"Data Flow"
- 監控資料的雙重用途:行為分析與訊號治理
同一份 event data 如何同時服務行為分析(funnel / cohort / attribution)和訊號治理(cardinality / cost / signal governance)— 格式交叉、治理衝突與分流架構
- Filter 與 Source 的抽象層錯位
Filter 必須跟它過濾的資料源在同一層運作。視覺層的 filter 套在資料層分批產出的 source 上、會在「一筆」的定義上產生語意縫 — 使用者要的「全部符合」變成「目前載入的符合」、然後 silent 失敗。本文展開層錯位的識別與糾正。
- Filter × Source 的合成策略五選一
Filter 跟 paginated / streaming source 合成的五種策略、各自機會成本不同:A 推進 query / B 自動續抓 / C 預先 index / D 誠實 UX / E 接受語意縮小。沒有絕對最佳、看 source capabilities、match 密度、UX 容忍度而定。
- Pattern:自動續抓直到湊滿 quota
Pattern 卡片:分批 source + post-filter 時、自動續抓直到湊滿 N 個 match。含上限保護、進度顯示、可中斷三個必要元件。對應 #59 策略 B 的具體實作。
- Pattern:把 filter 推進 query 引擎
Pattern 卡片:把 client-side filter 推進 source 的 query 引擎、由 source 直接回符合的。對應 #59 策略 A 的具體實作。前提是 source capabilities 支援該 filter 條件、否則要評估重 index。
- Pattern:預先建獨立 index(每種 mode 一份)
Pattern 卡片:build time 為每種 filter mode 各建一份 source / index、runtime 切換 mode = 切 source。對應 #59 策略 C 的具體實作。前提是能控 source 的 build pipeline、且 mode 數量有限。
- Data Flow and Filter Composition — Filter × Source 層錯位與五策略
frontend-with-playwright reference:Filter / sort / count / transform stream 操作的層錯位識別 + 五策略合成。原則跨前端 / 後端 / 演算法 / DB 通用、playwright 驗證模板。