Day 1: 前言：為什麼要選這個題目？專案背景與願景

說明 Wafer BI 專案的背景、異構技術選型考量，以及這系列 30 天的整體規劃。

大家好，我是 Carrot，第一次參加鐵人賽，按下報名鍵的時候其實猶豫了滿久，想說 30 天欸，真的寫得完嗎（現在想想還是很挑戰 哈哈）。

接下來 30 天，我想帶大家跑一趟完整的旅程：從零到一，用 K8S + GitOps 打造異構技術棧的晶圓數據分析平台。

這不是那種「Hello World 教學合集」，而是一個真實專案從本地開發、容器化、上 K8S、到 GitOps 自動化維運的完整記錄——包含那些讓我半夜抓頭的坑，而且坑還不少，哭啊。

1. 為什麼選擇晶圓分析當題目？

在半導體製造業裡，數據分析是提升產率 (Yield) 的關鍵。一片晶圓 (Wafer) 上有成千上萬個晶粒 (Die)，每個晶粒都會經過多項參數測試（像是 Thickness、Resistance），每天產出的測試數據量非常可觀。

Wafer BI（晶圓商業智慧）平台要做的，就是把這些海量測試數據變成看得懂的東西：晶圓熱圖、批次統計、良率報表。它不只是一個數據看板，而是一個把現代化軟體架構跟大數據技術揉在一起的完整系統。

先給大家看最終成品長什麼樣子。這是登入 admin 帳號後的「批次概覽」頁面，每一張小圓圖都是一片晶圓的即時熱圖，由 ECharts 在前端渲染：

▲ Wafer BI 批次概覽 Dashboard：25 片晶圓熱圖縮圖與批次統計 CDF

點進任何一片晶圓，還能看到單片的完整熱圖細節：

▲ 單片晶圓熱圖詳情與 CDF 分布圖

2. 核心技術挑戰

這個專案有兩個我最想挑戰的主題：

• 異構技術棧 (Heterogeneous Stack)：Java 擅長企業級事務與權限管理，Python 在數據科學與大數據處理上又是絕對優勢，那能不能兩個都要？我全都要（誤）。我們的組合是：
  • User Service：Java / Spring Boot 3，負責認證與權限
  • Wafer BI Service：Python / FastAPI + Delta Lake，負責大數據計算
  • API Gateway：Node.js / Express，統一門戶
  • Frontend：React + ECharts，把資料變好看
• GitOps 實踐：傳統 CI/CD 大多是「推動式 (Push-based)」，GitOps 則是「聲明式 (Declarative)」——Git 是唯一的真相來源 (Single Source of Truth)，環境永遠跟 Git 同步。我們會用 ArgoCD 把整條自動化閉環打通。

3. 本系列文章目標

這 30 天的路線圖大概長這樣：

4. 我的實作計畫

透過每一次 CrashLoopBackOff、每一次 Schema Mismatch（Day 4 就會遇到一個），當下真的會想把鍵盤丟出窗外，但查了半天終於修好的那一瞬間，會覺得一切都值得，太爽啦。

好，明天先從系統架構全覽開始，我們明天見！

本系列的完整程式碼公開在 GitHub：DarkSchneider1024/wafer-bi，實作環境為 Docker Desktop (Windows) 內建的本機 K8S；雲端部署的評估與現實限制，Day 9 會誠實聊聊。