(02)
精選作品
正式上線的系統與聚焦的概念驗證：問題、決策、資料流，以及每個專案實際驗證了什麼。
所有專案 →(03)
文章
依分類篩選
精選文章
- 用真實 PostgreSQL 驗證系統邊界從 migration 建立隔離測試庫，以受限角色與實際寫入結果，驗證 mock 難以涵蓋的權限與交易行為。
- 文件簽署：保存內容與事件依據以範本版本、文件指紋、限時連結與序列化狀態變更，保留簽署流程的查核依據。
- FLP 不可能性：為什麼系統沒有做錯，卻可能永遠無法決定？從無法區分的執行、bivalent configuration 到公平排程，逐步拆解 FLP：訊息最終會到，為什麼共識仍可能永遠無法完成？
- 正式環境的 Log 該怎麼設計？從字串輸出到可追蹤事件好 log 不是印得多，而是能沿著 request、job 與業務事件還原發生了什麼，同時控制敏感資料、儲存成本與告警噪音。
- 共用帳號，分開資料存取權限以應用權限、資料庫授權與交易範圍內的列級安全性，區分客戶與員工的資料存取。
- Consensus 與 Paxos：Leader 故障後，決策為什麼不會改變？從同步共識演算法到 Paxos 的 ballot 與 leader 故障案例，逐步理解 accepted、chosen、learned，以及 quorum 如何保住既有決策。
- 檔案加密後怎麼換密鑰？Envelope Encryption 與 Key Rotation用 DEK 加密資料，再以 KMS 裡的 KEK 保護 DEK。理解兩層密鑰後，才能安全輪替、遷移與淘汰舊 key。
- CS 411 資料庫底層機制互動圖解從資料頁如何讀入記憶體，看懂 B+ tree、hash 分裂、外部排序、join buffer、查詢計畫與交易衝突圖。
- Multicast 如何實作：排序、可靠傳遞與 View Change用具體訊息軌跡理解 FIFO buffer、causal delivery vector、total-order sequencer，以及 virtual synchrony 如何守住成員變更的邊界。
- 什麼時候該用 Message Queue？先確認你真的需要非同步Queue 能解耦、多路分發並吸收尖峰，但也帶來重複訊息、最終一致性與追蹤成本。小規模系統不一定需要它。
- Safety 與 Liveness：系統正確，究竟保證了什麼？分清楚不變條件與進度保證，理解有限反例、公平性，以及 global snapshot 如何偵測穩定條件。
- CS 513 資料清理互動圖解從名稱分群、不同修復版本，到資料溯源、流程紀錄與概念對齊，用五組互動圖看懂資料清理的判斷過程。
- Global Snapshot：從 Consistent Cut 到 Chandy-Lamport 演算法用轉帳例子理解 process state 與 channel state，再逐步推演三個節點的 marker snapshot，以及演算法為什麼正確。
- ECS 已經能跑 Cron，為什麼還需要 Function Compute？Function Compute 與 Lambda 不一定比主機內排程更省。真正要比較的是閒置成本、隔離、事件整合、尖峰擴展與維運責任。
- CS 425 期中視覺讀本：把分散式系統動起來用互動圖複習 partial failure、P2P routing、gossip、SWIM、logical clock、multicast order、MapReduce recovery、quorum 與 Cassandra。
- 可靠的 AI 工作流：允許不知道、知道何時停下，並保留人的決定從 BIM 與工程量工作流抽出一套可移植架構：Human > Agent > Rule、合法留白、確定性計算、停止條件、證據鏈與規則沉澱。
- 先別急著設計：把理想需求一層一層剝回真正的問題業主描述的是終局願景，工程團隊卻可能把它當成今天的規格。這是我從需求釐清、成本失控與架構設計中學到的方法。
- 信任 AI Agent，不是靠膽量，而是靠環境設計整理 Lauren Tan 的 agent workflow，也納入社群對 PR 指標、自動 merge、可移植性與人類責任的質疑。
- Agent 不需要更多工具：Armin Ronacher 的保守派 Agentic Engineering從 Pi 的極簡 harness、local-first 工作流到真實環境驗證：Agent 寫得更快之後，工程師更該守住可理解性與成果衡量。
- SAA-C03 總複習：成本決策與真正值得背的陷阱以成本槓桿、高頻混淆對照與刷題複盤法完成整個系列。
- AWS 資料與分析：從問題類型選 Engine將 ad hoc SQL、warehouse、ETL、stream、search、dashboard 與 cluster 對應到真正負責的服務。
- 從 CAP 到 Cassandra、HBase：Consistency 是 API Contract串起 partition behavior、consistency model、quorum、LSM-style write、Cassandra 與 HBase，而不把設計簡化成 CAP 口號。
- AWS 韌性、DR 與遷移：讓 RTO/RPO 決定架構分清 high availability 與 disaster recovery，再把 business recovery target 對應到 replication 與 migration tool。
- MapReduce：把 Computation 移到 Data，失敗時重新計算理解 map、shuffle、reduce、partition、straggler、speculative execution 與 lineage-based fault tolerance。
- AWS 可觀測性與治理：Metrics、Events、Audit、Configuration從每個服務記錄什麼、可對什麼行動，分清 CloudWatch、EventBridge、CloudTrail 與 Config。
- Consensus 與 Paxos：用 Majority 保住唯一決策分清 consensus safety 與 progress，再理解 Paxos 的 proposal、acceptor、ballot 與 quorum intersection。
- AWS Messaging 與 Serverless：先設計 Delivery Semantics先分 queue、pub/sub、stream 與 orchestration，再串 Lambda、API Gateway 與 event-driven workload。
- 用 Docker 建立 AI 可用的本地資料環境：不碰正式庫，也不失去業務脈絡我如何用本地 PostgreSQL、遮罩種子與可重建流程支援 AI 輔助開發；以及這道邊界能保護什麼、不能保護什麼。
- Global Snapshot：不停機也能擷取 Distributed State理解 consistent cut、in-transit message 與 Chandy-Lamport marker algorithm。
- AWS 資料庫與 Cache：先定義 Data Contract從 consistency、query 與 scale 需求，選 RDS、Aurora、DynamoDB、ElastiCache 或 purpose-built database。
- 沒有 Global Clock 的時間：Causality 與 Multicast Order從 clock synchronization 推進到 Lamport timestamp、vector clock，以及 FIFO、causal、total-order multicast。
- AWS 儲存選型：從 Access Pattern、共用與 Recovery 開始先分 object、block、file，再選 storage class、replication、lifecycle 與 hybrid transfer tool。
- Gossip、Membership 與 Failure Detection：在不確定中維持群組串起 epidemic dissemination、membership view、heartbeat、suspicion、false positive 與可擴展的 failure detection。
- AWS Compute 與彈性：對齊 Runtime、Scaling Unit 與 Failure Model依 control、workload shape 與 state，選擇 EC2、Auto Scaling、load balancer、container 或 Lambda。
- 從 Napster 到 Chord：P2P 為什麼走向 Structured Overlay從 state、message 與 failure 比較 centralized index、flooding、supernode、BitTorrent swarm 與 DHT routing。
- 從 pgvector 到可拒答的知識庫問答：我的 RAG MVP一個尚未上線、已在本地測試的健康衛教問答 MVP：自有文章、pgvector、檢索門檻、多輪追問與引用檢查如何一起工作。
- AWS 網路與 Edge：選服務前先把 Packet 路徑畫出來用 packet path 串起 subnet、routing、security、private access、hybrid connection、DNS 與 global delivery。
- Cloud 本質上是 Distributed System，再加上一套營運模型從 partial failure、concurrency、elasticity、virtualization 與經濟模型理解 cloud 為何存在。
- AWS 身分與安全：先追 Request，再找 Explicit Deny把 IAM evaluation、Organizations、KMS、secret、network protection 與 detection 串成同一套安全模型。
- SAA-C03 備考地圖：不要背服務，要學會做決策把四大考綱轉成一套可重複使用的讀題、排除與架構選擇方法。
- 清理 17,545 份歷史菜單：改善可用性，但不抹掉證據回顧 NYPL menu project 的 profiling、canonical city／meal、保守推論、constraint、provenance 與誠實驗證。
- Cost-Aware Learned Caching：從 LBSC 到可驗證的系統提案說明異質 storage 為何不能只看 miss count、LBSC 如何學 eviction，以及怎麼把後續研究縮成可信實驗。
- Taxonomy Alignment：同名不一定同義用明確 semantic relation、logical constraint、possible world 與人工 review 對齊階層式 vocabulary。
- 重讀 NoDB：不先付完整載入成本，也能查 Raw Data從實務角度評析 NoDB 的 data-to-query 指標、selective parsing、positional map、cache 與 break-even。
- Research Nexus：真實資料如何改變資料庫設計回顧一個由論文引用資料與 Scholar enrichment 建成的 11-table 研究探索資料庫，以及真實資料帶來的設計修正。
- Data Provenance：讓每個結果都能回答從哪裡來分清 prospective／retrospective provenance，以合適粒度建模 lineage，並用 YesWorkflow 式 annotation 描述 script dependency。
- 資訊整合：從異質來源做到可信資料用實務角度整理 schema matching、entity resolution、provenance、merge policy、ETL 與 federated query。
- 資料清理 Workflow：Automation 不等於 Reproducibility用明確的 input、output、parameter、dependency、validation gate 與可重跑 evidence 設計 cleaning pipeline。
- 平行與分散式資料庫：先優化資料搬移串起 partition、replication、parallel join、skew、distributed commit 與 consensus，並分清它們各自解決的問題。
- 業務時間：訂單與對帳使用一致的期間邊界區分時間點與業務日期，讓報表、訂單識別及排程使用明確且一致的期間邊界。
- 資料庫復原：WAL、Checkpoint、Undo 與 Redo理解 crash 後什麼能留下、WAL 為何有效，以及 buffer policy 如何決定 undo 與 redo。
- Database Repair：當乾淨版本不只一個理解 minimal repair、repair policy、穩定結論與 consistent query answer，同時保留資料歧義。
- Relational、Document、Graph 或 Raw Data：從 Workload 選模型用 invariant、access path、更新 ownership、relationship depth、latency 與維運成本比較資料模型。
- Query Optimization：先估 Cardinality，才有 Cost從 rule-based rewrite、selectivity、join order 到 physical-plan cost，系統化判讀估算誤差。
- Datalog 與 Recursive Query：用小語言表達資料關係理解 fact、rule、join、recursion 與 fixed point，以及相同推理如何出現在 recursive SQL 與品質檢查。
- 從 Relational Algebra 到 Physical Operators：查詢成本從哪裡來把 logical meaning 和 scan、sort、hash、join algorithm 分開，再用 page I/O 估算成本。
- Transactions、Serializability 與 Isolation：推理並行寫入從 ACID、schedule 與 precedence graph，一路理解 anomaly、isolation level、lock 與雙 session 實驗。
- 把 Integrity Constraint 寫成可執行的資料品質規則把 key、reference、domain 與跨欄商業規則，轉成 violation query 與可強制執行的 constraint。
- B+ Tree 與 Hash Index：從 Page I/O 看懂索引怎麼選從樹結構、fanout 量級與更新成本，一路做到可執行 PostgreSQL、EXPLAIN 判讀與選型。
- Graph Data Model 與 Cypher：讓 Relationship 成為一等公民用 Neo4j 理解 node、relationship、direction 與 traversal cost，也知道什麼資料不必硬做成 graph。
- OpenRefine：先探索、再轉換，最後匯出 Recipe使用 facet、clustering、GREL、reconciliation 與 operation history，同時避免互動式 cleaning 變成不可重現的黑箱。
- MongoDB 資料建模：Flexible Schema 不等於不用設計用 access pattern、成長上限、更新 ownership 與 query plan 決定 embedding 或 reference。
- Functional Dependencies 與正規化：從 Closure 推到 3NF、BCNF用一條完整推理鏈串起 attribute closure、candidate key、minimal cover、lossless decomposition、3NF 與 BCNF。
- 資料清理中的 Regular Expression：比對結構，不要假裝理解語意建立可測試的 regex，用於 validation、extraction 與 transformation，同時分清 parsing 與 semantic check。
- 從概念模型到資料表：轉換時不要弄丟語意從需求找出 entity、relationship、key 與 cardinality，再有系統地轉成 relational tables。
- Constraints 與 Triggers：讓所有寫入者都遵守不變量用可測試的失敗行為，安排 NOT NULL、CHECK、UNIQUE、foreign key 與 trigger 的責任。
- 先 Profile 再 Cleaning：把懷疑變成可量測的缺陷在修改資料前，以 data profile 分清 syntax、schema、semantic、duplicate、missingness 與 distribution 問題。
- 聚合、View 與更新：把邏輯放在正確的邊界從 GROUP BY 語意、一般與 materialized view，到原子更新與 stored routine 的合理邊界。
- JOIN、NULL 與集合運算：先確保多表查詢是對的從 join cardinality、outer join 條件位置到 NULL-safe anti-join，先把多表查詢的正確性說清楚。
- 資料品質從問題開始，不是從 Dataset 開始用 fitness for use、品質維度與成本，判斷哪些資料必須清、哪些已經足夠。
- 從 Relation 到 SQL：查詢背後的資料模型用同一套心智模型理解 relation、schema、key、bag、NULL，以及 SQL 的邏輯處理順序。
- 結帳併發：庫存、餘額預留與狀態轉換用固定順序鎖定、重新讀取可售量與條件式狀態轉換，處理結帳、付款及取消的競爭。
- 促銷資料建模：規則、持有權與使用紀錄以共用生命週期處理促銷，同時明確定義持有權、併發使用限制與訂單金額紀錄。
- 不只 Batch：Spark Streaming、Graph 與 Machine-Learning Pipeline在共同 execution foundation 上理解 incremental stream、property graph 與可重現的 feature-to-model workflow。
- 儲存決策與即時計算資格區分需要保留的業務決策，以及隨交易、退款與期間變動的資格判定。
- Spark DataFrame 與 SQL：把更多資訊交給 Optimizer理解 schema、logical plan、Catalyst 與 columnar execution，為何常比 opaque RDD code 更有效率。
- 市場、通路與帳號：三個不同的責任以市場設定、通路策略與付款責任，讓零售和 B2B 共用平台，同時區分價格、計價單位及權限。
- Spark RDD：Lazy Execution、Lineage、Partition 與 Shuffle從 execution model 判讀 Spark performance，而不是把 transformation 當成本機 collection method。
- Clustering 與 Classification：看似相近，其實在回答不同問題用 objective、assumption、decision boundary 與 evaluation 串起 k-means、decision tree、SVM。
- Association Rules：從 Apriori 剪枝到 FP-Growth先分清 support、confidence、lift，再理解 Apriori 與 FP-Growth 如何用不同方式省下搜尋成本。
- MinHash 與 LSH：不做兩兩比較也能找出近似資料把文件轉成 shingle，以 signature 近似 Jaccard similarity，再用 LSH 把搜尋縮成少量 candidate pairs。
- 從手動看 CODA 到自動對帳：B2B 銀行檔案怎麼變成可靠帳務比利時 CODA 銀行檔案如何從 Isabel 或安全檔案傳輸，經過 fixed-width parsing、配對、人工審核與冪等入帳。
- HTTP 失敗，不代表付款失敗：我串接 PSP 後學到的交易生命週期從 PSP 與銀行的關係、authorization、capture、void、refund，到代管卡片欄位、簽章與 webhook 狀態同步。
(04) — 合作
有個問題 要解嗎？
01需求轉化
把目標、使用者需求與限制，轉成清楚的範圍、優先順序和可執行的技術方案。
02架構設計與實作
設計領域模型、資料流、API、雲端與系統整合，再把方案做成經過測試、能上線的產品。
03規模、可靠性與成本
找出效能瓶頸、故障路徑與成本來源，在不過度設計的前提下規劃系統成長。
04技術負責與交付
從前期探索到正式上線，負責取捨、進度與技術品質；也可以在現有團隊最需要的環節加入。