回望這段從 2024 年 8 月開始的旅程，這是一場關於系統架構重塑與技術轉型的深度探索。在 AI 生成代碼日益便捷的今天，我更加確信：連結複雜系統、理解硬體特性，以及在數據流動中建立秩序，是工程師持續精進的方向。
一、在複雜環境中建立穩定性
過去一段時間，我在內湖行善路的科技公司參與了一套硬體生態系統控制平台的研發。這段經歷讓我深入理解了硬體數據採集的複雜性：
與夥伴共同推進 O11y 可觀測性建設，在 QA 前輩的指導下，將品質保證的思維融入監控指標，實現了從被動響應到主動預警的轉變。我們遵循 Log4cxx 標準訂立日誌層級，讓跨硬體與軟體層的排查從模糊的猜測轉化為數據驅動的分析。
在不同階段與多位 PM 的專業對接，磨練了我在多變需求下維持架構一致性的能力。這段經歷最大的收穫，是學會了如何在「硬體的不確定性」和「軟體的確定性」之間找到平衡。
二、從前端到後端：全端架構能力的建構
在前端深耕多年之後，我逐漸意識到：要真正解決複雜問題，不能只停留在「呈現層」。這促使我系統性地投入後端開發，選擇 Django 作為主要的後端框架。
選擇 Django 的原因很務實：成熟的 ORM 能高效處理複雜的關聯式資料模型、內建的 Admin 與 Auth 系統大幅降低了管理後台的開發成本、而 Django REST Framework 則讓 API 的設計與文件化變得系統化。在實際專案中，我深入處理了 N+1 查詢優化（透過 prefetch_related / select_related 達成 93% 的效能改善）、Transaction 原子性控制、以及 Decimal 精度處理 等後端核心議題。
搭配 PostgreSQL 作為主要資料庫，我也在 Schema 設計、索引策略與 Migration 管理上累積了實戰經驗。這條從前端到後端的路，讓我對「一個請求從瀏覽器到資料庫再回來」的完整鏈路有了紮實的理解。
三、個人專案的架構深度探索
在實踐硬體數據整合與後端開發的過程中，我對地端運算與數據價值產生了濃厚興趣，並在自建的 Ubuntu 雙顯卡（RTX 3090）伺服器上獨立完成了以下架構探索。
1. Glucose AI Lakehouse：醫療數據的合規與敏捷方案
這是針對數位醫療領域中「稽核需求」與「分析速度」衝突所設計的 Data Lakehouse 概念驗證：
底層採用 Apache Iceberg 確保數據的不可變性與時間旅行查詢（Time Travel），計算層使用 Trino 實現高性能聯邦查詢，藉此滿足 ISO 62304 的嚴格審計要求。數據管道方面，使用 Polars 建構高頻血糖數據的 ETL 流程，模擬傳感器輸入並進行趨勢解析。
這個專案讓我理解到：在醫療場景中，「數據的可追溯性」和「查詢效能」不該是二選一的命題。
2. High-Performance GPS Analysis Engine：大規模空間運算
為了解決傳統後端在處理大量地理數據時常見的 OOM（記憶體溢位）問題，我將架構轉向大數據處理模式。利用分佈式計算能力處理大規模軌跡數據的聚類與分析——這是我從前端狀態管理轉向後端分佈式思維的關鍵轉折點。
3. Pangcah-Accounting：從 Next.js 到 Django 的架構遷移實戰
這個專案經歷了完整的架構演進。第一階段使用 Next.js 全端架構快速驗證產品邏輯，但在複雜財務計算場景下遇到了 API Routes 的效能瓶頸（聚合查詢 300ms+ 超出 SLA）。
經過系統化的技術評估後，第二階段執行了完整的架構遷移：前端改為 React 18，後端遷移至 Django 5.0 + Django REST Framework，資料庫採用 PostgreSQL。遷移後關鍵端點效能提升 60%，複雜查詢效能改善 80%，同時透過藍綠部署實現了零停機上線。
目前正在以 Tauri 開發桌面版本，為台灣阿美族社區的長輩提供更友善的操作介面。這個專案讓我確認：技術的價值，最終要回到「為人服務」這件事上。
結語
這 500 多個日子，最讓我珍惜的是一路上的信任與專業交流。感謝每一位共事過的夥伴。
我帶著前端的敏銳度、Django 後端的實戰經驗、全端的架構觀，以及逐漸成熟的資料工程能力，準備迎接下一段關於數據與系統整合的挑戰。
