"Knowledge-Cards"
- Lua 腳本語言
在 Hyprland 或 Neovim 配置檔遇到 Lua 語法看不懂時回來讀 — 配置檔需要的最小 Lua 知識
- Infrastructure as Code (IaC)
用程式碼描述基礎設施的最終狀態，由工具負責收斂現實與描述的差異
- SaaS
說明雲端訂閱軟體的商業模式與經濟特徵
- Adaptive Retrieval
RAG 控制流中先判斷是否需要檢索，只在外部知識有價值時才 retrieve
- Agent-as-Tool
把一個專責 agent 包成可被另一個 agent 呼叫的 tool，形成跨 agent 的責任邊界
- BNF（Backus-Naur Form）
用遞迴產生式描述語法的經典記法，是 CFG、parser 與 grammar-constrained sampling 常見的基礎表示
- Capability Spectrum
把模型能力視為連續光譜而非支援 / 不支援二分，用覆蓋度、穩定性與失敗模式判讀真實可用性
- Context Drift
Agent 長任務中累積上下文逐步偏離原始目標，導致後續行動看似合理但整體跑偏
- Context Packing
RAG retrieve 後把 chunks 去重、排序、壓縮、標來源，再塞進 prompt 的組裝決策
- Deterministic vs Fuzzy engineering
LLM 軟體 vs 傳統軟體在資料 / 邏輯 / 行為一致性 / 實驗成本四維度的典範差異、決定哪段該包 guardrail
- DSL（Domain-Specific Language）
為特定業務或技術領域設計的小語言，在 LLM 應用中常作為可解析、可驗證、可執行的中介輸出
- Few-shot prompting
在 prompt 內塞 input-output 範例對齊任務、不動模型權重的 in-context learning 技術
- Frozen baseline
Eval 系統中固定特定 prompt + model 當長期對照、讓行為漂移可見的標準作法
- Goal Drift
Agent 把子目標誤當成整體目標，提早停止或朝錯誤完成條件前進的失敗模式
- Grammar
描述合法字串形狀的形式規則，在 structured output 中用來限制 LLM 每一步可輸出的 token
- Grouped-Query Attention
讓多個 query head 共用較少的 key/value head，以降低 KV cache 體積與推論記憶體壓力
- Guardrail
在 LLM fuzzy 行為外層加上 schema、validator、policy、human review 與 monitoring 的控制設計
- Human-in-the-loop（HITL）
人類介入 LLM 工作流的設計：三種觸發時機（pre-act / mid-stream / post-hoc）、避免橡皮圖章化的四條件
- HyDE（Hypothetical Document Embeddings）
用 LLM 生成假設文件、對假文件做 embedding 去 retrieve、繞過 query-document gap 的 RAG 增強技術
- In-Context Learning
模型在不更新權重的情況下，從 prompt 內範例、規則與上下文臨時對齊任務的能力
- Instruction Following
模型遵守任務範圍、格式、限制與停止條件的能力，是評估 instruction-tuned 模型能否落地的核心訊號
- Jagged frontier
AI 能力分佈不規則的 framing：某些看似簡單的任務 AI 容易壞、某些看似複雜的任務 AI 反而做得好
- Lark Grammar
Lark parser 使用的 EBNF-like grammar 格式，常被 structured output 工具拿來描述自訂輸出語法
- llama.cpp Tensor Split
llama.cpp 多 GPU 場景中把模型張量按比例切到多張卡上的權重分配機制
- Local vs Cloud LLM
用隱私、成本、延遲、能力與維運責任判斷任務該跑本地模型還是雲端模型
- Model Supply-Chain Trust
判斷模型權重、量化版本、registry 與本機檔案是否可信的供應鏈信任框架
- Multi-agent system
多個 LLM agent 協作的系統、跟 multi-call workflow 的差異在控制流跟責任邊界、三種拓樸 flat / hierarchical / agent-as-tool
- Multi-Step Retrieval
RAG 中多輪 retrieve → 判斷 → 再 retrieve 的控制流，用來處理 multi-hop 問題
- oMLX
以 MLX 為基礎、針對 Apple Silicon 長 context 與 SSD KV cache 優化的本地推論伺服器路線
- Positional Encoding
把 token 位置資訊注入 Transformer 的機制，讓 attention 能分辨順序與距離
- Query Decomposition
把複合 query 拆成可獨立檢索的子 query，平行取得證據後再合成答案
- Query Expansion
RAG 檢索前把一個 query 擴成多個語意變體，增加 coverage，再合併 retrieval 結果
- Query Rewriting
在 RAG 檢索前改寫使用者查詢，讓 query 更接近文件語言與索引分佈
- Query-Document Gap
使用者 query 與文件語言在詞彙、形態、抽象層級或領域分佈上的落差，是 RAG retrieval miss 的常見原因
- Reflection / Self-critique
要求模型先輸出一版、再 critique 自己、再修改的 prompting / workflow 模式、有自身失敗模式
- Residual Stream
Transformer block 之間持續傳遞與累積資訊的 hidden state 通道，常用於架構與 mechanistic interpretability 討論
- Retrieval Cost
RAG 檢索帶來的 latency、token、embedding、reranker、LLM call 與維護成本，用來判斷增強是否划算
- Retrieval Recall
衡量 RAG 檢索是否把應該命中的文件或 chunk 放進 top-k 結果，是 component-level eval 的核心指標
- Retrieval Source
RAG 從哪個 corpus、index、tool 或外部系統取回內容，決定來源可信度、freshness、權限與引用責任
- Sampling Constraint
推論時限制下一個 token 候選集合的控制手段，用來把模型生成導向合法格式或特定選項
- Structured Output
讓 LLM 輸出可被 parser 穩定消費的推論階段設計：JSON mode、schema-guided decoding、grammar 約束都屬於這一層
- Three-Layer Architecture
把本地 LLM 工具拆成介面層、推論伺服器層、模型權重層的基礎心智模型
- Tool Result Misread
Agent 誤讀工具輸出，把錯誤、空結果或部分成功當成成功，導致後續步驟建立在錯誤狀態上
- Tool-Use Permission Model
把 LLM tool use 的讀取、寫入、外部副作用與審查節點分級管理的權限模型
- Training Example Coverage
訓練資料中的任務範例是否覆蓋足夠情境，決定模型在 function calling、格式輸出與邊界案例上的穩定性
- Unigram Tokenizer
以機率模型選擇子詞切分的 tokenizer 演算法，常見於 SentencePiece 的 unigram 模式
- Word2Vec
早期靜態詞向量方法，用 skip-gram / CBOW 從上下文學出詞語 embedding
- WordPiece
以 likelihood improvement 選擇子詞合併的 tokenizer 演算法，BERT 系列代表性使用
- Acceptance Rate
speculative decoding 中 drafter 提出的 token 被 target model 接受的比例、決定實際加速倍率
- Activation Function
在 linear layer 之間插入的非線性函數、讓神經網路能表達非線性關係
- Active Parameter
MoE 模型每生成一個 token 實際參與計算的參數量、跟模型總參數量不同、影響推論速度上限
- Adam / AdamW
對每個參數自適應 learning rate 的 optimizer、LLM 訓練主流選擇
- Agent Loop
LLM agent 自我循環的工作流：LLM 規劃下一步、執行 tool、看結果、再規劃下一步、直到任務完成或停止條件觸發
- Agent Memory
Agent 在 context window 之外管理長期狀態的設計、五個層次：working / short-term / long-term episodic / semantic / procedural
- Attention
Transformer 內部讓每個 token 對其他 token 加權平均的核心機制、形成 KV cache 跟 context window 的計算基礎
- Backpropagation
從 output loss 反向遞推、用 chain rule 算出每個權重的 gradient 的演算法
- Batching
多 request 一起跑、攤平 model load 成本：production LLM inference 的核心優化、決定 throughput vs latency 取捨
- Beam Search
同時保留 K 條候選 sequence 的 decoding 策略、機器翻譯主流、chat / coding 場景慎用
- Bind Address
伺服器決定接受哪些網路介面的請求、127.0.0.1 / 0.0.0.0 / 具體 LAN IP 對應三層不同的暴露範圍
- BPE（Byte-Pair Encoding）
用「最常一起出現的字元對」合併建詞彙表的 tokenization 演算法、GPT / Llama 等主流
- Catastrophic Forgetting
Fine-tune 模型時、新訓練資料覆蓋掉原本學到的能力的現象、LoRA / 資料 mixing 是主要緩解
- Causal Mask
在 self-attention 裡擋掉「未來位置」的遮罩、讓 LLM 自回歸生成在訓練時也成立
- Chain-of-Thought（CoT）
讓 LLM 先輸出推理步驟再給最終答案的 prompting / 訓練方式、reasoning model 的基礎機制
- Chunking
把長文件切成可檢索片段的設計決策：resolution vs context loss 的本質取捨
- Client-Side LLM / Embedding
在 browser 內直接跑 LLM 或 embedding model 的 paradigm、靜態網站做 RAG 的關鍵基底
- CLIP
OpenAI 2021 提出的 contrastive image-text pretraining、現代 VLM 的 vision encoder 大多衍生自它
- Constrained Decoding
推論時用 grammar 強制 LLM 輸出符合特定格式（JSON / regex / CFG）的 sampling 機制、把不合法 token 的機率歸零
- Context Budget
Coding agent 的 context window 拆分配額：system prompt + tool schema + history + file content + reasoning + tool result 各佔多少、留多少 margin
- Contrastive Learning
用「相關 vs 不相關」成對 / 三元組樣本訓練 embedding 的方法、現代 embedding model 的核心訓練 paradigm
- Cross-Entropy
衡量「預測機率分佈」跟「真實分佈」距離的指標、LLM 預訓練的主要 loss
- Dot Product
兩個向量對應位置相乘再加總、attention score 跟相似度判讀的基礎
- DPO（Direct Preference Optimization）
RLHF 的簡化替代：跳過 reward model、直接從人類偏好資料 fine-tune LLM
- Embedding Layer
Transformer 第一層的查表結構、把整數 token ID 轉成可運算的向量
- Entropy
資訊論衡量「分佈的不確定性」的指標、cross-entropy / KL divergence 的基底
- FFN（Feed-Forward Network）
Transformer block 內部的兩層 linear + activation、佔模型參數量的多數
- Flash Attention
Attention 計算的記憶體友善實作、減少 GPU memory 讀寫、提升長 context 推論吞吐
- Floating Point（FP32 / FP16 / BF16）
fp32 / fp16 / bf16 浮點格式的位元結構與 LLM 訓練 / 推論的精度取捨
- Forward Pass
input 經過所有 layer 的計算、得到 output 的單向流程；推論跟訓練都會跑、訓練多一個反向階段
- GPU Compute Backend
GPU 加速計算的底層 API 介面（CUDA / ROCm / Vulkan / Metal / SYCL）、決定推論軟體能否用 GPU 跑得快
- Gradient
loss function 對權重的偏微分向量、指出「該往哪個方向調權重才能讓 loss 下降最快」
- Gradient Explosion / Vanishing
深層網路訓練中 gradient 透過 chain rule 累乘、容易爆炸或衰減到 0 的兩種失敗模式
- Hallucination
LLM 生成內容看起來合理但事實錯誤、引用不存在的來源、虛構不存在的 entity 的現象
- Homebrew
macOS 上社群維護的套件管理器、用一行指令安裝 CLI 工具與背景服務
- Hybrid Search
把字面 retrieval（BM25）跟語意 retrieval（embedding）的結果用 RRF 等方法合併、補單一路線的盲點
- Image Token
VLM 把圖片轉成「對 Transformer 而言跟 text token 同質」的向量、計入 context window 預算
- KL Divergence
衡量「兩個機率分佈差距」的非對稱指標、RLHF / DPO 等 alignment 訓練的關鍵約束
- launchd Service
macOS 原生的服務管理機制、把 process 註冊成自動啟動的 daemon 或 agent
- Layer Normalization
在每個 token 的 hidden state 上做正規化（減 mean、除 std）、穩定深層網路訓練
- Learning Rate
gradient descent 每步更新權重的幅度、訓練中最敏感的 hyperparameter
- LLM Benchmarks（MMLU / HumanEval / SWE-bench 等）
LLM 能力評估的標準 benchmark 集合：MMLU / HumanEval / MBPP / SWE-bench / MT-Bench 等的覆蓋範圍與失效情境
- LLM Tracing
把 LLM 應用的每次 LLM call / tool call / memory op 編成結構化 span、用 OpenTelemetry GenAI semantic conventions 標準化
- LLM-as-Judge
用 LLM 評估另一個 LLM 的輸出品質、production eval 的主流方法、500-5000× 成本降但有 bias 要處理
- Logit
softmax 之前的原始實數分數、每個 vocab token 一個值、可正可負
- LoRA
Low-Rank Adaptation：凍住原模型權重、只訓兩個小矩陣的 parameter-efficient fine-tuning
- Loss Function
把「模型預測」跟「正確答案」的差距量化成一個純量、訓練的最佳化目標
- Lost in the Middle
LLM 對 long context 中段內容的 attention / recall 顯著低於開頭與結尾的現象
- Matrix Multiplication
LLM 推論最頻繁的單一運算、forward pass 每層的核心、memory bandwidth 瓶頸的根源
- Mixture of Experts (MoE)
把 transformer 的 FFN 層拆成多個專家、每 token 只啟用少數、總參數大但每 token 計算量小的架構
- Model Card
Hugging Face 等平台上模型的 metadata 文件、列出模型來源、訓練資料、能力、限制、授權
- Model Tag
Ollama 等推論伺服器用來定位特定模型版本的命名規則
- MoE CPU 卸載
把 Mixture-of-Experts 模型不活躍的專家層權重放在系統 RAM、用到再走 PCIe 拉回 GPU、讓有限 VRAM 跑得了更大模型
- MTEB
Massive Text Embedding Benchmark：8 大類 56 任務、評估 embedding model 跨任務通用能力的標準
- Multi-Head Attention
把 attention 切成多個 head 並行計算、讓模型能同時注意多種模式
- Multimodal Fusion
VLM 把 vision encoder 跟 LLM 結合的方式：early fusion / cross-attention / native multimodal 三條路線
- Needle in a Haystack
把一個事實藏在 long context 不同位置、測試 LLM 能否抓出來的 benchmark 方法
- NVLink
NVIDIA 多 GPU 之間的高速互連介面、提供比 PCIe 更高的卡間頻寬、消費級 RTX 系列普遍不支援
- OWASP LLM Top 10
LLM 應用最常見 10 大資安風險的業界共同詞彙、跟模組六本地 dev 視角的 mapping 表
- PCIe
PC 上連接 GPU 跟主機板的高速序列匯流排、影響模型載入速度跟 MoE 卸載時的推論吞吐
- Perplexity
cross-entropy 的指數形式、直覺意義為「模型平均覺得下個 token 有多少種可能」
- Port 與 Localhost
TCP port 與 listen address 如何決定 API server 的對外暴露範圍
- Pre-training
LLM 訓練的第一階段：用 trillion-token 級網路文字做 next-token prediction、得到 base model
- Prefix Cache
把多個請求共用的前綴 prompt 的 KV cache 重用、省下重複 prefill 算力的優化、production 多用戶服務的常見設計
- Prompt Cache
重複出現的 prompt prefix 在推論伺服器或 LLM 服務端被 cache、後續 query 跳過 prefill、大幅降 cost 跟 TTFT
- Prompt Injection
把惡意指令藏進 LLM 會讀到的內容、誘導 LLM 跑出非開發者預期行為的攻擊類別、OWASP LLM01 列入頭號威脅
- QLoRA
把 base model 量化到 4-bit + LoRA fine-tune 的組合、消費級 GPU 也能 fine-tune 大模型
- Reasoning Model
訓練成自然輸出長 reasoning trace 的 LLM 變體、o1 / DeepSeek-R1 / Claude thinking 為代表
- Refusal Rate
LLM 拒絕回答 prompt 的比例、是 production LLM 服務偵測對齊強度跟異常行為的常用訊號
- Reranker
對 retrieval top-K 結果用 cross-encoder 重新排序的 RAG 第二階段、品質提升顯著但 latency / cost 增加
- Residual Connection
把 layer 的輸入直接加到輸出上的「跳接」、讓深層網路的梯度能穩定回流
- RLHF
Reinforcement Learning from Human Feedback：用人類偏好訓練的 reward model 透過 RL 對齊 LLM
- RoPE（Rotary Position Embedding）
用旋轉矩陣把位置資訊直接旋轉進 Q/K 向量、現代 LLM 主流的位置編碼方式
- Sandbox
把程式跑在受限制環境的隔離技術、限制檔案 / 網路 / 系統呼叫權限、是 tool use 跟 MCP server 副作用控制的基礎
- Scaffold vs Harness
Coding agent 的兩個工程層次：scaffold 是建構時靜態結構、harness 是 runtime 的 tool dispatch + context management + safety
- Self-Attention
Q / K / V 都從同一個 sequence 投影出來的 attention、Transformer 的標誌性設計
- SentencePiece
Google 開源的多語言 tokenization 框架、支援 BPE 跟 unigram 演算法、處理空白統一
- SFT（Supervised Fine-Tuning）
在 base model 上用「指令-回答」對資料微調、讓模型會跟著指令走
- SGD
Stochastic Gradient Descent：每次用 mini-batch 算 gradient 更新權重的基礎 optimizer
- Shell 背景 Process
終端機 process 的前景 / 背景生命週期、訊號控制、找出佔用 port 的 process
- Softmax
把任意實數向量正規化成「總和為 1、每個分量 ∈ [0,1]」的機率分佈
- Special Tokens
在 vocab 中保留給特殊用途的 token：sequence 邊界、角色標記、padding、tool call 等
- Subagent
Coding agent 中把特定責任拆給專門子 agent 的設計模式、各 subagent 有獨立 context、由 main agent 透過 handoff 調度
- System Prompt
LLM application 中由開發者預設、不直接顯示給使用者的指令層、定義模型的角色、行為規範、輸出格式
- Tensor
多維陣列、矩陣是 2D 特例、PyTorch / MLX / JAX 等 framework 的核心型別
- Test-Time Compute
推論時動態增加計算量換取答案品質的 paradigm、reasoning model 跟 best-of-N 的共同基底
- Tool Use
LLM 透過結構化呼叫外部工具（讀檔、查資料庫、發 API request）來擴展能力的設計、function calling 跟 MCP 是常見實作
- Top-K / Top-P / Min-P Sampling
從機率分佈取樣前先過濾低機率 token 的三種策略、現代 LLM 推論主流
- Vector Database
為高維向量 (embedding) 設計的儲存 + 近似最近鄰 (ANN) 檢索系統：RAG 從 prototype 跨到 production 的關鍵元件
- Vector Norm
衡量向量大小的純量值、L1 / L2 / L∞ 各有用途、cosine similarity 的基礎
- Vision Encoder
VLM 內部負責把圖片轉成可進 Transformer 的向量序列的模組、ViT / CLIP encoder 為主流
- VLM（Vision-Language Model）
同時吃圖片 + 文字輸入、產生文字輸出的 LLM 變體、coding 工作流中處理截圖 / 設計稿 / UI debug 的基底
- Vocabulary Size
tokenizer 詞彙表的 token 總數、影響 embedding 大小、tokenization 粒度、多語言友善度
- VRAM
顯卡上的記憶體、跟系統 RAM 是兩塊獨立預算、決定能載入多大模型權重跟 KV cache
- Autoregressive
LLM 一次生成一個 token、把已生成內容作為下一次輸入的架構
- Base Model
未經指令微調的原始模型：擅長文字接龍、適合下游微調用途
- Context Window
模型一次能處理的最大 token 數量：prompt 加生成的總和上限
- Diffusion
產圖用的生成式 AI 架構：跟寫 code 用的 Transformer 是不同路線
- Drafter Model
speculative decoding 中用來快速猜未來 token 的小模型
- Embedding Model
把文字轉成向量的模型：用於 codebase 索引與語意搜尋
- Function Calling
模型訓練階段建立的「呼叫工具」能力：知道何時該呼叫、傳什麼參數
- GGUF
llama.cpp 生態定義的模型權重格式：把權重、tokenizer、metadata 打包成單一檔案
- Inference Server
載入模型權重、處理 prompt、產生 token 的常駐 process
- Instruction-Tuned Model
經過指令微調的模型：會跟著 prompt 走、回答使用者問題
- KV Cache
已處理 token 的 attention 中間結果暫存：避免重算、加速後續生成
- LLM Agent
把控制流交給 LLM 的應用模式：自主決策、跨多步呼叫工具、人類角色從主導變監督
- MCP（Model Context Protocol）
LLM application ↔ 外部 tool server 之間的標準化協議、複用 OpenAI 相容 API 的成功模式
- Memory Bandwidth
記憶體每秒能讀寫多少 bytes：決定本地 LLM 生字速度的真正瓶頸
- MLX
Apple 釋出的 Apple Silicon 數值運算 framework：類似 PyTorch / JAX 的 Mac 對應物
- Multi-Token Prediction (MTP)
Google 為 Gemma 系列釋出的 speculative decoding 工程化實作
- OpenAI 相容 API
本地推論伺服器跟雲端 OpenAI 共用的 API 形狀標準
- Prefill
Prompt 首次處理時的計算階段：把整段輸入跑過模型、產生 KV cache
- Quantization
用較少 bits 表示模型權重：壓縮記憶體佔用、加快生字速度，代價是少量品質衰減
- RAG
Retrieval-Augmented Generation：動態外掛知識給 LLM、繞開模型參數記憶的靜態限制
- Speculative Decoding
用小模型猜未來 token、大模型並行驗證的加速技巧
- SWE-bench
用真實 GitHub issue 量化 LLM coding 能力的 benchmark
- Token
LLM 處理文字時的最小單位：介於字元與單字之間
- Tokens Per Second
LLM 每秒能生成幾個 token：生字速度的標準量化指標
- Transformer
寫 code 用的 LLM 神經網路架構：基於 attention 機制、自回歸生成 token
- TTFT
Time To First Token：送出 prompt 到第一個 token 出現的等待時間
- Unified Memory Architecture
Apple Silicon 讓 CPU / GPU / NE 共用同一塊記憶體：跑大模型的優勢來源
- GNU Stow
dotfile 管理文章裡提到 stow、symlink、package 看不懂時回來讀 — stow 的核心概念和常用指令
- State（IaC 狀態檔）
IaC 工具用來記錄每個納管資源在雲端真實樣貌的快照，是比對差異與排定操作順序的依據
- Vertical SaaS
說明專做單一行業的 SaaS 與其競爭策略
- Rice（桌面視覺客製化）
Linux 桌面文章裡看到 rice / ricing / ricer 不確定意思時回來讀
- Drift（設定漂移）
IaC 的 state 與雲端實際狀態之間的不一致，通常因為有人繞過 IaC 直接在 Console 改設定
- Horizontal SaaS
說明跨行業通用的 SaaS 模式
- VPC（Virtual Private Cloud）
雲端帳號內的一塊邏輯隔離私有網段，是所有網路切分的起點與容器
- CDP
說明客戶資料平台的角色與商業定位
- Subnet（子網路）
VPC 內按可用區與暴露程度切出的子網段，決定資源有沒有一條通往網際網路的路徑
- Enterprise License
說明企業級授權的商業模式與鎖定效應
- Security Group
掛在資源網卡層級的有狀態防火牆，逐埠決定哪些來源能連進這個資源
- NAT Gateway
讓 private subnet 的資源主動對外連線、同時不被外部入站觸及的網路地址轉換服務
- OIDC 聯合
讓 CI/CD 平台用短期 token 取代長期 access key 存取雲端資源的身分聯合機制
- 環境分離
把同一套基礎設施定義複製成多份隔離的執行實例，各有獨立 state 與故障半徑
- CloudTrail
AWS 的 API 層稽核日誌服務，記錄誰在什麼時候對什麼資源做了什麼操作
- COGS
說明銷售成本與其對毛利的影響
- ECS
AWS Elastic Container Service — 受管的容器編排服務，用 task definition 描述容器配置、由平台負責排程與健康管理
- Gross Margin
說明毛利率與其對商業模式可行性的決定作用
- ALB
Application Load Balancer — 流量進入系統的第一站，負責 listener 路由、健康檢查與 TLS 終結
- Marginal Cost
說明邊際成本及其對商業模式擴張性的決定作用
- CIDR（Classless Inter-Domain Routing）
用前綴長度表示 IP 地址範圍的表示法，決定 VPC 與 subnet 的地址空間大小
- P&L
說明損益表的結構與商業判讀作用
- 字型的可用集合在 process 啟動時決定
裝了字型但應用程式 / 狀態列 / 通知還是看不到、還是豆腐時回來讀
- IAM（Identity and Access Management）
雲端平台的授權系統，回答「某個身分能不能對某個資源做某件事」
- Burn Rate
說明燒錢速度及其對新創存活的決定作用
- Wayland Session Lock（鎖屏安全狀態）
hyprlock / swaylock 畫面卡住、pkill 後進不了桌面、或要在 VM / 自動化環境測試鎖屏時回來讀
- Route Table
掛在 subnet 上的流量轉送規則，決定封包離開 subnet 後往哪走
- Runway
說明新創的現金跑道與融資時點
- fontconfig — 字型搜尋、匹配與 fallback 服務
不確定 fc-list / fc-match / fc-cache 各做什麼、或 fontconfig fallback 機制怎麼運作時回來讀
- SCP (Service Control Policy)
AWS Organizations 層級的權限天花板，套用到 OU 後連管理員都越不過
- Remote State Backend
把 Terraform state 從本地搬到團隊共享儲存的機制，同時滿足持久保存、並行鎖與敏感值保護
- Trust Policy
IAM role 的信任關係設定，規定哪個身分被允許 assume 這個 role
- Deletion Protection
雲端平台提供的防誤刪機制，開啟後刪除操作需要先顯式關閉保護才能執行
- checkov
開源的 IaC 靜態安全掃描工具，在不建立資源的前提下比對已知的壞寫法與安全反模式
- GTM
說明進入市場策略的完整含義
- Fargate
AWS ECS 的無伺服器執行模式，由 AWS 代管運算實例，不需要管 EC2 capacity 或 AMI 更新
- PLG
說明產品自助成長模式與其經濟前提
- phpMyAdmin
Web 介面的 MySQL / MariaDB 管理工具，透過瀏覽器操作資料庫
- FDE
說明前線部署工程師模式的成立條件
- FileZilla
跨平台的 FTP/SFTP client，提供目錄同步瀏覽和檔案比較功能
- JV
說明合資企業的戰略用途
- cPanel
Web 主機管理面板，提供 PHP 版本切換、cron、email、SSL、備份等功能的圖形介面
- CAC
說明獲客成本及其對商業模式可行性的決定作用
- .htaccess
Apache Web Server 的目錄層級設定檔，控制 URL rewrite、存取權限、PHP 設定覆寫與安全標頭
- .env
存放環境變數的純文字檔案，把機密值從程式碼分離出來
- php.ini / .user.ini
PHP 的執行期設定檔，控制記憶體上限、上傳大小、錯誤報告等 runtime 行為
- DNS
Domain Name System — 把域名轉成 IP 位址的系統，以及 A record、CNAME、NS、TTL 的角色
- SSL / TLS
加密 client 與 server 之間通訊的協定，讓 HTTPS 成為可能。TLS 是 SSL 的後繼者，但 SSL 憑證的稱呼仍廣泛使用
- SSH
Secure Shell — 加密的遠端 shell 連線，有 SSH 等於有 CLI 工具鏈，沒有就只能靠 FTP 和 web 面板
- Lock-in
說明鎖定效應如何形成護城河
- FTP
File Transfer Protocol — 檔案傳輸協定，無 SSH 環境的主要檔案管理方式。SFTP 和 FTPS 是其加密變體
- Switching Cost
說明切換成本如何鞏固客戶留存
- cron
Unix/Linux 的排程工作系統，按時間表自動執行指令。接手維運時要盤點所有 cron job
- Retention
說明客戶留存率與其對單位經濟的決定作用
- nginx
高效能 Web Server 與 Reverse Proxy，以集中設定檔取代 Apache 的 .htaccess 分散設定
- Thin Wrapper
說明薄包裝產品的脆弱性
- MySQL
最廣泛使用的開源關聯式資料庫。MariaDB 是其社群分支。大版本升級（5.7→8.0）有認證方式和查詢行為的 breaking change
- Fat Data / Fat Skill
說明獨家資料與行業隱性能力作為 AI 時代的護城河
- RDS
AWS 的受管關聯式資料庫服務，代管備份、更新與 failover，讓使用者專注在 schema 和查詢
- Connector
說明被收編進生態系變成整合工具的命運
- S3
AWS 的物件儲存服務，用 bucket + key 組織檔案，提供 versioning、加密、lifecycle 與存取控制
- EC2
AWS 的虛擬機器服務，提供可隨時啟停的運算實例，組成包含 AMI、instance type、EBS、security group 與 IAM role
- EBS
掛在 EC2 instance 上的持久化區塊儲存（虛擬磁碟），支援 snapshot 快照備份，跟 instance 獨立生命週期
- HCL
Terraform 使用的宣告式設定語言，用 resource block 描述基礎設施的目標狀態，工具負責收斂差異
- terraform plan / apply
IaC 的兩個核心操作：plan 只看不動（產出差異報告）、apply 真的動（執行差異）
- Red Ocean / Blue Ocean
說明紅海競爭與藍海空白的賽道狀態
- AMI
EC2 instance 的作業系統映像快照，包含 OS、軟體、設定與磁碟內容，從 AMI 開出的 instance 跟原始狀態一樣
- Consolidation Cycle
說明整併週期的階段特徵
- Composer
PHP 的套件管理工具，管理專案的第三方依賴、版本鎖定與安全掃描
- Niche Market
說明利基市場的特性與 SaaS 經濟學
- mysqldump
MySQL / MariaDB 的 CLI 備份工具，把資料庫匯出成 SQL 語句的純文字檔
- High Stickiness
說明高黏著度的形成條件
- Reverse Proxy
代替後端服務接收外部請求、再轉發到內部服務的中介層，承擔 TLS 終結、負載平衡與路由分流
- Rigid Demand
說明剛性需求的判讀訊號
- Database Migration
用版本化的 SQL 腳本管理資料庫 schema 的變更歷程，讓 schema 變更可追蹤、可重現、可回退
- Frontier Capability
說明前沿能力差距如何影響商業策略
- Prometheus
開源的 metrics 收集與告警系統，用 pull 模式從 target 拉取指標，斷網環境的預設監控方案
- Distribution
說明分發優勢作為現有玩家的核心護城河
- Grafana
開源的監控視覺化平台，從 Prometheus / Loki / Elasticsearch 等資料源建立 dashboard
- HashiCorp Vault
機密管理系統，集中存放密碼、API key、TLS 私鑰，提供存取控制、稽核和自動輪替
- Harbor
開源的 container image registry，支援映像掃描、RBAC、複製，斷網環境取代 Docker Hub 的方案
- Helm
Kubernetes 的套件管理工具，用 chart 打包一組 K8s 資源的部署定義
- Venture Capital (VC)
說明創投的投資邏輯與對新創估值的影響
- Private Equity (PE)
說明私募基金與其對中型企業市場的策略意涵
- Valuation
說明估值的構成與商業判讀作用
- Valuation Compression
說明估值壓縮如何影響新創生存
- Unit Economics
說明單位經濟模型與其判斷一家公司是否賺錢的責任
- LTV
說明客戶終身價值與其在估值中的作用
- Tacit Knowledge
說明隱性知識與其作為護城河的價值
- Evaluation Set
說明評估集如何把隱性知識編碼進 AI 產品
- PRD
說明產品需求文件與其在傳統 SaaS 開發中的角色
- Wireframe
說明線框圖在傳統產品設計流程中的角色
- Vibe Code
說明用 AI 即時生成程式的開發模式
- Judgment Stake
說明判斷的賭注被 AI 放大的結構
- Junior Buffer
說明初階員工作為組織判斷緩衝的傳統結構