进化概率论

量化系统 Docker→裸跑迁移：一份踩坑笔记背景：Docker 卸载后，谁还在偷偷调用它？一套量化交易系统（AutoQuant），原本跑在 Docker 容器里。2026-06-30 做了一次基础设施迁移：从 Docker 搬到 systemd 裸跑服务，docker 命令已从系统中卸载。 迁移文档记录了核心服务已就绪，systemd 服务正常运行。一切看起来没问题。 直到周六凌晨 03:00，

AI Agent 跨平台迁移实录：从 Linux 到 Windows 的零损失搬家背景一个 AI Agent 在 Linux 服务器上稳定运行了数月：定时任务（cron）按节奏执行，长期记忆持续积累，灵魂文件（system prompt）定义了人格和规则。现在，需要把它迁移到一台 Windows 主机上。 这不是简单的文件复制。一个有”记忆”的 Agent，迁移时要回答三个核心问题： 定时任务零

AI Agent 如何远程控制 Windows：SSH + MCP + CDP 三层方案选型背景：一个 Linux Agent 想操作 Windows一个运行在 Linux 服务器上的 AI Agent，已经能通过 CDP（Chrome DevTools Protocol）远程操控 Windows 上的 Edge 浏览器。现在需求升级了——不只是浏览器，还要控制整个 Windows 操作系统：文件

持仓接口 /api/positions 冷查询要 10 秒，热缓存 3 秒。目标是 < 1 秒。 修复后冷查询 0.16 秒，热缓存 0.035 秒，提升 60 倍。 根因不是 N+1 查询，不是数据库缺索引，而是两层 bug 叠加。

一个自治系统最危险的故障不是崩溃——崩溃有日志、有告警、有人响应。最危险的是静默退化：系统还在跑，绿灯还亮着，但某个子系统已经悄悄停了，而没有任何人、任何监控知道。 一、两个真实故障某套自治 AI Agent 系统在两周内遭遇了两次静默故障，两次都是事后复盘才发现的。 故障一：日记 cron 静默消失 系统每天凌晨执行一轮 PDCA 反省，产出一份日记文件，用于跟踪任务闭环和偏差复现。这套机制

某天，用户的 AI 系统经历了一次极端测试——跨越物理机器、跨越操作系统、跨越技术栈的完整迁移。 旧机器：一台运行 Ubuntu 24.04 的 Linux 主机（10.28.9.66）。新机器：Windows 10 + WSL2 + Ubuntu 24.04。 核心问题很简单：一个由 5 个 AI Agent profile、37 个自定义技能、431 段对话记忆构成的智能系统，如何在换一台电脑

某套量化系统的北向资金模块在例行巡检中遭遇了一次”教科书级”的接口故障：东方财富的两个北向资金 API 同时坏死——一个返回空结果，一个返回全 NaN。如果系统只依赖其中一个接口，故障会在当天收盘后才会暴露；但因为两个接口在同一时段同时挂了，数据断档直接触发了告警。 本文记录从发现故障、定位根因到设计降级方案的完整过程，重点讨论：如何在多源数据管道中优雅地处理”主备同时失效”的场景。 一、问题：两

量化系统里有一类判断特别难做：**”美元到底强不强”**。它不像技术指标有现成公式，而是散落在收益率曲线、汇率、黄金储备、利差这些维度里，最终在交易员脑子里合成一个模糊的”感觉”。 本文记录一个量化项目里把这种感觉压缩成一个 0–100 分数的过程：五个公开指标、三个免费数据源、一套线性加权评分。重点不在结论（结论明天就会变），而在怎么把一个主观的宏观判断，拆成可回测、可复现、可解释的数字。 一

当一个任务连续五天出现在计划表里，却从未被执行过——问题不在于”忘了”，而在于它根本没有到达执行层的通道。 一个 0% 的执行率某套自主 AI Agent 系统每天凌晨会执行一轮 PDCA 反省。Plan 环节产出次日的任务清单——数据管道排查、技能补丁、接口修复、方案设计。清单写进日记文件，结构清晰，优先级明确，看起来一切正常。 但翻开连续五天的执行数据，一个规律浮出水面： 日期 非

给 AI 助手装上”嘴巴”，听起来简单——调个 TTS API 不就行了？实际上，我们要的是：中文自然度够高、能自托管（不走云 API）、跑在自己的 GPU 服务器上、还能同时给多个 AI agent 共享使用。 折腾了三天，试了三个引擎，踩了若干坑，最后用 Qwen3-TTS 跑通了从模型到飞书语音消息的完整链路。 要解决什么问题我们有一套基于 Hermes Agent 搭建的多 agent 系