트
Zed의 GPU 가속 UI 프레임워크를 사용해 맥, 윈도우, 리눅스에서 네이티브로 실행. PostgreSQL, MySQL, SQLite, MongoDB, Redis 등을 지원함
앱을 다시 열면 마지막 탭과 쿼리 결과를 스냅샷에서 복원해, DB에 같은 쿼리를 다시 보내지 않고 작업을 이어갈 수 있음. SQL 자동 완성은 외래 키를 바탕으로 JOIN 조건까지 채워줌
M1 Pro 32GB 벤치마크에서 연결과 스키마 로딩은 1.13초로 DBeaver의 5.20초보다 짧았고, 대기 메모리는 133MB로 DBeaver의 606MB보다 적었음
news.hada.io/topic?id=37236
Andrew Ng acaba de publicar un curso de 3 horas sobre cómo convertirte en ingeniero de IA en 2026:
• 00:00 - Cómo construir sistemas de IA agéntica
• 04:25 - El futuro de la ingeniería de IA
• 23:38 - Curso completo de prompting con IA
• 2:52:17 - Crear una app con IA en 30 minutos
Estas 3 horas pueden reemplazar 10 cursos de ingeniería de IA de internet.
Míralo hoy y después lee en el artículo de abajo cómo montar un sistema que se mejora solo.
메멘토 모리(Memento mori) retweeted
Docker Desktop, but written in Rust and about 80x faster to start a container. Your docker CLI, Compose and buildx keep working; the first launch sets up a kiri context.
Explore it here:
osp.fyi/kiri
메멘토 모리(Memento mori) retweeted
내가 앱 부업 한다면 매출 상위 앱 화면부터 가져올 것 같음
그걸 대신 해준다는 스킬이 있음
올라온 지 석 달 만에 깃허브 별 5,126개 ㄷㄷ
이름은 appllama-skills
Appllama라는 곳에서 만든 에이전트 스킬 묶음임
소개 문구가 딱 한 줄인데 이게 꽤 셈
"조사만 하는 애가 아니라 직접 만드는 애"
풀어보면
돈 제일 많이 버는 앱들이 쓰는 화면 패턴을 가져와서
네이티브 앱 수준 모바일 화면으로 바로 뽑아준다는 거
보통 AI한테 앱 얘기 꺼내면
요즘 잘나가는 앱 분석해주는 데서 멈추는 경우가 많잖아
분석은 나오는데 정작 화면은 내가 다시 그려야 함
이 스킬은 그 다음 단계까지 가겠다는 거
(그래서 builder라는 말을 굳이 맨 앞에 박은듯)
내가 보기엔 매출 상위라는 기준이 제일 중요함
예쁜 앱 말고 돈 되는 앱 기준으로 화면을 잡는다는 거니까
(디자인상 받은 앱이랑 매출 1위 앱은 생긴 게 좀 다르잖아)
어디에 써먹냐면
1. 앱 부업 준비하는 사람
기획은 있는데 디자이너 쓸 돈은 없을 때
첫 화면 시안 뽑는 용도로 딱임
2. 회사에서 앱 기획하는 직장인
회의 때 말로 설명하는 대신
실제 앱처럼 생긴 화면을 들고 갈 수 있음
3. 외주 받는 개발자
클라이언트가 저 앱처럼 해달라고 할 때
출발점 잡기 좋을듯
물론 패턴 가져온다고 매출까지 따라오는 건 아님
화면은 출발선이고 뭘 팔지는 내가 정해야 하는 거고
앱 부업 생각하는 형들은 만들 분야 매출 1위 앱 하나 정해놓고 이 스킬 돌려보셈
github.com/Appllama/appllama…
메멘토 모리(Memento mori) retweeted
现在做 RAG,我觉得有一个特别容易被忽略的问题。
很多人把 PDF 上传、Chunking、Embedding、Vector DB、LLM 这几个模块接起来,发现模型能够根据文档回答问题,就觉得自己已经掌握了一套完整的 RAG 系统。
但实际上,跑通一条检索链路,和真正把企业知识库做好,差得还挺远。
这篇推文把 RAG 的完整流程梳理得很清楚,从 Data Ingestion、Text Chunking、Embeddings、Vector Database,到 Semantic Retrieval、Prompt、LLM Generation,最后是 API Integration 和 Testing & Monitoring。
但我觉得真正值得研究的,不只是这九个步骤本身,而是它们之间的依赖关系,以及每一层究竟可能出现什么问题。
先说数据摄取。
企业知识库里的文档,可能有 PDF、Word、Excel、网页、业务数据库,甚至同一份资料的多个历史版本。
如果最开始的数据就没有清洗好,版本也没有管理好,后面再怎么优化 Embedding 和 Prompt,都可能是在错误的数据上做优化。
然后是 Chunking。
这玩意儿看起来特别简单,不就是把长文档切成几段吗?
但你真做过企业知识库就会发现,怎么切,直接影响后面的检索结果。
比如一个合同条款,前半段写付款条件,后半段写例外情况。
你把它们切开,模型可能只检索到付款条件,最后生成一个看起来非常合理、实际上却遗漏关键限制的答案。
再说 Embedding 和 Vector Database。
很多人以为语义相似度高,就代表检索结果更准确。
根本不是这么回事。
两个产品型号可能只差一个字符,两个合同版本可能有 95% 的内容相同,但实际业务含义可能完全不一样。
这时候纯向量检索未必够用。
你可能需要结合 BM25、Hybrid Search、Reranking,以及文档版本和权限过滤,才能找到真正适合当前问题的证据。
所以 RAG 最值得研究的地方,我觉得不是模型怎么把答案说得更漂亮,而是系统能不能稳定找到正确、有效、被授权使用的信息。
还有一个特别重要的问题,就是很多人分不清检索错误和生成错误。
假设用户问公司最新的产品报价。
系统回答错了。
你第一反应是修改 Prompt,让模型更加严谨?
但如果检索阶段找到的本来就是去年的报价文件,你让模型再严谨有什么用?
反过来,如果最新版报价已经正确进入 Context,模型却自己编造了一个数字,那问题才更可能出在生成阶段。
这两个问题根本不是一回事。
所以真正做 RAG,必须把 Retrieval 和 Generation 拆开评测。
检索有没有找对资料?有没有遗漏关键证据?相关文档排在什么位置?最终回答有没有忠实使用这些证据?
这些问题如果没有数据支撑,你就只能靠感觉反复修改 Prompt,最后系统可能越改越复杂,效果却不一定提高。
而且知识库上线之后,问题并没有结束。
文档更新了,索引什么时候同步?员工的权限变化了,旧数据还能不能被检索?模型升级后,之前正确的问题会不会突然答错?系统响应变慢了,究竟是检索、Rerank 还是模型生成导致的?
这些都是实际企业交付绕不开的工程问题。
当然,也不是说每个 RAG 项目都必须上复杂的多阶段检索、多 Agent 或者分布式向量数据库。
数据规模小、业务需求简单的时候,一套 PostgreSQL 加全文检索和必要的向量能力,可能已经足够。
真正的架构能力,不是把技术栈堆得越来越复杂,而是你能不能根据实际问题判断,应该优化哪一层、引入哪些组件,以及怎样证明它真的有效。
RAG 本质上并不是一个简单的文档问答功能。它更像是一套连接企业知识、信息检索、上下文构建和大模型生成的系统工程。
大模型负责理解和生成,但能不能找到正确的证据,能不能管理数据版本,能不能追踪来源,能不能持续评测和优化,最终还是要靠整套系统设计。
所以真正值得长期积累的,不只是会调用哪个 RAG 框架。
而是当一个知识库回答错误时,你能够清楚地判断:到底是数据出了问题、分块出了问题、检索出了问题,还是模型没有正确使用证据。
能让模型根据文档回答问题,只是 RAG 的起点。
能让整个系统持续找到可信资料,并且在出错时知道为什么出错、该怎么修复,才是我觉得更值得深入研究的方向。
메멘토 모리(Memento mori) retweeted
AI 写代码最容易埋的坑之一,就是数据库表设计错了,等上线后才发现改不动。
发现一个 Claude Code 专用 Agent:Database Architect。
它不只是帮你生成 SQL,而是提前参与数据库架构设计。
主要能做这些事:
数据建模:表结构、主外键、索引、约束
技术选型:PostgreSQL、MySQL、MongoDB、向量数据库
多租户设计:RLS、Schema 隔离、独立数据库
性能规划:读写模式、分库分片、扩展方案
数据迁移:生成迁移脚本和回滚方案
安装命令:
npx claude-code-templates@latest --agent database/database-architect
我觉得最实用的是让 Agent 先分析业务访问模式,再设计表结构,而不是代码写完才补数据库。
不过生成的 DDL 和迁移脚本仍需要人工审核,尤其是生产环境的数据变更。
你现在用 AI 开发项目,会让它直接设计数据库,还是自己先把表结构定好?
项目:aitmpl.com/component/agents/…
#ClaudeCode #AI #Agent #Database
메멘토 모리(Memento mori) retweeted
에이전트 harness를 프레임워크 없이 처음부터 만들어보는 스탠퍼드 강의가 공개돼 있음
CS329Z 에이전트 엔지니어링, 디이 양(Diyi Yang) 교수 강의
RAG, tool calling, 에이전트 루프를 직접 짠 다음에 DSPy, LangGraph로 넘어감
클로드 코드 같은 게 안에서 어떻게 도는지 궁금했으면 이거부터 보면 됨
올라온 주차는 슬라이드랑 영상을 바로 볼 수 있고
11월 16일엔 SWE-bench 만든 사람들 초청 강의도 있음
cs329z.stanford.edu/
메멘토 모리(Memento mori) retweeted
業務分析を書きやすくできるようにUIを更新しました。
untie-3lp.pages.dev/
메멘토 모리(Memento mori) retweeted
전당대회 끝나고 친석계 의원이 '정청래한테 줄 선 의원들은 다음 공천에서 손본다'고 했다. '당무감사에서 하위 20%에 넣어버리면 악 소리도 못하고 끝난다'
그랬겠지 해봤잖아 시스템공천=공천혁명
메멘토 모리(Memento mori) retweeted
친청계가 공천권 요구한다는 프레임으로 공격받는거 이재명 체포동의안 표결때 박광온한테 뒤집어씌우던 수법 그대로라 별로 놀랍지도 않고 당시에 그런 선동질 앞장 선 사람이 정청래라서 다 업보청산 과정이라는 생각 밖에 안든다.
메멘토 모리(Memento mori) retweeted
더 나은, 더 효율적인 RAG를 위한 빠른 검색
Apple 연구진이 고정된 벡터 데이터베이스와 실제 들어오는 질의 패턴을 작은 신경망에 미리 학습해 반복 검색 비용을 줄이는 방법을 개발함
KeyNet은 질문 벡터를 최적 검색 대상에 가까운 벡터로 바꿔 기존 IVF 인덱스에 전달. 검색 인덱스를 유지하면서 질의 쪽을 바꿔 탐색 범위를 줄이는 방식
Natural Questions 실험에서 대형 KeyNet은 99% 재현율에 도달하는 시간을 1.8ms에서 0.23ms로 최대 약 8배 단축함. 질문 벡터를 변환하는 시간까지 포함한 결과
news.hada.io/topic?id=37031
메멘토 모리(Memento mori) retweeted
Gördüğüm en harika Rust ile yazılmış agent runtime projelerinden birisi. Aktif olarak Rust ile agent geliştiriyorsanız denemeden geçmeyin derim 👇
joydle.github.io/borg/#examp…




























