# 1. 產品策略與定位

## 1.1 產品願景（模擬新聞稿）

> **標題：visionA-local 讓 Kneron AI 邊緣推論「裝起來就能跑」**
>
> **副標題**：為 Innovedus FAE 與 Kneron 開發者打造的單機桌面工具，不用架 server、不用裝 Python、不用連網
>
> 以往要讓客戶看一場 Kneron KL720 / KL730 的即時推論 demo，FAE 得扛一台預先設定好的筆電，祈禱客戶現場的網路、Python、KneronPLUS SDK、ffmpeg、驅動都沒問題。只要其中一個出包，demo 就得延期。
>
> visionA-local 把整套 edge-ai-platform 的能力打包成一顆單機桌面 app。下載、雙擊安裝、開啟——三分鐘內就能看到攝影機串流 + 推論 overlay。所有依賴都內嵌在安裝檔裡，完全離線也能用。
>
> 「我上禮拜到客戶現場，對方 IT 環境鎖得死緊，連 pip install 都被擋。以前這種狀況我只能道歉重約，這次我點一下 visionA-local，十分鐘後就開始 demo 了。」—— 一位 Innovedus 內部 FAE
>
> visionA-local 支援 macOS、Windows、Ubuntu 三平台，透過內部 Gitea Releases 發放給 Innovedus 團隊與合作客戶。v1.0 今日釋出。

## 1.2 核心問題

| 問題 | 目前痛點 | visionA-local 的解法 |
|------|----------|---------------------|
| **環境依賴地獄** | FAE / 開發者要預先裝 Python 3.12、建 venv、pip install KneronPLUS wheel、裝 ffmpeg、設 USB 權限，每個環節都可能失敗 | 一鍵安裝檔內嵌所有依賴，使用者機器零預裝需求 |
| **客戶現場網路不穩 / 被鎖** | 原 edge-ai-platform 要跑在 server 上，FAE 現場得架 Docker、設反向代理 | 桌面 app，localhost 跑就好，不需網路、不需 Docker、不需 root |
| **多人系統搬回單人用** | edge-ai-platform 為多人共享設計，FAE 一個人用很重 | 砍掉 cluster / relay / tunnel / token 認證，UI 更簡單 |
| **沒硬體就體驗不到** | 沒 Kneron 板就完全無法試用 | Mock 模式零硬體入口，產品經理也能玩 |

## 1.3 與 edge-ai-platform 的差異定位

| 面向 | edge-ai-platform | visionA-local |
|------|------------------|--------------|
| 部署形態 | 伺服器 / 容器（EC2 + Docker + nginx） | 單機桌面 App（macOS / Windows / Ubuntu） |
| 網路模型 | 多人可遠端連線（含 relay / tunnel / cluster） | 只跑 localhost，一人一機 |
| 安裝體驗 | Ops 手動部署、curl 腳本、需先裝 ffmpeg / Python | 一鍵 GUI 安裝檔，內嵌所有依賴 |
| 多裝置策略 | 支援 cluster（多 Kneron 叢集） | 單機可接多顆 USB，但不做 cluster |
| 使用場景 | 共享平台、遠端存取、多人協作 | 個人開發、現場 POC、離線 demo |
| 更新策略 | CI/CD + Docker image push | 使用者手動從 Gitea 下載新版 |
| 憑證與認證 | relay token + hwid | 無（localhost） |

## 1.4 價值主張

**一句話**：「裝起來像一般 app、離線也能跑、接上 Kneron 就推論。」

**三個支柱**：
1. **零依賴**：使用者機器完全不需要預先安裝任何東西
2. **零網路**：完全離線可用（唯一例外：可選的 update-check）
3. **零學習成本**：接上 USB → App 自動偵測 → 點一下就跑

## 1.5 OKR（內部工具導向，不追求成長 / 營收指標）

| Objective | Key Results |
|-----------|-------------|
| **O1：讓 Innovedus FAE 能在任何客戶現場 3 分鐘內開始 demo** | KR1：全新機器（無預裝）從下載安裝檔到開啟首屏 ≤ 5 分鐘<br>KR2：從 app 開啟到 Mock 模式跑出第一幀推論 ≤ 30 秒<br>KR3：插上 Kneron USB 到 connect 成功 ≤ 10 秒 |
| **O2：把 edge-ai-platform 的重複程式碼瘦身 50%** | KR1：cluster / relay / tunnel / deploy / docker 相關程式碼全部刪除<br>KR2：server / frontend 程式碼行數較原專案減少 ≥ 30%<br>KR3：安裝檔單平台 ≤ 500MB（目標 ~200MB） |
| **O3：建立可重複發佈的內部工具流程** | KR1：三平台安裝檔能從 CI 自動產出<br>KR2：首次發佈內部 Gitea Releases 後，至少 5 位內部 FAE 成功安裝並回報可用 |

## 1.6 成功指標（護欄指標 vs 體驗指標）

**體驗指標（追求極大化）：**
- 安裝時間（下載完成 → 首屏）：目標 < 3 分鐘，上限 < 5 分鐘
- 首次推論時間（app 開啟 → Mock 第一幀）：目標 < 15 秒，上限 < 30 秒
- 實機接入時間（插 USB → connect 成功）：目標 < 5 秒，上限 < 10 秒

**護欄指標（不能惡化）：**
- Mock 模式 idle CPU 佔用 ≤ 5%
- Mock 模式 idle RAM 佔用 ≤ 500 MB
- 安裝檔單平台大小 ≤ 500 MB
- 完全斷網時，除 update-check 外所有功能必須正常運作

## 1.7 北極星指標（內部工具）

由於不是對外商品，北極星指標不追求成長類數據，改用**可用性**為核心：

> **「內部 FAE 在客戶現場第一次 demo 成功率 ≥ 95%」**

「第一次成功」定義為：**首次安裝後 5 分鐘內順利跑出第一次推論**，不需要聯繫作者 debug。