Other

AI Agent

什麼是 AI Agent？將製造流程轉成可管理、可追蹤

Q: 如何設定自主決策的界線，防範 AI 幻覺導致產線誤操作？

我們建議將標準訂為 「Human-in-the-Loop（人在迴路）架構」與「實體物理防錯（Deterministic Interlock）」。純 LLM/Agent 絕不能直連 OT 執行器。標準做法是實施分級授權：低風險決策（如排程微調）自動執行；高風險操作（例如. 修改參數、停機）需工程師單鍵確認；底層 PLC 則硬性嵌入實體安全規則（Guardrails），即使 Agent 發出異常指令也會被底層硬性攔截。

Q: 當排程與維護 Agent 目標衝突時，如何協調並最大化全廠 OEE？

我們認為關鍵在於 「基於全局 OEE 」與「邊際獲利（Throughput）的多 Agent 談判機制」。排程追求產出，維護追求機台壽命。波士頓諮詢（BCG）在智慧工廠案例中指出，應建立中央協調 Agent（Master Agent），將「設備故障停機損失」與「訂單延遲罰金」貨幣化；雙方 Agent 透過賽局談判動態尋求最佳維護時機，實現全廠邊際獲利最大化。

Q: 如何確保 AI Agent 於 OT 現場（例如. CNC / SMT / 機器人）實現即時應變？

我們認為評估核心在於 「Cloud-Edge 分層架構」與「邊緣輕量化模型（Edge SLM/RL）」。雲端 LLM 延遲高，無法用於即時控制。根據我們的經驗，我們在 工業 AI 轉型實踐中強調，應將 Agent 的「複雜推理」放在雲端，產出的策略則編譯為輕量化強化學習（RL）神經網絡或規則集下發至邊緣控制器（Edge IPC）；邊緣端在 10ms 內完成閉環響應，兼顧智慧與速度。

Q: 如何將資深師傅的「隱性知識」轉化為 AI Agent 的推理邏輯？

我們的解決方法為 「知識圖譜（Knowledge Graph）」、「RAG 檢索增強」與「專家反饋強化學習（RLHF）」。員工經驗多為口述或維修日誌。健全作法是透過 RAG 將歷年維護工單、故障 SOP 與影像轉化為工業知識圖譜；再由資深師傅對 Agent 輸出的除錯邏輯進行評分（RLHF）與邊界修訂，將「經驗直覺」轉化為精準可執行的 Prompt 與邏輯鏈。

前言：

AI Agent是一種能夠理解目標、分析情境、規劃步驟、使用工具並採取行動的 AI 軟體系統。它與一般聊天機器人的差別，不只是「會回答問題」，而是能在取得任務後，自行拆解工作、查詢資料、呼叫 API、操作企業系統，再根據執行結果調整下一步。

AI Agent 通常由 AI 模型、記憶、知識、資料、工具、推理與規劃、編排機制組成，因此特別適合多步驟、需要跨系統協作的工作。

作者：

製造新觀點

閱讀時間：

26 分鐘

更新日期：

2026 年 9 月 30 日

AI Agent 的 4 個核心架構模組

AI Agent 與傳統自動化的差異

五大基礎模型的 4 個分工角色

貫穿工業五大系統的數據機制

優化智慧製造五大關鍵場景

建構安全可控的 AI Agent

從 Copilot 到 Agent 的 4 個階段

專用小模型與通用大模型

實施智慧製造 Agent 的 4 個步驟

解決供應鏈排程的 3 個策略

AI Agent 的 4 個核心架構模組

分享文章

01 AI Agent 的 4 個核心架構模組

AI Agent 與傳統 Chatbot不同，Chatbot 僅能根據 Prompt 進行文字回應，而 AI Agent 則是一個具備「大腦與手腳」的自主實體。掌握 AI Agent 的四大核心模組（感知、規劃、記憶、工具執行）相互運作的方式，能幫助您在評估新一代 AI 系統時，快速鑑別該系統是僅止於「檢索問答（RAG）」還是真正具備「自主目標導向（Goal-Oriented）」的 Agent 能力，為後續的技術選型與場景落地奠定堅實的架構基礎。

核心	功能說明	運作機制與技術補充
腦核心 (Brain / LLM)	決策與推理中樞	利用大語言模型進行邏輯推理、意圖識別與生成回應。
規劃 (Planning)	任務拆解與策略調整	Sub-goal Decomposition：將大目標拆解為子任務。 Reflexion / ReAct：邊執行邊自我反思，從錯誤中修正下一步。
記憶 (Memory)	累積經驗與維持上下文	短期記憶：維持目前對話的 Context Window。長期記憶：透過向量資料庫（Vector DB）存取歷史經驗與外部知識庫。
工具 (Tools / Action)	執行實體任務能力	呼叫外部 API、搜尋引擎、計算機、執行 Python 程式碼等，打破純文字生成的限制。

感知模組（Perception）： 融合 Multimodal Model、Vision Model 與 Speech Model，能即時接收並解析文字、影像、語音、 Sensor 數據與 API 報文等非結構化多模態輸入。
推理與規劃模組（Planning & Reasoning）： 以 LLM 與 Reasoning Model 為核心大腦，運用 Chain-of-Thought（思維鏈）、Tree-of-Thought 與 ReAct（Reasoning + Acting）框架，將複雜目標拆解為可執行的子任務步驟。
記憶模組（Memory）： 包含短期記憶（上下文 Window Context）與長期記憶（向量資料庫 Vector DB / 知識圖譜 Knowledge Graph），使 Agent 能跨時間保留上下文並累積歷史經驗。
工具呼叫與執行模組（Tool Use / Execution）： 透過 Function Calling 或 API（例如. SOAP/REST），主動調用外部系統、執行 Code 或控制軟體動作，完成閉迴路任務執行。

許多企業急於導入 AI Agent ，但是否盤點過現有的 IT 基礎設施是否具備標準化的 API，以供 Agent 的「工具模組」順利呼叫？許多 Agent 廠商會被動的讓企業等待 AI Agent 技術成熟，比較好的方式，應該是同步推動內部 Legacy System（舊有系統）的 API 化與 API Gateway 改造；否則，缺乏「手腳（API 介面）」的 AI Agent 大腦再聰明，也無法在實際業務流程中發揮自主執行的價值。

AI Agent 與 ChatGPT、聊天機器人有什麼不同？

項目	Chatbot	Generative AI	AI Assistant	AI Agent
主要功能	回應問題	產生內容	協助使用者	完成目標
自主性	低	低 ~ 中	中	高
推理	有限	有	有	強調多步驟推理
規劃	通常沒有	不一定	部分	核心能力
使用工具	少	可有	常有	核心能力
跨系統執行	少	通常不直接	部分	可以
自主採取行動	很少	通常不	有限	核心特徵
適合	FAQ	內容生成	個人協助	複雜工作流程

01 AI Agent 的 4 個核心架構模組

核心	功能說明	運作機制與技術補充
腦核心 (Brain / LLM)	決策與推理中樞	利用大語言模型進行邏輯推理、意圖識別與生成回應。
規劃 (Planning)	任務拆解與策略調整	Sub-goal Decomposition：將大目標拆解為子任務。 Reflexion / ReAct：邊執行邊自我反思，從錯誤中修正下一步。
記憶 (Memory)	累積經驗與維持上下文	短期記憶：維持目前對話的 Context Window。長期記憶：透過向量資料庫（Vector DB）存取歷史經驗與外部知識庫。
工具 (Tools / Action)	執行實體任務能力	呼叫外部 API、搜尋引擎、計算機、執行 Python 程式碼等，打破純文字生成的限制。

感知模組（Perception）： 融合 Multimodal Model、Vision Model 與 Speech Model，能即時接收並解析文字、影像、語音、 Sensor 數據與 API 報文等非結構化多模態輸入。
推理與規劃模組（Planning & Reasoning）： 以 LLM 與 Reasoning Model 為核心大腦，運用 Chain-of-Thought（思維鏈）、Tree-of-Thought 與 ReAct（Reasoning + Acting）框架，將複雜目標拆解為可執行的子任務步驟。
記憶模組（Memory）： 包含短期記憶（上下文 Window Context）與長期記憶（向量資料庫 Vector DB / 知識圖譜 Knowledge Graph），使 Agent 能跨時間保留上下文並累積歷史經驗。
工具呼叫與執行模組（Tool Use / Execution）： 透過 Function Calling 或 API（例如. SOAP/REST），主動調用外部系統、執行 Code 或控制軟體動作，完成閉迴路任務執行。

AI Agent 與 ChatGPT、聊天機器人有什麼不同？

項目	Chatbot	Generative AI	AI Assistant	AI Agent
主要功能	回應問題	產生內容	協助使用者	完成目標
自主性	低	低 ~ 中	中	高
推理	有限	有	有	強調多步驟推理
規劃	通常沒有	不一定	部分	核心能力
使用工具	少	可有	常有	核心能力
跨系統執行	少	通常不直接	部分	可以
自主採取行動	很少	通常不	有限	核心特徵
適合	FAQ	內容生成	個人協助	複雜工作流程

02 AI Agent 與傳統自動化的差異

在探討自動化轉型時，許多企業常將 AI Agent 與傳統的 RPA（機器人流程自動化）、Workflow 自動化引擎及基於 SOAP/REST 的系統整合搞混了。AI Agent 與傳統自動化工具在「適應力、邏輯驅動方式、非結構化資料處理及例外事件應對」四個維度的區別。了解這些差異，能幫助您明確劃分傳統自動化與 Agentic 自動化的適用範圍，確保企業不會用 AI 去做簡單固定規則的 RPA 工作，也不會強求剛性的 Workflow 去處理高度不確定的複雜例外流程，從而建立起自動化地圖。

驅動邏輯從「規則硬編碼」轉向「目標導向推理」： 傳統自動化依賴預設的 If-Then 規則；AI Agent 僅需給定目標，能自行動態生成達到目標的執行路徑。
非結構化資料理解能力： RPA 與傳統 API 僅能處理標準化結構資料（例如. CSV、XML）；AI Agent 藉由 LLM 與 Vision Model 能直接閱讀發票 PDF、手寫單據與現場設備照片。
例外事件（Exception）的自主容錯與修正： 傳統 Workflow 遇到非預期的 API 錯誤或欄位缺失即告中斷；AI Agent 能自發進行錯誤分析並嘗試替代方案或補全參數。
流程動態重構與自主演進： 傳統自動化流程一旦修改需工程師重新編程；AI Agent 能根據新輸入的情境上下文，動態組合不同的 API 工具進行任務處置。

過度寄望 AI Agent 取代 RPA，容易忽視「AI Agent 做決策排程 + RPA 執行剛性底層操作」其實最有可能提高效率。我們會建議企業推動「Agent-Assisted RPA」架構，讓 AI Agent 負責前端的意圖理解、例外推理與動態拆解，再將標準化的動作下發給既有的 RPA 或 Workflow 執行，既保留了 AI 的彈性，又兼具了傳統自動化的高速度與低運算成本。

02 AI Agent 與傳統自動化的差異

驅動邏輯從「規則硬編碼」轉向「目標導向推理」： 傳統自動化依賴預設的 If-Then 規則；AI Agent 僅需給定目標，能自行動態生成達到目標的執行路徑。
非結構化資料理解能力： RPA 與傳統 API 僅能處理標準化結構資料（例如. CSV、XML）；AI Agent 藉由 LLM 與 Vision Model 能直接閱讀發票 PDF、手寫單據與現場設備照片。
例外事件（Exception）的自主容錯與修正： 傳統 Workflow 遇到非預期的 API 錯誤或欄位缺失即告中斷；AI Agent 能自發進行錯誤分析並嘗試替代方案或補全參數。
流程動態重構與自主演進： 傳統自動化流程一旦修改需工程師重新編程；AI Agent 能根據新輸入的情境上下文，動態組合不同的 API 工具進行任務處置。

03 五大基礎模型的 4 個分工角色

現代 AI Agent 之所以具備超越過往 AI 的強大能力，歸功於其背後由多種不同專長的基礎模型（Foundation Models）所構成的「多模型協同網絡」，包含大語言模型（LLM）、多模態模型（Multimodal Model）、推理模型（Reasoning Model）、視覺模型（Vision Model）與語音模型（Speech Model），在 Agent 架構中扮演大腦、眼睛、耳朵與邏輯處理器。掌握這套技術分工，能幫助技術團隊在建構企業專屬 Agent 時，進行模型的組合與選擇，平衡模型回應延遲（Latency）、運算成本與任務成功率。

LLM 與 Reasoning Model ：扮演「中央指揮與邏輯思考大腦」， LLM 負責自然語言理解與工具呼叫發起；Reasoning Model（例如. 具備強大 Chain-of-Thought 能力的模型）則專攻複雜邏輯推理與數學排程運算。
Vision Model ： 扮演「工業視覺感測眼睛」，負責解析廠區監視器畫面、產品表面缺陷影像以及儀表板讀數，將視覺資訊轉化為結構化文本輸入給 Agent。
Speech Model ： 扮演「語音交互與語音控制介面」，結合 STT（語音轉文字）與 TTS（文字轉語音），使現場操作員能在噪音環境下透過口述指令與 Agent 進行無障礙對話。
Multimodal Model ： 打通「圖、文、聲、數據」之間的對話，讓 Agent 能同時對著現場設備照片與 PDF 維修手冊進行跨模態交叉比對，實現「跨模態語意融合與上下文對齊」。

在邊緣端（Edge）運算受限的工業現場，我們是否盲目追求部署龐大的萬億參數 Multimodal LLM，而忽略了小模型（SLM）與專用模型協同的可能性？

我們建議採用「混合模型路由（Hybrid Model Routing）」架構，讓端側的 Vision Model 與 SLM 處理 80% 的即時感知與簡單推理，僅在遇到高難度的複合異常時，才將上下文路由至雲端的端到端 Reasoning Model 進行深度決策。

03 五大基礎模型的 4 個分工角色

LLM 與 Reasoning Model ：扮演「中央指揮與邏輯思考大腦」， LLM 負責自然語言理解與工具呼叫發起；Reasoning Model（例如. 具備強大 Chain-of-Thought 能力的模型）則專攻複雜邏輯推理與數學排程運算。
Vision Model ： 扮演「工業視覺感測眼睛」，負責解析廠區監視器畫面、產品表面缺陷影像以及儀表板讀數，將視覺資訊轉化為結構化文本輸入給 Agent。
Speech Model ： 扮演「語音交互與語音控制介面」，結合 STT（語音轉文字）與 TTS（文字轉語音），使現場操作員能在噪音環境下透過口述指令與 Agent 進行無障礙對話。
Multimodal Model ： 打通「圖、文、聲、數據」之間的對話，讓 Agent 能同時對著現場設備照片與 PDF 維修手冊進行跨模態交叉比對，實現「跨模態語意融合與上下文對齊」。

在邊緣端（Edge）運算受限的工業現場，我們是否盲目追求部署龐大的萬億參數 Multimodal LLM，而忽略了小模型（SLM）與專用模型協同的可能性？

04 貫穿工業五大系統的數據機制

傳統智慧製造的最大痛點在於 ERP、MES、QMS、PLM 與 APS 等系統各自獨立，形成嚴重的「資訊孤島（Data Silos）」，跨系統流程高度依賴人工進行 Excel 導出與手動核對。 AI Agent 作為「智慧系統粘合劑」，透過自然語言介面與 API 工具庫，貫穿這五大工業軟體。了解這些數據串聯機制，能讓您明白 AI Agent 如何打破系統間的壁壘，實現跨系統的上下文理解與自動化資料串接，進而為企業打造出高度整合的端到端數位化指揮中心。

跨系統 Schema 資訊對齊與 Ontology 映射： AI Agent 利用 LLM 的語意理解能力，自動對齊 ERP（例如. 物料代碼）、MES（例如. 批次工單）與 PLM（例如. BOM 變更）之間命名不一致的資料欄位。
基於 Tool Use 的 Unified API 呼叫鏈： Agent 能根據使用者的一句話，自動按順序觸發 PLM 查詢設計規範、連線 ERP 確認庫存、調用 APS 模擬產能，最後寫入 MES 下發工單。
非結構化文件與結構化 DB 的動態 RAG 融合： Agent 將 QMS 中的 PDF 規範文件與 MES 中的 SQL 即時數據庫同步進行語意檢索，提供包含法規與現場狀態的完整回答。
即時 Event-Driven 的跨系統中斷觸發： 當 MES 觸發設備停機事件時，Agent 自動向 QMS 報備、更新 APS 排程，並於 ERP 發起物料延後交付預警。

當 AI Agent 具備跨 ERP、MES、PLM 寫入資料的權限時，我們如何保證不會因為 Agent 的 Hallucination 而導致核心資料庫被誤改？

我們會建議企業建立「Human-in-the-Loop（人機協同）」與嚴格的「權限隔離安全護欄（RBAC Guardrails）」；Agent 在進行唯讀（Read）操作時可完全自主，但在執行寫入（Write）或變更關鍵業務資料時，必須生成變更草稿並強制經過人工電子簽章確認。

04 貫穿工業五大系統的數據機制

跨系統 Schema 資訊對齊與 Ontology 映射： AI Agent 利用 LLM 的語意理解能力，自動對齊 ERP（例如. 物料代碼）、MES（例如. 批次工單）與 PLM（例如. BOM 變更）之間命名不一致的資料欄位。
基於 Tool Use 的 Unified API 呼叫鏈： Agent 能根據使用者的一句話，自動按順序觸發 PLM 查詢設計規範、連線 ERP 確認庫存、調用 APS 模擬產能，最後寫入 MES 下發工單。
非結構化文件與結構化 DB 的動態 RAG 融合： Agent 將 QMS 中的 PDF 規範文件與 MES 中的 SQL 即時數據庫同步進行語意檢索，提供包含法規與現場狀態的完整回答。
即時 Event-Driven 的跨系統中斷觸發： 當 MES 觸發設備停機事件時，Agent 自動向 QMS 報備、更新 APS 排程，並於 ERP 發起物料延後交付預警。

當 AI Agent 具備跨 ERP、MES、PLM 寫入資料的權限時，我們如何保證不會因為 Agent 的 Hallucination 而導致核心資料庫被誤改？

05 優化智慧製造五大關鍵場景

AI Agent 在製造業的價值最終必須體現在製造現場的具體效益上，我們將抽象的 AI 技術轉化為提高 Yield（產率）、降低 OEE 損失及減少物料呆滯的實體生產力，透過 AI Agent 滲透並優化「生產執行、動態排程、品質追溯、設備預測維護與物料供應鏈」五大核心場景。

動態 APS 排程與插單調度 Agent： 當遇到突發插單或機台故障時，排程 Agent 自動讀取 APS 限制條件，進行多目標模擬並重新下發優化排程給 MES。
閉迴路品質根因分析（RCA）Agent： 品質 Agent 結合 QMS 檢驗報告與 Vision Model 拍攝的瑕疵照片，自動調閱 MES 歷史參數，生成 8D 報表並建議調整 Recipe。
設備預測性維護（PdM）與修護指引 Agent： 設備 Agent 監測 PLC 振動異常後，主動調閱 PLM 維修手冊，透過 Speech/Vision 介面在現場一步步引導維修人員排除故障。
物料庫存與 FEFO 智慧領料 Agent： 物料 Agent 連動 ERP 效期與 MES 批號，自動計算物料損耗率並發起智慧補貨，實現 FEFO（先到期先出）物料流轉。

導入 AI Agent 的目標，是為了打造一個無人的「關燈工廠」，還是為了讓第一線工程師從繁瑣的表單工作中解脫？」

我們仍強調，轉型必須以人為本，企業應將 AI Agent 定位為「工業 Copilot（副駕駛）」，先從輔助資深專家決策開始，透過累積機台數據與專家回饋（RLHF），逐步建構高信任度的自主運營體系。

05 優化智慧製造五大關鍵場景

動態 APS 排程與插單調度 Agent： 當遇到突發插單或機台故障時，排程 Agent 自動讀取 APS 限制條件，進行多目標模擬並重新下發優化排程給 MES。
閉迴路品質根因分析（RCA）Agent： 品質 Agent 結合 QMS 檢驗報告與 Vision Model 拍攝的瑕疵照片，自動調閱 MES 歷史參數，生成 8D 報表並建議調整 Recipe。
設備預測性維護（PdM）與修護指引 Agent： 設備 Agent 監測 PLC 振動異常後，主動調閱 PLM 維修手冊，透過 Speech/Vision 介面在現場一步步引導維修人員排除故障。
物料庫存與 FEFO 智慧領料 Agent： 物料 Agent 連動 ERP 效期與 MES 批號，自動計算物料損耗率並發起智慧補貨，實現 FEFO（先到期先出）物料流轉。

導入 AI Agent 的目標，是為了打造一個無人的「關燈工廠」，還是為了讓第一線工程師從繁瑣的表單工作中解脫？」

06 建構安全可控的 AI Agent

在嚴謹且追求零錯誤的工業製造環境中，AI 的「幻覺（Hallucination）」與不確定性是其落地的隱憂。一個誤判可能導致整條產線停擺、設備損壞甚至安全事故。透過「確定性規則引擎、Sandboxing 隔離環境與 21 CFR Part 11 等合規審計」三大 Guardrails 機制，約束 AI Agent 的行為界線。了解這些安全架構，能讓企業在擁抱 Agent 自主性的同時，掌控生產線的安全底線與合規要求。

確定性規則引擎（Deterministic Rule Engine）雙重鎖定： 在 Agent 與設備（PLC/SCADA）之間架設防護網，任何 Agent 生成的控制指令必須通過硬性安全規則校驗才能下發。
沙盒環境（Sandboxing）與模擬驗證： Agent 在更改 APS 排程或 ERP 參數前，必須先在 Digital Twin 或測試沙盒中執行模擬，驗證無誤後方可套用至正式環境。
可解釋性審計軌跡（Audit Trail & XAI）： 記錄 Agent 做出決策時所引用的原始 Prompt、推理過程（Thought）、調用的 API 及返回數據，確保 100% 符合 GMP/ISO 等工業合規審查。

為了絕對安全而加設過於繁瑣的審核機制時，是否會影響 AI Agent 應有的即時反應速度與自主優勢？

我們建議採用「動態風險分級控制（Dynamic Risk-based Control）」，針對低風險業務（例如. 報告生成、庫存查詢）給予 Agent 100% 自主權；針對高風險業務（例如. 機台參數修改、高額採購下單）則強制設定 Human-in-the-Loop 審核關卡。

06 建構安全可控的 AI Agent

確定性規則引擎（Deterministic Rule Engine）雙重鎖定： 在 Agent 與設備（PLC/SCADA）之間架設防護網，任何 Agent 生成的控制指令必須通過硬性安全規則校驗才能下發。
沙盒環境（Sandboxing）與模擬驗證： Agent 在更改 APS 排程或 ERP 參數前，必須先在 Digital Twin 或測試沙盒中執行模擬，驗證無誤後方可套用至正式環境。
可解釋性審計軌跡（Audit Trail & XAI）： 記錄 Agent 做出決策時所引用的原始 Prompt、推理過程（Thought）、調用的 API 及返回數據，確保 100% 符合 GMP/ISO 等工業合規審查。

為了絕對安全而加設過於繁瑣的審核機制時，是否會影響 AI Agent 應有的即時反應速度與自主優勢？

07 從 Copilot 到 Agent 的 4 個階段

企業在導入 AI 技術時，通常會經歷從簡單的 Prompt 對話、Copilot（人主導、AI 輔助）到成熟 AI Agent（AI 主導目標、人監督）的過程。掌握這兩個階段的差異與轉型路徑，對於企業制定 GenAI 戰略路線圖至關重要。從人機互動關係、任務複雜度、系統整合深度及商業 ROI 四個維度，準確定位企業當前的 AI 成熟度，並釐清如何從單純的「問答助手」跨越至能夠真正替企業執行業務流程的「自主 Agent」。

控制權轉移： Copilot 停留在「Human-in-the-Lead」；Agent 躍升至「Agent-in-the-Lead, Human-in-the-Loop」。
上下文與記憶維持： Copilot 隨單次 Session 結束而遺忘；Agent 擁有長期記憶庫，能跨批次累積工業專家經驗。
系統整合： Copilot 主要做資訊呈現；Agent 直接對接 ERP/MES 進行事務處理（Transaction Processing）。
ROI 計算： Copilot 計算工時節省；Agent 計算整體產線 OEE 提升、廢料減少與供應鏈天數縮短。

企業文化與組織架構，是否已經準備好接受一個能自主下發工單或調度物料的 AI Agent？組織變革管理（Change Management）是非常重要的環節，企業轉型切忌一蹴可幾，應建立「三步走戰略」，先以 Copilot 模式累積信任與知識庫，再過渡到特定單一場景的專用 Agent，最後才實現多 Agent 協同的智慧工廠生態。

維度	傳統 Copilot 助手模式	自主 AI Agent 代理模式
人機互動與控制權	人類全程主導，逐句下發 Prompt，AI 僅提供文字或程式碼建議	人類僅需給定高階目標（Goal），Agent 自主規劃、執行與修正
任務複雜度與執行步驟	適合單步、短上下文的任務（如摘要、翻譯、單一數據查詢）	適合多步驟、長流程且需動態調用多個 API 的複雜複合任務
系統串聯與工具調用	被動被使用者呼叫，多數無系統寫入與 API 執行權限	主動調用 ERP/MES API，具備讀寫權限，能完成閉迴路跨系統操作
商業回報與效益重點	提升個人知識工作者（Knowledge Worker）20%-30% 的打字與閱讀效率	重構企業營運流程，實現系統間自動化運作，極大化降低 OEE 損失

07 從 Copilot 到 Agent 的 4 個階段

控制權轉移： Copilot 停留在「Human-in-the-Lead」；Agent 躍升至「Agent-in-the-Lead, Human-in-the-Loop」。
上下文與記憶維持： Copilot 隨單次 Session 結束而遺忘；Agent 擁有長期記憶庫，能跨批次累積工業專家經驗。
系統整合： Copilot 主要做資訊呈現；Agent 直接對接 ERP/MES 進行事務處理（Transaction Processing）。
ROI 計算： Copilot 計算工時節省；Agent 計算整體產線 OEE 提升、廢料減少與供應鏈天數縮短。

維度	傳統 Copilot 助手模式	自主 AI Agent 代理模式
人機互動與控制權	人類全程主導，逐句下發 Prompt，AI 僅提供文字或程式碼建議	人類僅需給定高階目標（Goal），Agent 自主規劃、執行與修正
任務複雜度與執行步驟	適合單步、短上下文的任務（如摘要、翻譯、單一數據查詢）	適合多步驟、長流程且需動態調用多個 API 的複雜複合任務
系統串聯與工具調用	被動被使用者呼叫，多數無系統寫入與 API 執行權限	主動調用 ERP/MES API，具備讀寫權限，能完成閉迴路跨系統操作
商業回報與效益重點	提升個人知識工作者（Knowledge Worker）20%-30% 的打字與閱讀效率	重構企業營運流程，實現系統間自動化運作，極大化降低 OEE 損失

08 專用小模型與通用大模型

在工業製造環境中部署 AI Agent 時，技術團隊常面臨架構上的選擇難題，究竟該採用雲端大型通用模型（例如. GPT-4o、Claude 3.5）建構 LLM Agent，還是在廠區本地部署經由工業數據微調（Fine-tuning）的專用小模型（SLM，如 7B-14B 參數模型）Agent？我們從「數據隱私與安全性、即時延遲（Latency）與運算成本、專業領域精準度」三個維度進行商業與技術評估，為企業選擇最適切的 Agent 部署架構。

數據隱私與資安合規維度： 通用雲端 LLM 存在機密配方（Recipe）與產能數據外洩風險；本地部署的專用 SLM 能做到數據 100% 出不了廠區。
即時延遲（Latency）與算力成本維度： 雲端 LLM 呼叫延遲常達數秒且按 Token 計費；本地 SLM 結合邊緣運算（Edge AI）可實現即時回應且邊際算力成本低。
領域知識精準度（Domain Accuracy）維度： 通用 LLM 缺乏特定化學反應或精密機械知識；專用 SLM 透過廠內歷史 MES/QMS 數據 Fine-tune 後，在特定工業場景的精準度遠超通用模型。

模型是否越大越好？我們發現許多企業忽視了工業現場，有 90% 的 Agent 任務只需要專注於特定 API 呼叫與資訊解析？我們建議企業應採用「雲邊端端多層次 Agent 架構」，廠區 Edge 端由輕量化的 SLM Agent 處理即時設備與品質異常；企業雲端則由 LLM/Reasoning Model Agent 負責全廠區的跨國供應鏈與年度產能規劃。

08 專用小模型與通用大模型

數據隱私與資安合規維度： 通用雲端 LLM 存在機密配方（Recipe）與產能數據外洩風險；本地部署的專用 SLM 能做到數據 100% 出不了廠區。
即時延遲（Latency）與算力成本維度： 雲端 LLM 呼叫延遲常達數秒且按 Token 計費；本地 SLM 結合邊緣運算（Edge AI）可實現即時回應且邊際算力成本低。
領域知識精準度（Domain Accuracy）維度： 通用 LLM 缺乏特定化學反應或精密機械知識；專用 SLM 透過廠內歷史 MES/QMS 數據 Fine-tune 後，在特定工業場景的精準度遠超通用模型。

09 實施智慧製造 Agent 的 4 個步驟

將 AI Agent 從概念驗證（POC）推向正式生產環境（Production Ready），需要一套系統化的工程實施方法論。許多企業因為缺乏明確的落地方案，導致 Agent 專案停留在展示階段，無法與現有的 ERP/MES 系統整合。我們從「知識庫建構、API 網關封裝、Agent 框架選型到人機協同流程設計」的四個關鍵步驟，確保 AI Agent 專案能夠順利落地並產生可量化的商業價值。

第一步：工業數據與知識圖譜（Knowledge Graph）基底建構，整合 PLM、QMS 文件與 MES 歷史 Log，透過 Vector DB 與 RAG 架構建立 Agent 的領域長期記憶庫。
第二步：工業軟體 API 網關（API Gateway）與工具庫封裝，將 ERP、MES、APS 的 SOAP/REST API 重新封裝為符合 OpenAPI 規範的 Function，供 Agent 進行 Tool Use。
第三步：Agent 框架選型與多 Agent 協同（Multi-Agent Orchestration）編排，選用 LangChain、AutoGen 或 CrewAI 等框架，定義排程 Agent、品質 Agent 與設備 Agent 之間的溝通協定。
第四步：人機協同介面（UI/UX）與 Human-in-the-Loop 流程設定，設計直觀的語音/文字對話視窗與卡片式審核介面，讓現場人員能一鍵確認 Agent 生成的控制決策。

在推動 Agent 專案時，許多企業花了 80% 的精力在挑選 LLM 模型，卻只花了 20% 的精力在整理內部混亂的 API 與知識庫。企業必須認知到「Garbage in, Garbage out」的事實，Agent 的上限取決於企業 API 的完備度與數據品質。因此，在推動 Agent 之前，必須先進行「API 數位資產盤點與管理」。

09 實施智慧製造 Agent 的 4 個步驟

第一步：工業數據與知識圖譜（Knowledge Graph）基底建構，整合 PLM、QMS 文件與 MES 歷史 Log，透過 Vector DB 與 RAG 架構建立 Agent 的領域長期記憶庫。
第二步：工業軟體 API 網關（API Gateway）與工具庫封裝，將 ERP、MES、APS 的 SOAP/REST API 重新封裝為符合 OpenAPI 規範的 Function，供 Agent 進行 Tool Use。
第三步：Agent 框架選型與多 Agent 協同（Multi-Agent Orchestration）編排，選用 LangChain、AutoGen 或 CrewAI 等框架，定義排程 Agent、品質 Agent 與設備 Agent 之間的溝通協定。
第四步：人機協同介面（UI/UX）與 Human-in-the-Loop 流程設定，設計直觀的語音/文字對話視窗與卡片式審核介面，讓現場人員能一鍵確認 Agent 生成的控制決策。

10 解決供應鏈排程的 3 個策略

在大型製造企業中，單一 AI Agent 往往難以單獨處理涵蓋「採購、生產、品質、物流」的供應鏈優化問題。此時，由多個具備不同專長的 Agent 構成的「多 Agent 協同系統（Multi-Agent Systems, MAS）」成為我們推薦的解決方案。採購 Agent、排程 Agent、品質 Agent透過自主協商（Negotiation）與判斷機制，在動態變化的環境中達成整體產能與利潤的最大化。掌握多 Agent 協同策略，能協助企業建立具備高度自癒力（Self-healing）的智慧供應鏈與智慧工廠生態。

基於契約網協定（Contract Net Protocol）的任務拍賣與分配： 當新訂單進入時，訂單 Agent 發起拍賣，各產線排程 Agent 根據當前 OEE 與物料狀況進行競標，選擇最優產線下發。
跨領域 Agent 的自主協商與多目標判斷： 當品質 Agent 要求停機保養而排程 Agent 要求趕工時，雙方 Agent 根據企業總利潤函數進行模擬協商，自動找出最佳折衷停機時間。
分層去中心化（Decentralized）架構與全域監控： 區域 Agent 負責現場即時異常自癒，全域 Supervisor Agent 則進行跨廠區的資源調度，兼顧反應速度與整體最佳化。

當多個 Agent 在系統內進行自主協商與決策時，我們如何防止系統陷入死鎖（Deadlock）或出現不可預測的震盪連鎖反應？企業在建構 Multi-Agent 系統時，必須引入「中央仲裁者（Supervisor Agent）」與硬性的「協商回合上限（Max Iteration Steps）」，並設定全局收斂目標，確保多 Agent 協作在極短時間內產出確定性的最佳解決方案。

維度	單一 Agent (Single Agent)	多 Agent 協作 (Multi-Agent System)
角色設定	全能型（萬事通，包辦規劃、執行、檢驗）	專才型（例如. 產品經理 Agent、工程師 Agent、測試 Agent）
任務複雜度	適合單一、短流程任務	適合跨領域、長流程、需要多重審核的複雜專案
幻覺風險	高（Prompt 過長時，模型容易忽略部分指令）	低（各 Agent 職責分明，且有專責判斷/審核的 Agent 進行 Check）
代表性框架	LangChain Agent, BabyAGI	Microsoft AutoGen, CrewAI, MetaGPT

10 解決供應鏈排程的 3 個策略

基於契約網協定（Contract Net Protocol）的任務拍賣與分配： 當新訂單進入時，訂單 Agent 發起拍賣，各產線排程 Agent 根據當前 OEE 與物料狀況進行競標，選擇最優產線下發。
跨領域 Agent 的自主協商與多目標判斷： 當品質 Agent 要求停機保養而排程 Agent 要求趕工時，雙方 Agent 根據企業總利潤函數進行模擬協商，自動找出最佳折衷停機時間。
分層去中心化（Decentralized）架構與全域監控： 區域 Agent 負責現場即時異常自癒，全域 Supervisor Agent 則進行跨廠區的資源調度，兼顧反應速度與整體最佳化。

維度	單一 Agent (Single Agent)	多 Agent 協作 (Multi-Agent System)
角色設定	全能型（萬事通，包辦規劃、執行、檢驗）	專才型（例如. 產品經理 Agent、工程師 Agent、測試 Agent）
任務複雜度	適合單一、短流程任務	適合跨領域、長流程、需要多重審核的複雜專案
幻覺風險	高（Prompt 過長時，模型容易忽略部分指令）	低（各 Agent 職責分明，且有專責判斷/審核的 Agent 進行 Check）
代表性框架	LangChain Agent, BabyAGI	Microsoft AutoGen, CrewAI, MetaGPT

分享文章

製造問與答

01 如何設定自主決策的界線，防範 AI 幻覺導致產線誤操作？

我們建議將標準訂為「Human-in-the-Loop（人在迴路）架構」與「實體物理防錯（Deterministic Interlock）」。純 LLM/Agent 絕不能直連 OT 執行器。標準做法是實施分級授權：低風險決策（如排程微調）自動執行；高風險操作（例如. 修改參數、停機）需工程師單鍵確認；底層 PLC 則硬性嵌入實體安全規則（Guardrails），即使 Agent 發出異常指令也會被底層硬性攔截。

01 如何設定自主決策的界線，防範 AI 幻覺導致產線誤操作？

02 當排程與維護 Agent 目標衝突時，如何協調並最大化全廠 OEE？

我們認為關鍵在於「基於全局 OEE 」與「邊際獲利（Throughput）的多 Agent 談判機制」。排程追求產出，維護追求機台壽命。波士頓諮詢（BCG）在智慧工廠案例中指出，應建立中央協調 Agent（Master Agent），將「設備故障停機損失」與「訂單延遲罰金」貨幣化；雙方 Agent 透過賽局談判動態尋求最佳維護時機，實現全廠邊際獲利最大化。

02 當排程與維護 Agent 目標衝突時，如何協調並最大化全廠 OEE？

03 如何確保 AI Agent 於 OT 現場（例如. CNC / SMT / 機器人）實現即時應變？

我們認為評估核心在於「Cloud-Edge 分層架構」與「邊緣輕量化模型（Edge SLM/RL）」。雲端 LLM 延遲高，無法用於即時控制。根據我們的經驗，我們在工業 AI 轉型實踐中強調，應將 Agent 的「複雜推理」放在雲端，產出的策略則編譯為輕量化強化學習（RL）神經網絡或規則集下發至邊緣控制器（Edge IPC）；邊緣端在 10ms 內完成閉環響應，兼顧智慧與速度。

03 如何確保 AI Agent 於 OT 現場（例如. CNC / SMT / 機器人）實現即時應變？

04 如何將資深師傅的「隱性知識」轉化為 AI Agent 的推理邏輯？

我們的解決方法為「知識圖譜（Knowledge Graph）」、「RAG 檢索增強」與「專家反饋強化學習（RLHF）」。員工經驗多為口述或維修日誌。健全作法是透過 RAG 將歷年維護工單、故障 SOP 與影像轉化為工業知識圖譜；再由資深員工對 Agent 輸出的除錯邏輯進行評分（RLHF）與邊界修訂，將「經驗直覺」轉化為可執行的 Prompt 與邏輯鏈。