Domain map and interview-signal issue tree

Day 1: 建立 domain map 與 issue tree

今日目標

你要把「我被問了很多 AI 名詞」轉成「我知道這份工作的系統邊界與交付風險」。

今日結束前，你要能說：

我正在進入的不是單一模型職位，而是 enterprise voice agent / AI Coach
系統交付。核心工作是把語音、RAG、agent、tool、policy、audit、deployment、
customer workflow 串成可以部署、驗收、維運的系統。

初學者解釋

一個企業 AI 系統可以拆成五條流：

流	問題	例子
data flow	資料從哪裡來、去哪裡、被誰保存	audio、transcript、RAG chunk、tool result、audit log
permission flow	誰可以看什麼、做什麼	sales agent 可讀 sales SOP，但不能讀 HR 機密
responsibility flow	出錯時誰負責	ASR 錯名字、AI 建議違規話術、CRM 被寫錯
latency flow	每一步花多久	VAD 200ms、ASR 900ms、LLM TTFT 600ms、TTS 1200ms
cost flow	哪一步花錢與吃 GPU	ASR GPU、LLM token、TTS inference、vector DB、logging storage

如果你只會講模型，面試官會擔心你只能做 demo。如果你能講這五條流，對方會知道你開始用系統工程方式思考。

End-to-end 架構圖

User / employee / salesperson
  |
  v
Audio capture
  |
  v
VAD / noise reduction / chunking
  |
  v
ASR
  |
  v
Diarization / timestamp / speaker attribution
  |
  v
Text cleaning / punctuation / hotword correction
  |
  v
Input PII gate
  |
  v
RAG retrieval / metadata filter / reranker
  |
  v
Agent orchestrator
  |-- tool registry
  |-- policy engine
  |-- memory manager
  |-- human approval queue
  |-- CRM / LMS / HRD / ERP connectors
  v
LLM output / coaching feedback / report
  |
  v
Output guardrail / citation / audit log
  |
  +--> dashboard
  +--> TTS response
  +--> enterprise write-back
  |
  v
Monitoring / evaluation / red teaming / cost tracking

50 survival terms

Term	Layer	影響什麼決策	常見誤解
ASR	voice	語音轉文字品質	以為只要模型大就準
TTS	voice	回覆能不能即時且自然	只看聲音像不像，不量 latency
VAD	voice	何時開始/停止送 ASR	只用分貝門檻
diarization	voice	誰在何時說話	以為等同 ASR
speaker embedding	voice	speaker clustering	以為中文英文差異最大
overlap speech	voice	同時講話如何歸屬	以為切段就能解
hotword	voice	專有名詞是否辨對	以為 post-processing 一定安全
contextual biasing	voice	ASR 對 domain terms 的偏好	以為 prompt 就能解所有 ASR
WER / CER	voice eval	語音辨識錯誤率	只看平均，不看關鍵詞
DER / JER	diarization eval	speaker 分段品質	忽略 overlap
p50 / p95 latency	ops	平均與尾端延遲	只報一次 demo 體感
embedding	RAG	文件向量化	以為 embedding 等於理解
vector DB	RAG	如何快速找相似文件	以為資料放進去就完成
chunking	RAG	retrieval 粒度	亂切導致 citation 不準
metadata	RAG	權限、時效、情境過濾	當成裝飾欄位
hybrid search	RAG	keyword + vector recall	忽略 exact term
reranker	RAG	候選文件重新排序	以為 top-k 就是最終答案
top-k	retrieval	取幾筆候選文件	跟 top-p 混淆
top-p	generation	LLM sampling	拿來講 retrieval
threshold	RAG	低分是否拒答	沒資料也硬答
abstain	RAG	不足證據時拒答	以為拒答是失敗
faithfulness	RAG eval	回答是否忠於來源	只看文字流暢
citation	RAG eval	來源可追溯	只貼來源但內容對不上
agent orchestrator	agent	多步驟流程控制	以為 agent 等於 chatbot
tool use	agent	是否呼叫外部能力	忽略權限與副作用
tool registry	agent governance	哪些工具可用	工具散落在 prompt 裡
schema validation	agent governance	參數是否可執行	讓模型自由填
idempotency	backend	重試是否造成重複動作	不考慮副作用
dry-run	backend	高風險操作先模擬	直接寫入 CRM
human-in-the-loop	governance	何時人工核准	只寫在 prompt
memory scope	governance	記憶能被誰讀	跨 agent 洩漏
provenance	governance	資料來源追蹤	事後無法稽核
AI Gateway	governance	模型流量總控制點	以為只是 proxy
policy engine	governance	allow / deny / review	規則散在程式碼
RBAC	security	role-based control	role 等於 permission
ABAC	security	attribute-based control	忽略環境與資源屬性
audit log	governance	事後可重建行為	只記 final answer
DLP	security	防止資料外洩	只做 output filter
PII detection	security	個資偵測	只掃 user input
redaction	security	個資遮罩	日誌仍保存原文
prompt injection	security	惡意文字改變模型行為	以為 system prompt 足夠
data exfiltration	security	資料被誘導洩漏	只防外部攻擊者
OWASP LLM Top 10	security	LLM 風險分類	當成考試名詞
NIST AI RMF	governance	AI 風險治理語言	當成法規
red teaming	security eval	主動攻擊系統找風險	手動問幾題壞問題
eval harness	eval	測試可重現	demo 看起來可以就算
Docker	deployment	打包服務	以為等於 production
Kubernetes	deployment	編排、擴縮、更新	只會背 Pod
GPU device plugin	deployment	K8s 如何看見 GPU	以為 GPU 自動可排程
vLLM	inference	LLM serving / KV cache / batching	以為它是 governance layer
KV cache	inference	context/concurrency 記憶體	只估 model weights
quantization	inference	VRAM 與品質 tradeoff	只看能不能塞進 GPU

今日產出

建立 domain-brief.md 草稿，包含：

1. 一句話職務地圖
2. end-to-end workflow
3. 50 survival terms
4. issue tree
5. top 10 weakness repair goals

Issue tree 範例：

能不能交付 enterprise voice AI Coach system？
|
+-- Voice quality
|   +-- ASR WER / CER
|   +-- diarization DER / JER
|   +-- overlap speech
|   +-- hotword correction
|   +-- TTS p50 / p95 latency
|
+-- Knowledge quality
|   +-- chunking
|   +-- metadata
|   +-- hybrid search
|   +-- reranker
|   +-- citation / abstain
|
+-- Agent controllability
|   +-- tool schema
|   +-- permission
|   +-- idempotency
|   +-- human approval
|   +-- audit
|
+-- Security / governance
|   +-- PII / DLP
|   +-- prompt injection
|   +-- red-team harness
|   +-- memory scope
|   +-- policy engine
|
+-- Deployment / ops
|   +-- Docker
|   +-- K8s
|   +-- GPU sizing
|   +-- observability
|   +-- rollback
|
+-- Customer delivery
    +-- onsite workflow
    +-- acceptance criteria
    +-- milestone
    +-- handoff docs