8. Słowniczek Pojęć¶

Podstawowe pojęcia Python¶

ASGI (Asynchronous Server Gateway Interface)

Nowoczesny, asynchroniczny standard komunikacji między serwerem a aplikacją webową w Pythonie. Jest następcą WSGI i został zaprojektowany do obsługi dużej liczby jednoczesnych połączeń I/O, co jest kluczowe dla aplikacji czasu rzeczywistego, WebSockets i wysokowydajnych API. Używany przez frameworki takie jak FastAPI.

Astral

Firma stojąca za nowoczesnym, napisanym w Rust toolingiem dla Pythona: uv, Ruff i ty. Od marca 2026 dołączyło do OpenAI, jednak jej narzędzia pozostają otwartoźródłowe (licencja MIT).

Batteries-Included

Filozofia projektowania frameworków (np. Django), która polega na dostarczaniu wbudowanych, zintegrowanych rozwiązań dla większości typowych problemów, takich jak ORM, panel admina, autentykacja czy system szablonów.

Bytecode

Pośrednia, niezależna od platformy forma kodu, na którą kompilowany jest kod źródłowy Pythona (.py). Nie jest to kod maszynowy, ale zestaw instrukcji dla Maszyny Wirtualnej Pythona (PVM), która go interpretuje i wykonuje. Pliki z bytecodem mają rozszerzenie .pyc.

Context Manager

Obiekt, który zarządza zasobami poprzez zdefiniowanie metod __enter__ i __exit__. Używany jest z instrukcją with, co gwarantuje, że zasób (np. plik, połączenie sieciowe) zostanie poprawnie zwolniony, nawet jeśli w bloku with wystąpi błąd. Najczęstszy przykład to with open('file.txt') as f:.

Decorator

Funkcja, która przyjmuje inną funkcję jako argument, dodaje do niej pewną funkcjonalność, i zwraca zmodyfikowaną funkcję, nie zmieniając jej oryginalnego kodu. Składnia z @ jest tzw. "cukrem składniowym". Przykłady to @staticmethod, @property czy dekoratory we frameworkach webowych (@app.route('/')).

Duck Typing

Filozofia programowania, która nie skupia się na jawnym typie obiektu, ale na jego metodach i właściwościach. Jej nazwa pochodzi od powiedzenia: "If it walks like a duck and quacks like a duck, it must be a duck". W praktyce oznacza to, że funkcja będzie próbowała wywołać na obiekcie potrzebne metody, nie sprawdzając, czy jest on instancją konkretnej klasy.

Formatter

Narzędzie automatycznie przepisujące kod źródłowy do jednego, kanonicznego stylu (np. spójne wcięcia, długość linii, cudzysłowy). Eliminuje dyskusje o stylu w code review. W ekosystemie Pythona tę rolę pełnią m.in. Ruff oraz black.

GIL (Global Interpreter Lock)

Mechanizm w standardowym buildzie CPythona, który pozwala tylko jednemu wątkowi na wykonywanie bytecodu Pythona w danym momencie w ramach jednego procesu. Upraszcza zarządzanie pamięcią i zapobiega konfliktom, ale ogranicza rzeczywistą równoległość w programach wielowątkowych, które są mocno obciążone obliczeniami CPU. Powyższy opis dotyczy standardowego buildu CPythona z GIL - od Pythona 3.13/3.14 istnieje eksperymentalny build free-threaded (no-GIL), w którym to ograniczenie nie obowiązuje (zob. rozdział 01).

Generator

Specjalny typ iteratora, zdefiniowany jako funkcja używająca słowa kluczowego yield. Generatory produkują wartości "na żądanie", jedna po drugiej, zamiast tworzyć od razu całą kolekcję w pamięci. Jest to niezwykle wydajne pamięciowo przy pracy z dużymi zbiorami danych.

Immutable (Niemutowalny)

Typ obiektu, którego stanu nie można zmienić po jego utworzeniu. Każda operacja, która wygląda jak modyfikacja, w rzeczywistości tworzy nowy obiekt w pamięci. Przykłady to int, float, str, tuple.

Interpreter

Program, który wykonuje kod Python linia po linii, bez wcześniejszego etapu kompilacji do kodu maszynowego. W przypadku CPythona, interpreter w rzeczywistości wykonuje bytecode.

Linter

Narzędzie do statycznej analizy kodu, które bez uruchamiania programu wykrywa potencjalne błędy, niebezpieczne wzorce i odstępstwa od konwencji. W ekosystemie Pythona popularne lintery to Ruff, flake8 i pylint.

List Comprehension

Zwięzły, czytelny i "pythonowy" sposób tworzenia list na podstawie istniejących sekwencji. Jest to często bardziej wydajna i preferowana alternatywa dla pętli for z metodą .append(). Przykład: squares = [x**2 for x in range(10)].

Lockfile

Plik (np. uv.lock, poetry.lock) zamrażający dokładne, rozwiązane wersje wszystkich zależności projektu - bezpośrednich i pośrednich. Gwarantuje reprodukowalne buildy: każdy programista i serwer CI instaluje identyczny zestaw pakietów.

MRO (Method Resolution Order)

Algorytm określający kolejność, w jakiej Python przeszukuje hierarchię klas bazowych w poszukiwaniu metody do wywołania. Jest to kluczowe przy wielodziedziczeniu, gdzie rozwiązuje potencjalne konflikty (jak "problem diamentowy") w sposób deterministyczny.

Mutable (Mutowalny)

Typ obiektu, którego stan można zmienić w miejscu (ang. in-place) po jego utworzeniu. Zmiany dokonane na obiekcie w jednym miejscu kodu będą widoczne we wszystkich innych miejscach, gdzie istnieją referencje do tego obiektu. Przykłady to list, dict, set.

PEP (Python Enhancement Proposal)

Dokument opisujący nowe funkcje, ulepszenia lub standardy w Pythonie. Najsłynniejszy to PEP 8 (konwencje stylu kodu).

PEP 723

Standard pozwalający zadeklarować zależności i wymaganą wersję Pythona dla pojedynczego skryptu wewnątrz samego pliku (tzw. inline script metadata). Umożliwia uruchamianie samodzielnych skryptów z zależnościami bez tworzenia osobnego projektu - np. przez uv run.

PVM (Python Virtual Machine)

Program, który jest sercem interpretera Pythona. Jego zadaniem jest wczytanie skompilowanego bytecodu i wykonanie zawartych w nim instrukcji.

Pythonic

Określenie kodu, który jest napisany zgodnie z idiomami, konwencjami i filozofią języka Python. Taki kod jest zazwyczaj zwięzły, czytelny i wykorzystuje wbudowane mechanizmy języka (np. list comprehensions, context managers) zamiast implementować je w sposób znany z innych języków (np. pętle w stylu C).

REPL (Read-Eval-Print Loop)

Interaktywne środowisko do eksperymentowania z kodem Python, gdzie można wpisywać polecenia i natychmiast widzieć wyniki.

Ruff

Ultraszybki linter i formatter Pythona stworzony przez firmę Astral i napisany w Rust. Łączy w jednym narzędziu funkcje, które wcześniej zapewniały black, isort, flake8 (i wybrane reguły pylint), działając przy tym o rzędy wielkości szybciej.

Type Checker

Narzędzie sprawdzające spójność typów (na podstawie type hints) przed uruchomieniem programu, wychwytujące błędy, które inaczej ujawniłyby się dopiero w czasie wykonania. Przykłady to mypy, pyright oraz ty.

Type Hint (Wskazówka Typu)

Opcjonalna adnotacja w kodzie Pythona, która określa oczekiwany typ zmiennej, parametru funkcji lub wartości zwracanej. Interpreter Pythona ignoruje te wskazówki w czasie wykonania, ale są one używane przez narzędzia do analizy statycznej (np. mypy) i IDE w celu wczesnego wykrywania błędów i poprawy podpowiedzi.

Virtual Environment (Środowisko Wirtualne)

Izolowane środowisko Pythona, które posiada własną instalację interpretera oraz niezależny zestaw pakietów. Pozwala to na unikanie konfliktów zależności między różnymi projektami na jednym komputerze.

WSGI (Web Server Gateway Interface)

Tradycyjny, synchroniczny standard komunikacji między serwerem a aplikacją webową w Pythonie. Używany przez frameworki takie jak Django i Flask.

pre-commit

Framework uruchamiający zestaw automatycznych kontroli (np. lint, formatowanie, wykrywanie sekretów) jako tzw. git hooki - przed każdym commitem. Zapewnia, że do repozytorium trafia wyłącznie kod spełniający przyjęte standardy.

ty

Szybki type checker Pythona tworzony przez firmę Astral i napisany w Rust. Od grudnia 2025 dostępny w wczesnej fazie eksperymentalnej (0.0.x).

uv

Ultraszybki, zunifikowany menedżer projektów, pakietów i wersji Pythona stworzony przez firmę Astral i napisany w Rust. Zastępuje w jednym narzędziu funkcje pip, pip-tools, pipx, poetry, pyenv, twine oraz virtualenv.

Data Science¶

DataFrame

Podstawowa, dwuwymiarowa, tabelaryczna struktura danych w bibliotece Pandas, składająca się z wierszy i kolumn. Można ją traktować jak tabelę w SQL lub arkusz kalkulacyjny.

ETL (Extract, Transform, Load)

Proces przetwarzania danych składający się z trzech etapów: ekstrakcji danych ze źródła, transformacji ich do pożądanego formatu lub struktury, oraz załadowania do docelowego systemu (np. bazy danych, hurtowni danych).

Feature Engineering

Proces tworzenia lub modyfikowania zmiennych (cech) z surowych danych w celu poprawy wydajności modeli uczenia maszynowego.

NumPy Array

Podstawowa, wielowymiarowa struktura danych w bibliotece NumPy, służąca do wydajnych obliczeń numerycznych. Wszystkie elementy w ndarray muszą być tego samego typu.

ORM (Object-Relational Mapper)

Biblioteka (np. Django ORM, SQLAlchemy), która mapuje obiekty w kodzie na tabele w relacyjnej bazie danych. Pozwala na interakcję z bazą za pomocą kodu Pythona (np. wywoływanie metod na obiektach) zamiast pisania surowych zapytań SQL.

Series

Jednowymiarowa, oetykietowana tablica w bibliotece Pandas, zdolna do przechowywania danych dowolnego typu. Kolumny w DataFrame są obiektami typu Series.

Vectorization (Wektoryzacja)

Technika wykonywania operacji na całych tablicach (wektorach, macierzach) jednocześnie, zamiast iterowania po pojedynczych elementach. Jest to klucz do wysokiej wydajności w bibliotekach takich jak NumPy i Pandas.

Machine Learning¶

Accuracy (Dokładność)

Miara skuteczności klasyfikatora, określająca jaki procent wszystkich predykcji był poprawny. Wzór: (TP + TN) / (TP + TN + FP + FN).

Backpropagation (Propagacja wsteczna)

Główny algorytm używany do trenowania sztucznych sieci neuronowych. Polega na obliczaniu gradientu funkcji błędu względem wag sieci, a następnie propagowaniu tego błędu "wstecz" przez sieć, aby zaktualizować wagi.

Batch

Porcja (podzbiór) danych treningowych przetwarzana w jednej iteracji algorytmu optymalizacyjnego. Użycie batchy zamiast całego zbioru danych na raz jest bardziej wydajne obliczeniowo i pamięciowo.

Cross-validation (Walidacja krzyżowa)

Technika oceny zdolności generalizacji modelu ML, która polega na wielokrotnym podziale danych na zbiór treningowy i walidacyjny, a następnie uśrednieniu wyników. Pomaga uzyskać bardziej wiarygodną ocenę modelu i zapobiegać overfittingowi.

EDA (Exploratory Data Analysis / Eksploracyjna Analiza Danych)

Proces wstępnego badania i wizualizacji danych w celu zrozumienia ich struktury, wykrycia anomalii i sformułowania hipotez.

Ensemble Learning (Uczenie zespołowe)

Technika, która polega na kombinowaniu predykcji wielu modeli uczenia maszynowego (tzw. "słabych uczniów") w celu uzyskania lepszych i bardziej stabilnych wyników, niż mógłby osiągnąć pojedynczy model. Przykładami są lasy losowe i gradient boosting.

Epoch (Epoka)

Jeden pełny cykl przejścia algorytmu trenującego przez cały zbiór danych treningowych.

F1 Score (Miara F1)

Miara jakości klasyfikatora będąca średnią harmoniczną precyzji i czułości (recall). Pozwala ocenić model, gdy ważna jest równowaga między precyzją a czułością, szczególnie przy niezbalansowanych danych.

Hyperparameter (Hiperparametr)

Parametr konfiguracyjny modelu, którego wartość jest ustawiana przed rozpoczęciem procesu treningu (np. szybkość uczenia, liczba drzew w lesie losowym). Hiperparametry nie są uczone na podstawie danych, w przeciwieństwie do parametrów (wag) modelu.

One-hot Encoding

Technika przekształcania zmiennych kategorycznych na wektor binarny, gdzie każda kategoria jest reprezentowana przez osobną kolumnę.

Overfitting (Przeuczenie)

Zjawisko, w którym model uczenia maszynowego "zapamiętuje" dane treningowe, włączając w to ich szum i przypadkowe fluktuacje, zamiast uczyć się ogólnych wzorców. Taki model ma doskonałe wyniki na danych treningowych, ale bardzo słabe na nowych, niewidzianych wcześniej danych.

Precision / Recall (Precyzja / Czułość)

Miary jakości klasyfikatora, szczególnie istotne przy niezbalansowanych zbiorach danych. Precyzja to odsetek trafnych predykcji pozytywnych, czułość to odsetek wykrytych wszystkich rzeczywistych pozytywów.

ROC Curve (Krzywa ROC)

Wykres ilustrujący zależność między czułością a specyficznością klasyfikatora binarnego.

Regularization (Regularyzacja)

Technika zapobiegająca przeuczeniu modelu poprzez dodanie kary za zbyt duże wartości wag (np. L1, L2).

Supervised Learning (Uczenie nadzorowane)

Paradygmat uczenia maszynowego, w którym model uczy się na podstawie danych zawierających zarówno cechy wejściowe, jak i pożądane etykiety wyjściowe (np. klasyfikacja obrazów, regresja cen mieszkań).

Unsupervised Learning (Uczenie nienadzorowane)

Paradygmat uczenia maszynowego, w którym model uczy się na podstawie danych, które nie posiadają etykiet. Celem jest odkrycie ukrytej struktury w danych (np. klasteryzacja, redukcja wymiarowości).

Generative AI¶

Agent

W kontekście GenAI, autonomiczny system, który wykorzystuje LLM do rozumowania, planowania i używania zewnętrznych narzędzi w celu osiągnięcia złożonego celu, wykraczającego poza prostą odpowiedź na pytanie.

Agentic AI / Agentic Workflow

Systemy, w których LLM nie udziela jednorazowej odpowiedzi, lecz planuje i wykonuje wieloetapowe zadania - używając narzędzi w iteracyjnej pętli rozumowania, samodzielnie oceniając wyniki i korygując kolejne kroki.

Chain of Thought (Łańcuch myśli)

Technika promptowania, która polega na instruowaniu LLM, aby myślał "krok po kroku" i wypisywał swój proces rozumowania przed podaniem ostatecznej odpowiedzi. Znacząco poprawia to wyniki modelu w zadaniach wymagających złożonej logiki.

Constrained Generation

Ogólna technika ograniczania outputu LLM regułami formalnymi (np. gramatyką bezkontekstową, CFG), która gwarantuje, że wygenerowany tekst jest składniowo poprawny. Bardziej ogólna niż Structured Outputs - pozwala wymusić dowolny język opisany gramatyką.

Context Window

Maksymalna ilość tekstu (mierzona w tokenach), którą model LLM może przetworzyć jednocześnie w jednym zapytaniu i odpowiedzi. Jest to fundamentalne ograniczenie "pamięci" modelu.

Embedding

Gęsta, numeryczna, wielowymiarowa reprezentacja (wektor) fragmentu danych (np. słowa, zdania, obrazu), która oddaje jego semantyczne znaczenie. Obiekty o podobnym znaczeniu mają podobne wektory embeddingowe w przestrzeni wektorowej.

Embedding Model

Model, którego zadaniem jest zamiana tekstu (lub obrazu czy audio) na wektory embeddingowe. Stanowi fundament systemów RAG i wyszukiwania semantycznego. Aktualne przykłady to Gemini Embedding, Voyage 4, Cohere embed-v4 oraz BGE-M3.

Fine-tuning

Proces dalszego trenowania wstępnie wytrenowanego modelu LLM na mniejszym, specjalistycznym zbiorze danych w celu dostosowania go do konkretnego zadania, dziedziny lub stylu odpowiedzi.

Function Calling

Zdolność modelu LLM do decydowania, kiedy należy wywołać zewnętrzną funkcję (zdefiniowaną w kodzie) i z jakimi argumentami, a następnie zintegrowania wyniku tej funkcji z procesem generowania odpowiedzi. Umożliwia to integrację z zewnętrznymi API i narzędziami.

Hallucination (Halucynacja)

Zjawisko, w którym LLM generuje informacje, które są fałszywe, bezsensowne lub nieoparte na dostarczonym kontekście, ale prezentuje je w sposób wiarygodny i faktograficzny.

LLM (Large Language Model)

Duży model językowy; głęboka sieć neuronowa (zazwyczaj oparta na architekturze Transformer) wytrenowana na ogromnych zbiorach danych tekstowych w celu rozumienia i generowania języka naturalnego.

MCP (Model Context Protocol)

Otwarty standard wprowadzony przez Anthropic (listopad 2024), który w ujednolicony sposób łączy modele LLM i agentów z zewnętrznymi narzędziami oraz źródłami danych - bywa nazywany "USB-C dla AI". Został przyjęty m.in. przez OpenAI, Google i Microsoft, a w grudniu 2025 przekazany pod opiekę Linux Foundation.

Mixture-of-Experts (MoE)

Architektura sieci neuronowej, w której dla każdego tokena aktywowany jest jedynie podzbiór parametrów (tzw. ekspertów), a nie cała sieć. Pozwala znacząco zwiększyć liczbę parametrów modelu przy umiarkowanym koszcie inferencji; standard dużych modeli (np. model 671B parametrów z 37B aktywnych).

NL2SQL / Generative BI

Zamiana pytania zadanego w języku naturalnym na zapytanie SQL, jego wykonanie i przedstawienie odpowiedzi. Jedno z praktycznych zastosowań RAG w analityce danych - pozwala nietechnicznym użytkownikom odpytywać bazy danych.

Orchestration Framework (Framework orkiestracyjny)

Biblioteka (np. LangChain, LangGraph, Haystack) służąca do budowania złożonych aplikacji AI poprzez łączenie wielu wywołań LLM, narzędzi i źródeł danych w spójne przepływy pracy (łańcuchy, grafy). LangGraph osiągnął wersję 1.0 pod koniec 2025 roku i stał się domyślnym runtime'em agentów w ekosystemie LangChain. Widoczny jest trend przechodzenia w stronę dedykowanych Agent SDK.

Prompt Engineering

Sztuka i nauka projektowania efektywnych zapytań (promptów) do modeli LLM w celu uzyskania pożądanych, precyzyjnych i niezawodnych odpowiedzi.

RAG (Retrieval-Augmented Generation)

Wzorzec architektoniczny, w którym odpowiedź LLM jest wzbogacana ("uziemiana") o informacje dynamicznie wyszukane z zewnętrznej, zaufanej bazy wiedzy. Ma to na celu zminimalizowanie halucynacji i umożliwienie modelowi korzystania z aktualnych lub prywatnych danych.

Reasoning Model / Large Reasoning Model (LRM)

Modele trenowane (m.in. metodami uczenia ze wzmocnieniem) tak, by przed udzieleniem odpowiedzi "myślały" - generowały wewnętrzny łańcuch rozumowania, zużywając dodatkowe zasoby obliczeniowe na etapie inferencji. Przykłady to rodzina OpenAI o-series oraz DeepSeek-R1.

Sovereign AI / On-premise AI

Model wdrożenia, w którym cały pipeline AI (modele, dane, inferencja) działa lokalnie, na infrastrukturze organizacji, a dane nie opuszczają firmy. Szczególnie istotny w sektorach regulowanych (finanse, ochrona zdrowia, administracja publiczna).

Structured Outputs

Mechanizm wymuszający zgodność odpowiedzi LLM ze ściśle zdefiniowanym schematem (np. JSON Schema), co gwarantuje przewidywalny, parsowalny output. Należy go odróżnić od starszego "JSON Mode", który zapewniał jedynie poprawność składniową JSON-a, bez gwarancji zgodności ze schematem.

Temperature (Temperatura)

Parametr sterujący "kreatywnością" generowanych odpowiedzi przez LLM – wyższa wartość daje bardziej zróżnicowane wyniki.

Test-Time Compute / Inference-Time Scaling

Paradygmat poprawy jakości odpowiedzi modelu poprzez zwiększanie zasobów obliczeniowych na etapie inferencji (np. dłuższe rozumowanie, wielokrotne próbkowanie) zamiast skalowania samego rozmiaru modelu. Fundament działania modeli rozumujących.

Token

Podstawowa jednostka tekstu, na której operują LLM-y. Może to być słowo, część słowa (np. "ing") lub znak interpunkcyjny. Koszt użycia API i rozmiar Context Window są mierzone w tokenach.

Tool Use (Użycie Narzędzi)

Zdolność agenta AI do korzystania z zewnętrznych narzędzi (np. kalkulatora, wyszukiwarki, API, bazy danych) w celu wykonania zadania, którego nie potrafi zrealizować samodzielnie (np. obliczeń matematycznych).

Transformer

Architektura sieci neuronowej, która zrewolucjonizowała przetwarzanie języka naturalnego i jest fundamentem dla większości nowoczesnych LLM-ów, takich jak GPT. Jej kluczowym mechanizmem jest attention (uwaga).

Vector Database (Baza Wektorowa)

Specjalistyczna baza danych zoptymalizowana pod kątem przechowywania i szybkiego przeszukiwania wektorów (embeddingów) na podstawie podobieństwa semantycznego (np. za pomocą algorytmów ANN - Approximate Nearest Neighbor). Jest to kluczowy komponent systemów RAG.

Zero-shot / Few-shot Learning

Zdolność modelu do rozwiązywania nowych zadań bez (zero-shot) lub z minimalną (few-shot) liczbą przykładów.

Architektura i Dobre Praktyki¶

12-factor App

Zbiór dwunastu zasad budowy aplikacji cloud-native (m.in. konfiguracja w zmiennych środowiskowych, bezstanowe procesy, jawne zależności), które ułatwiają skalowanie, wdrażanie i utrzymanie systemów.

ADR (Architecture Decision Record)

Krótki dokument zapisujący pojedynczą decyzję architektoniczną - jej kontekst, podjęty wybór oraz konsekwencje. Tworzy historyczny ślad rozumowania zespołu.

Anemic Domain Model

Antywzorzec, w którym obiekty domenowe przechowują wyłącznie dane (bez logiki), a cała logika biznesowa jest wypchnięta do osobnych "serwisów". Pozbawia model obiektowy jego głównej zalety.

Big Ball of Mud

Antywzorzec opisujący system pozbawiony czytelnej struktury, w którym wszystko zależy od wszystkiego. Utrudnia rozwój, testowanie i utrzymanie kodu.

Clean Architecture

Wzorzec warstwowy, w którym reguła zależności jest skierowana zawsze do wewnątrz - ku domenie. Warstwy zewnętrzne (UI, infrastruktura) zależą od wewnętrznych, ale nigdy odwrotnie.

Conway's Law (Prawo Conwaya)

Obserwacja, że struktura projektowanego systemu odzwierciedla strukturę komunikacyjną organizacji, która go zbudowała.

DDD (Domain-Driven Design)

Podejście projektowe stawiające model domeny biznesowej w centrum systemu, kładące nacisk na wspólny język (ubiquitous language) zespołu i ekspertów dziedzinowych.

Hexagonal Architecture / Ports & Adapters

Wzorzec architektoniczny separujący logikę domenową od infrastruktury za pomocą portów (interfejsów definiowanych przez domenę) i adapterów (konkretnych implementacji, np. baza danych, API). Umożliwia łatwą wymianę i testowanie komponentów.

Protocol (typing)

Mechanizm structural typing w Pythonie (PEP 544): zgodność typu z interfejsem jest sprawdzana po jego strukturze (zestawie metod i atrybutów), a nie po jawnym dziedziczeniu. Statyczny odpowiednik duck typingu.

RBAC (Role-Based Access Control)

Model kontroli dostępu, w którym uprawnienia przypisuje się rolom, a role - użytkownikom. Upraszcza zarządzanie dostępem w większych systemach.

Rich Domain Model

Model domenowy, w którym obiekty zawierają zarówno dane, jak i logikę biznesową operującą na tych danych. Przeciwieństwo Anemic Domain Model.

Vertical Slice Architecture

Organizacja kodu w pionowe "plastry" funkcjonalności - każdy feature posiada własne modele, logikę i endpointy API, zamiast dzielić kod według warstw technicznych. Minimalizuje sprzężenie między funkcjami.

model C4

Notacja do tworzenia diagramów architektury oprogramowania na czterech poziomach szczegółowości: Context (kontekst systemu), Container (kontenery), Component (komponenty) i Code (kod).