核心概念

製造業 AI 落地的關鍵障礙，不在於語言模型的能力，而在於如何把 LLM 嵌入企業既有的流程、資料系統與現場協作。一個可執行、可追蹤、可治理的製造業 Agent 架構，由六個層次組成。

Hermes Agent：Agent 執行與整合層

Hermes Agent 是整個系統的運行骨幹，負責承接企業內部的 Agent 運行環境。它接收來自 Discord、Telegram、Web 或內部系統的請求，管理不同的 Agent profile，串接 MCP 工具、檔案、知識庫與排程系統，並保存派工紀錄與執行結果。核心轉變是：讓 AI 從「聊天介面」變成「可操作工具的工作代理人」。

ChatGPT / LLM：自然語言理解與決策推理

LLM 負責接收現場人員的自然語言問題，判斷屬於哪種查詢類型（報價、訂單、工單、產能、圖面或產線），再整合跨系統資料，產生主管可理解的結論、風險評估與行動建議。設計原則：LLM 不應猜答，而是先判斷需要查哪些系統，再整合出可驗證的結論。

本地端模型：隱私與低延遲場景

雲端 LLM 不適合所有場景。以下任務適合本地端模型處理：內部文件分類、工程圖與檢驗表初步辨識、現場 SOP 查詢、機密製程知識問答、高頻低成本的資料整理。本地端模型讓企業在資料安全、成本與反應速度之間取得平衡。

Agent Teams：專業分工架構

不是讓一個 AI 包辦所有問題，而是拆成多個職責清晰的專業 Agent：

Agent 職責範圍
quote 原物料、航運、報價、到貨風險
sales 訂單、接單、交期、出貨承諾
status 工單進度、生產狀態、延遲異常
cnc 產能、排程衝突、跨部門裁決
image-analysis 工程圖、BOM、檢驗表圖片分析
line-info 產線、機台、班別、人員技能、設備狀態

主控 Agent 負責接收問題、派工、整合結果與最後裁決。每個 Agent 職責清晰，便於權限控管、紀錄追蹤與流程優化。這與 多 Agent 系統協作架構：MCP 與 A2A 協議 中描述的專業化分工模式高度吻合。

MCP：把企業系統包成 AI 可調用工具

MCP 是資料串接的核心機制。它將 ERP、MES、APS、排程系統、資料庫或內部 API 包裝成標準工具，讓 Agent 以安全、受控的方式存取資料，例如查詢工單狀態、物料齊套、機台負荷、人員可用性、排程 KPI 與衝突風險。Agent 不直接操作資料庫，而是透過 MCP 定義的工具與權限取得資料，讓 AI 的查詢行為可控、可追蹤、可治理。

LLM Wiki：企業知識庫與現場經驗沉澱

製造業知識分兩類：系統資料（ERP/MES 中的即時數字）與隱性知識（製程限制、設備使用規則、品質異常 SOP、歷史決策紀錄）。LLM Wiki 把隱性知識整理成 Agent 可查詢、可引用的內部知識庫，讓 AI 不只查即時數字，也能結合企業自己的經驗與規則做判斷。

Skill：把常用流程模組化

Skill 將穩定的工作流程封裝成可重複執行的能力，例如：產生排程甘特圖、分析工單延遲風險、彙整報價比較表、產生客戶交期回覆、整理現場異常報告。每個 Skill 定義輸入、執行步驟、工具使用方式、驗證規則與輸出格式，讓 Agent 按已驗證的流程穩定執行。

關鍵要點

  • 架構核心是流程化，不是問答化：人用自然語言提問 → 主控 Agent 派工 → 專業 Agent 執行 → MCP 查資料 → LLM Wiki 補知識 → Skill 執行標準流程 → 輸出可追蹤的製造決策建議
  • Agent 分工帶來可治理性：每個 Agent 的查詢、工具呼叫與決策都有紀錄，可追蹤、可審查、可優化
  • MCP 是企業 AI 的安全邊界：不讓 AI 直接操作生產系統，透過工具定義限制查詢範圍與操作權限
  • 本地 + 雲端混合部署：敏感資料、高頻任務走本地端；複雜推理、跨系統整合走雲端 LLM
  • LLM Wiki 讓隱性知識可流通：把只存在老師傅腦中的製程經驗轉為 AI 可引用的結構化知識

實務應用

典型查詢場景：現場問「這張急單能不能準時出？」

  1. 主控 Agent 判斷需查詢：訂單（sales）、工單（status）、物料齊套（status）、機台負荷（cnc）、排程衝突（cnc）
  2. 分別派工到對應的專業 Agent
  3. 各 Agent 透過 MCP 工具查詢 ERP/MES
  4. LLM Wiki 補充「這類急單的歷史延遲模式」
  5. 主控 Agent 整合結果，輸出可驗證結論，附帶具體數字支撐

這個架構讓 AI 的每個決策步驟都有資料來源，可被追溯與審查，符合 Agentic AI 企業落地現實：基礎建設障礙與突破策略 中強調的「治理優先」原則。2026 年 Agentic AI 七大趨勢 也指出，製造業是 Agentic AI 最具落地條件的垂直領域之一，原因在於流程高度標準化、資料系統相對完整。

延伸觀點

製造業 AI Agent 的企業部署正在從「概念驗證」走向「有限自主」，但與其說是全自動化革命，不如說是一場邊界明確的增量式擴張。

多 Agent 架構已成製造 AI 的主流設計模式

無論是針對智能車間的 LLM 多代理系統，還是混合規則引擎與 LLM 的混合架構，研究一致指向同一個結論：單一 Agent 無法勝任製造業複雜度。主流設計將 Agent 分為「產品代理（Product Agent）」與「資源代理（Resource Agent）」兩層——前者負責生產排程與任務協調，後者控制具體機台執行操作。Agent Teams 模式中的並行專家代理加協調器代理，效果顯著優於單一 Agent。

LLM 的核心價值在於「免預訓練的動態決策」

傳統強化學習需要針對特定車間建立模擬器並大量預訓練，LLM 的語言推理能力讓代理可透過系統提示定義行為，免除對任務特定訓練的依賴。實驗顯示，LLM 多代理系統在完工時間與穩定性上均優於傳統啟發式規則，對多品種小批量生產的動態干擾更具適應性。但任務複雜度增加時準確率下降仍是瓶頸——LLM 幻覺與錯誤函數呼叫是主要失效模式。

企業實際部署遠未到「全自主」——數據碎片化才是真正障礙

工業訪談研究直接點破行業幻象：大多數企業部署的是「有界自主（Bounded Autonomy）」——代理在嚴格定義的工作流內運作，仍需人工驗證。最根本的限制不是模型能力，而是數據。一家大型企業光是盤點研發數據就發現了 26 個不同系統；關鍵知識鎖在 PDF、CAD 檔與員工腦袋裡；ITAR、GDPR 等合規要求更使許多場景無法上雲。LLM Wiki 正是為了解決這個「隱性知識無法流通」的問題而存在。

製造業 AI Agent 的終局不是取代工程師，而是在人類仍掌握判斷權的前提下，消除那 25% 消耗在資訊合成上的無效工時。

來源：Large Language Model-Enabled Multi-Agent Manufacturing Systems、A Large Language Model-based multi-agent manufacturing system、Agentic AI in Engineering and Manufacturing: Industry Perspectives

反向連結

以下頁面引用了本頁：