"Knowledge-Cards"
- Lua Scripting Language（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 Offload（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 Background Process（Shell 背景行程）
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-Compatible API（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
- 環境 as code 的三個尺度
搞不清楚 dotfile / Dockerfile / IaC 的分界、或某個 Dockerfile 到底該放個人 repo 還是專案 repo 時回來讀 — 環境 as code 的個人/應用/組織尺度與歸屬判準
- 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
辨識一個工具是不是客戶資料平台、或判讀它在賽道分類軸上的位置時，用來區分跨行業單一功能層與垂直 SaaS 的差異
- 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 Federation（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
- Environment Separation（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
- 證據來源分類（evidence provenance）
手上兩本書講同一件事而結論不同、或要拿一本書去支持一個實際決定時，用來判斷它支持得了多大範圍的決定
- Lead Time（交期，LT）
看到交期數字要換算成庫存覆蓋要求、或市場交期全面拉長要調整備料節奏時查閱
- 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
- Quickshell（QML 桌面 shell runtime）
rice 模組反覆出現 Quickshell、想確認它跟 Caelestia 誰是框架誰是成品、為什麼裝它要 200 多 MB、pgrep 為什麼找不到它時讀
- 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
- logind Session 與 Seat（VT 與輸入權的持有者）
compositor 從 SSH 起不來報 seat / DRM 錯、想確認哪個 session 在 active VT、或 loginctl 輸出跟畫面狀態對不上時讀
- Trust Policy
IAM role 的信任關係設定，規定哪個身分被允許 assume 這個 role
- systemd OnFailure（失敗觸發鉤子）
想讓某個服務進 failed 時自動觸發告警或修復動作、或發現 OnFailure 每次重啟中途都觸發把告警洗爆時讀
- 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
- 處境相容性（context compatibility）
一本書或一套做法讀起來都對、換算到自己的組織卻沒有一條動得了時，用來定位缺的是哪一個環境條件
- Forecast（需求預測，FCST）
判讀 forecast 可信度、校正旺季膨脹與備料量時查閱
- systemd drop-in（不改原檔的設定疊加）
想覆寫套件裝的 systemd unit 又不被升級蓋掉、一次對所有 service 套一條設定、或搞不清 systemctl edit 改了哪個檔時讀
- 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
- 協作形態（collaboration mode）
團隊管理的建議逐條檢查都沒有明顯衝突、換算到跨時區團隊卻一條都落不了地時，用來定位失效的是哪一批論證
- Risk Buy（風險備料）
缺料訊號出現、考慮在需求確定前先卡料或產能，要權衡供貨保障與呆料風險時查閱
- 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
- Safety Stock（安全庫存）
決定一顆料的安全庫存該設多厚、或懷疑現有緩衝在積壓現金時查閱
- Image Tag Pinning
本機跟線上跑同一份 code 卻行為不一致、或 image 隔幾週重 build 就變樣時回來讀 — 為什麼 tag 要釘到 OS 世代
- 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
- glibc 與 musl
考慮用 alpine image 縮小體積、或 PHP/Python 擴充在容器裡行為跟線上不同時回來讀 — 兩種 libc 的差異與怎麼選
- 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
- Prod Parity Principle（生產環境對等原則）
要建一個對齊 client 線上環境的本機 runtime、不知道該對齊到多細時回來讀 — parity 對齊的是凍結舊環境而非最新版
- 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
- Package Manager 抽象層
同一份 dotfile 要從 Arch 跨到 Debian/macOS、不確定哪些要改哪些能共用時回來讀 — 綁 distro 的只有 package manager 這一層
- 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
- 發行版打包粒度
同一個 install 指令在不同發行版拉的套件數差一個量級、或某工具在某發行版根本沒打包時回來讀 — 發行版怎麼切套件顆粒度
- 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
- apt 安裝的交易原子性
apt-get install 一次帶多個套件、其中一個名字沒打包卻導致整批都沒裝時回來讀 — apt 為什麼全有或全無
- 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
- git credential helper
要弄懂 git 怎麼不手打帳密就取得 HTTPS 認證、gh auth login 自動設定跟手動指到某程式是不是同一機制、或 clone/push 卡認證時回來讀
- 寄售（Consignment）
想讓手上隨時有料又不先押現金、評估跟供應商談寄售的條件與可行性時查閱
- Connection Refused vs. Timeout（連線被拒與逾時）
遠端連不上、要判斷是封包到不了還是服務拒絕、決定往網路層還是服務層除錯時回來讀
- Mosh Local Echo Prediction（本地回顯預測）
高延遲下 mosh 打字為何即時、它跟中文（雙寬字）顯示為何衝突、以及怎麼確認 client 真的走 mosh 而非退回 SSH 時回來讀
- SSH Key Storage（SSH 金鑰儲放與 authorized_keys）
配置 SSH 免密碼登入、要知道私鑰放哪、公鑰怎麼授權、多裝置各自的鑰匙怎麼管、或高權限操作該不該給完整金鑰時回來讀
- TCP Connection Roaming（連線與漫遊）
遠端連線一換網路（Wi-Fi 切行動網路、休眠喚醒、換 IP）就斷、想知道為什麼 SSH 扛不住而 mosh 撐得住時回來讀
- 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
- 動靜分離（Static / Dynamic Content Separation）
決定入口層或 reverse proxy 怎麼分配請求時，用動靜分離把不需要應用邏輯的靜態資源直接回掉、只把動態請求轉給應用伺服器
- Golden Path / paved road
要判斷該不該為一套重複性的 setup 鋪一條預設路徑、或分辨組織尺度的 developer portal 跟個人尺度的 repo 加腳本加路標哪個適用時回來讀
- Docker Named Volume Ownership（掛載點擁有者）
container 內非 root 使用者寫不進掛載的 named volume、出現 permission denied 時回來讀
- Runtime Secret Injection（機密注入）
要決定 token / 金鑰放哪、能不能烤進 image 或提交進（即使私有的）repo 時回來讀
- Private Equity (PE)
說明私募基金與其對中型企業市場的策略意涵
- Terminal CJK Input（終端 CJK 雙寬字與即時輸入）
手機 / 遠端終端能貼中文卻打不出來、或打中文時畫面錯位時回來讀
- Valuation
說明估值的構成與商業判讀作用
- SIGHUP（斷線即死訊號）
遠端跑的程序在 SSH 一斷就消失、想知道為什麼直接掛在連線上的任務活不過斷線、該把工作放哪一層時回來讀
- Valuation Compression
說明估值壓縮如何影響新創生存
- OOM Killer and Exit Code 137（OOM killer 與退出碼 137）
程序或 container 被無預警砍掉、退出碼是 137、或編譯 / 測試在記憶體吃緊時突然死掉、要判斷是不是記憶體不足時回來讀
- 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
- Contribution Margin
判斷一個通路、產品線或訂單是否值得保留時，用邊際貢獻衡量它對固定成本分攤的貢獻
- LTV
說明客戶終身價值與其在估值中的作用
- Opportunity Cost
評估一項投資或決策時，用機會成本衡量放棄的最佳替代方案的報酬
- Free Cash Flow
判斷一家公司的利潤品質和自給自足能力時，用自由現金流衡量實際能分配的現金
- Cash Conversion Cycle
評估一家公司的供需營運效率時，用現金週轉循環衡量資金在營運流程中被卡住多久
- Sunk Cost
做續行或退場決策時，辨識沉沒成本以避免讓已發生的支出影響未來判斷
- GMV
比較平台型企業的營收規模時，用 GMV 和 Take Rate 區分平台經手的交易總量與平台實際賺到的錢
- 斷料（Stockout）
權衡備料成本與停線風險、或要向人解釋為什麼絕不斷料是理性底線時查閱
- Tacit Knowledge
說明隱性知識與其作為護城河的價值
- Human Capital（人力資本）
評估小型事業續行或退場決策時，把經營者的技能與經驗當成會增值或折舊的資產納入判斷
- 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
- Commodity Business
判斷一間公司是否受困於大宗商品結構（產品同質、定價被市場決定、利潤被上下游夾擠）時，辨識 commodity 特徵和突圍路徑的概念
- 公司公開程度：上市 / 上櫃 / 公開發行未上市 / 未公開發行
判斷一間公司的財報查不查得到時，區分「股票有沒有在交易所交易」與「有沒有依法申報公開財報」——兩者是不同軸，公開發行未上市的公司沒有股價、卻有完整公開財報
- Capex
用資本支出的方向和量級追蹤企業的真實策略意圖——錢投在哪裡比管理層說什麼更能揭示優先序
- 冰磚奶
評估進口乳品對國產鮮乳的替代威脅時，辨識冷凍濃縮乳的成本優勢、滲透路徑和業務通路 vs 零售通路的差異化反應
- ROE
從股東視角衡量資本報酬時，用 ROE 區分「產品賺錢」與「股東賺錢」、用[杜邦拆解](/business/knowledge-cards/dupont-analysis/)辨識報酬率由哪支槓桿驅動
- Second Source（第二供應商）
評估一顆料要不要培養替代供應商、或被質疑為什麼要養第二家時，用來理解第二來源分散的風險形態與導入的真實成本
- Revenue Recognition（收入認列）
判斷一筆營收該不該認、認在哪一期時，用收入認列準則把時點綁定控制權移轉，而非開發票或出貨的時間
- Parent-Attributable Income（歸母淨利）
計算控股集團的每股盈餘或 ROE 時，分辨合併淨利中屬於母公司股東的部分與非控制權益，避免用總淨利高估資本報酬
- Going Concern（繼續經營假設）
判斷一家公司未來一年內能不能撐下去時，用繼續經營假設檢視是否存在使企業無法持續營運的重大不確定性
- Valuation Band（估值帶）
判斷當前股價貴或便宜時，用該公司自身指標的多年歷史區間當座標系，並分辨帶內位置與帶本身位移這兩種不同的訊號
- Channel Stuffing（通路填塞）
辨識期末營收灌水時，用通路填塞指認向經銷商超額壓貨、把缺乏真實終端需求的出貨提前認列為營收的手法
- Normalized Earnings（正常化盈餘）
估值前處理盈餘品質時，分辨近四季實際數（trailing）與剔除一次性項目後的可持續盈利能力，避開週期高峰的低本益比陷阱
- Cut-off Testing（截止測試）
查核營收是否認在正確會計期間時，用截止測試抽查結帳日前後的交易、比對認列期與控制權移轉證據
- Operating Margin（營業利益率）
衡量本業獲利能力時，用營業利益率看毛利被營業費用吃掉多少、跟毛利率的落差讀出費用結構的重量
- Net Margin（淨利率）
判讀最終獲利留存時，用淨利率看每元營收扣完全部成本費用稅負後剩多少、並辨識業外損益的貢獻是否遮蔽本業
- EPS（每股盈餘）
把公司獲利換算到每股尺度做跨公司與跨期比較時，用 EPS 的口徑（歸母分子、股數基準、追溯調整）避免序列失真
- Market Cap（市值）
股價 800 元的公司比股價 80 元的大嗎？公司規模與市場定價的比較單位是市值（股價 × 股數）、且它是價格而非價值
- P/E Ratio（本益比）
用獲利倍數做相對估值時，理解 P/E 承載的是成長預期、並檢查分母獲利的品質再比較高低
- Depreciation & Amortization（折舊與攤提）
看懂重資產公司的獲利結構時，理解折舊攤提怎麼把資本支出分年進入損益表、以及它作為固定成本如何製造營業槓桿
- Related-Party Transaction（關係人交易）
判讀集團企業的財報可信度時，用關係人交易附註檢查內部定價對毛利率的影響、把連動的兩家公司放在一起看
- NPI（新品導入）
評估換供應商或導入替代料的時程與風險時，用來理解新品導入驗證為什麼是必經成本、放量為什麼跟著驗證證據走
- Same-Store Sales（同店銷售）
評估連鎖品牌的真實健康度時，用同店銷售把展店效應從營收成長中扣掉、再拆漲價與來客數的貢獻
- Dividend Yield（殖利率）
評估收益型持股的報酬結構時，用殖利率把配息金額換算成相對買入成本的年化收益率，並跟本益比隱含的成長敘事分開判讀
- Payout Ratio（配息率）
判讀配息可持續性時，用配息率看公司把多少獲利分給股東、多少留下來，並檢查配息率是否被股權操作機械性推高
- Operating Leverage（營業槓桿）
判讀營收成長為何讓利潤放大或壓縮不成比例時，用營業槓桿追蹤固定成本攤提在成長期與衰退期的相反效果
- Cash Flow Statement（現金流量表）
拆解損益表利潤跟銀行現金餘額的落差時，用現金流量表的營業、投資、融資三段找出利潤品質與資金鏈狀態的具體位置
- PPAP 與首件檢驗（量產核准）
看到 PPAP、FAI、首件、量產核准這類詞，想知道供應商驗證通過後為什麼還有一道正式關卡、它卡在導入時程的哪裡時查閱
- Accounts Receivable（應收帳款）
營收在成長、現金卻沒進來——應收帳款天數與帳齡結構分辨的是信用政策放寬還是客戶付款能力惡化
- Consolidated Financial Statements（合併報表）
評估控股集團財報時，理解合併報表如何把有控制權的子公司營收獲利全額併入母公司報表、而非按持股比例部分認列
- Non-Controlling Interest（非控制權益）
計算控股集團的歸母淨利或拆解合併報表結構時，區分子公司獲利中屬於母公司股東與屬於外部股東的部分
- Impairment（減損）
損益表突然出現一次性大額損失是怎麼回事？減損在資產帳面價值高於可回收金額時強制認列——背後常是商譽或產能的風險現形
- Survivorship Bias（倖存者偏誤）
拿到一組產業基準、同業比較或成功案例時，用來判斷那批樣本是不是先被結果篩過、數字該往哪個方向修正
- Transfer Pricing（轉移定價）
判讀垂直整合集團裡單一公司的毛利率是否被扭曲時，理解轉移定價如何決定利潤在上下游關係人之間怎麼分配
- 追料（Expediting）
料在途中疑似延遲、要決定從哪個節點介入而不是空催時查閱
- Share Pledge（股票質押）
評估控股股東的治理風險時，用股票質押比率判讀控制權是否建立在槓桿上、以及股價下跌時的平倉壓力
- Inventory（存貨）
存貨天數變動要分辨備料擴產還是滯銷積壓，拆原料、在製品、成品三種形態才能判方向
- Data Gravity（資料重力）
判讀一個平台的黏著度或客戶遷移成本時，用資料重力衡量累積的資料如何隨時間單調推高離開成本、以及這股重力可不可被拆解
- Accounts Payable（應付帳款）
應付帳款天數拉長要分辨議價力增強還是現金週轉吃緊，它是跟應收帳款相反的無息供應商融資
- Crush Margin（壓榨價差）
判讀壓榨廠或油脂雙寡頭的獲利為何隨黃豆價反向變動時，理解壓榨價差如何用聯產品收入減原料成本衡量單噸利潤、以及毛價差與淨利潤的差別
- Shareholders' Equity（股東權益）
淨值的變化來源決定它的品質，是 ROE 分母與負債比率的另一半，判讀看成長來自保留盈餘還是增資稀釋
- Value-Chain Span（價值鏈涵蓋段）
比較同產業兩家公司的毛利率高下時，判斷毛利率差距是效率差異還是涵蓋的價值鏈段不同——不同 span 的毛利率不可直接當效率比較
- Current Ratio（流動比率）
短期償債能力的第一道檢查，但流動資產裡的存貨與應收品質決定它會不會高估償債力
- 替代料（Alternate Part）
主料缺貨、停產或被單一來源綁住，評估替代路徑時查閱：替代料的認證時點、AVL 狀態與快速承認的條件
- Debt Ratio（負債比率）
財務槓桿的總量指標，判讀要拆有息負債與營運負債、並連結利息保障倍數看償付力
- Interest Coverage Ratio（利息保障倍數）
償付利息的安全邊際——營業利益除以利息費用，判讀公司獲利離付不出利息還有多遠
- AVL（合格供應商與料件清單）
判斷一顆料或一家供應商能不能直接採用、生命週期標記要不要反映到選型限制時查閱
- Revenue（營業收入）
營業收入是本業銷貨的認列金額、要跟業外收入與實際收現分辨，它是所有獲利率指標的共同分母
- Operating Expense（營業費用）
營業費用是本業的期間費用（研發加銷管），跟營業成本是損益表上兩個不同科目，混為一談會誤判成本結構
- Cash and Cash Equivalents（現金及約當現金）
資產負債表最流動的一項——現金加三個月內到期的高流動性投資，判讀流動性與危機承受力的起點，要看相對量非絕對量
- Ship and Debit
發現同一顆料各代理商報價幾乎一致、想知道價格權在誰手上、議價該找誰時查閱
- DuPont Analysis（杜邦拆解）
把 ROE 拆成淨利率乘資產週轉率乘權益乘數，辨識一個報酬率由獲利、營運效率、還是財務槓桿驅動
- Vertical Integration（垂直整合）
判斷企業把價值鏈相鄰環節自製還是外購時，權衡成本內部化與供應鎖定的優勢、對資本沉澱與抗風險彈性的代價
- Farmgate Price（農場交貨價 / 生乳收購價）
判斷生產者從終端零售價裡分到多少時，用農場交貨價佔零售價的比例辨識中間段加價是真實成本還是通路剝削
- Contract Farming（契約養殖 / 契作）
判斷整合商與小農的契作安排時，辨識風險與資本轉移的方向、以及議價不對等如何決定合約的公平性
- MLCC（積層陶瓷電容）
電路中穩定電壓的被動元件——容值越高能吸收的電流波動越大，但高容值需要更多陶瓷層疊加更薄的介電層，製造門檻集中在村田等少數日系廠商，AI 伺服器對高容值的需求直接轉化成供需緊張
- Design Win
想把議價對象從代理商移回原廠、評估用設計導入換專案價的代價時查閱
- HBM（High Bandwidth Memory，高頻寬記憶體）
AI 加速器專用的記憶體封裝——把多層 DRAM 晶粒垂直堆疊再與 GPU 封裝在同一基板上，頻寬比傳統 DRAM 高一個量級，但每顆消耗的晶圓面積是傳統 DRAM 的 3-4 倍，成為 AI 算力擴張的產能瓶頸
- DRAM（動態隨機存取記憶體）
電腦運行時暫存資料的記憶體晶片——揮發性（斷電即失）、標準化規格、三家寡占（三星/SK 海力士/美光合計 95%+），景氣循環劇烈，是理解記憶體產業供需與 HBM 產能擠壓的基礎概念
- EMS（電子專業製造服務）
專替品牌商代工生產電子產品的製造商——品牌商（OEM）決定產品規格、EMS 負責製造與組裝，利潤來自製造規模與效率而非產品定價權，是電子供應鏈中連結設計端與零件端的關鍵角色
- ODM（原始設計製造商）
自行設計產品、再替品牌商貼牌出貨的製造商——比 EMS 多了設計能力、比 OEM 少了品牌和通路，利潤介於兩者之間，常見於筆電和伺服器等標準化程度較高的品類
- OEM（原始設備製造商 / 品牌商）
擁有產品品牌、決定產品規格與售價的公司——在電子供應鏈中是終端需求的發動者，向 EMS/ODM 下單製造、向零件廠採購關鍵元件，缺貨時的搶貨行為是牛鞭效應的起點
- NCNR（不可取消不可退）
判斷一顆料能往前卡多深、遇到 NCNR 或改單截止日時下單量要收斂到多少時查閱
- Bullwhip Effect（牛鞭效應）
供應鏈中需求訊號逐層放大的結構性現象——終端需求波動 10%，到上游零件廠可能變成 50-200% 的訂單波動，層數越多放大越劇烈，是理解電子元件缺貨潮和庫存循環的基礎模型
- ASP（Average Selling Price，平均單價）
營收除以出貨量——拆解營收成長到底來自量增還是價增的基本工具，在週期性產業（MLCC、DRAM）中 ASP 波動常主導短期毛利率走向，跟 unit economics 定位在不同層級
- CAGR（年均複合成長率）
把不規則的多年成長壓縮成一個等效年增率——消除逐年波動看長期趨勢的工具，但會掩蓋中間年度的劇烈起伏，週期性產業的 CAGR 取決於起訖點落在景氣循環的哪個位置
- Wafer Foundry（晶圓代工）
專替晶片設計公司製造晶圓的半導體廠——台積電為代表，fabless 設計公司將製造外包給 foundry 是半導體產業分工的核心結構，先進製程的 foundry 產能是 AI 算力擴張的硬約束
- Co-product（聯產品）
一條製程同時產出兩種以上商品、各產品的定價互相連動——其中一個產品的售價可以低於等比例原料成本，因為另一個產品的收入已覆蓋大部分成本，是理解壓榨業、屠宰業、乳品加工定價邏輯的共同基礎
- Blanket Order 與 Flex Fence（訂單彈性機制）
在「可取消」與「NCNR 買斷」之間找中間形態、要用需求確定性跟供應商交換供貨保障時查閱
- 電宰（Mechanized Slaughter）
自動化屠宰流水線——致昏、屠宰、分切的規模化一條龍製程，是肉品供應鏈從分散到集中的基礎設施，電宰場市佔率反映產能集中度與衛生管控能力
- FMMO（Federal Milk Marketing Orders，聯邦牛奶行銷法令）
美國聯邦政府依生乳末端用途分類定價、再跨用途統合分配給酪農的乳品定價制度——是定價規範而非補助，酪農拿到的是混合價（blend price），高價值用途的溢價會被攤平
- 料件生命週期（NRND / EOL / LTB）
看到 NRND、EOL、LTB 標記，要判斷一顆料還能依賴多久、何時該一次買足時查閱
- PCN（產品變更通知）
收到 PCN 要判斷變更類型、影響範圍與要不要重新驗證，或懷疑停產通知沒送到自己手上時查閱
- Container-per-Service（一容器一職責）
第一次發現一個 web app 要開好幾個 container、不懂為什麼不塞一個大 container、或不確定什麼該獨立成一個 container 時回來讀 — 一容器一職責的理由與邊界
- 不可能三角（交期、價格、品質）
需求方同時要求快、便宜、品質好，要攤開取捨結構決定讓哪一角時查閱
- QEMU binfmt Emulation（跨架構模擬）
docker 跑非原生架構的 image 報 exec format error、mysql:5.7 在 Apple Silicon 要 platform: linux/amd64、或跨平台 build 特別慢時回來讀 — 非原生 image 怎麼被模擬跑起來
- Immutable Image（不可變映像）
想「修改 / 升級一個已經 build 好的 image」、或搞不懂為什麼同一個 tag 隔天內容變了時回來讀 — image 是不可變的 build 產物、改了就是新 image
- Allocation（產能配給）
缺貨時原廠宣布 allocation、交期全面拉長，想知道誰先拿到貨、順位由什麼決定、關係值不值得投資時查閱