核心概念

MachinaCheck 是一套多 Agent CNC 可製造性分析系統，由兩名開發者在 AMD Developer Hackathon（2026 年 5 月）開發，目標是把每份工程圖需 30-60 分鐘的人工評估壓縮至 30 秒自動完成。

問題背景：CNC 機械廠接到詢價單後，必須手動列印工程圖、逐一量測尺寸、確認刀具庫存、評估機台精度。對每週收到 10-20 份詢價的工廠，這代表每週 5-20 小時的資深工程師時間，且人工判斷易出錯——可能接下無法製造的訂單，造成報廢與客訴。

輸入與輸出：輸入一份 STEP 格式 3D 模型 + 材料種類 + 公差需求 + 螺牙規格，輸出完整可製造性報告，說明可否製造、需要哪些刀具、缺少什麼、開工前需處理的事項。

隱私優先設計：製造業客戶的 STEP 檔含有專有幾何形狀，屬於智慧財產，無法上傳至 OpenAI 或 Anthropic 等商業 API。系統改用 AMD Instinct MI300X 本地端運行 Qwen 2.5 7B，192GB HBM3 VRAM、5.3 TB/s 記憶體頻寬，零資料外傳。

五元件管線：

  1. STEP 解析器（純 Python）：以 cadquery（基於 OpenCASCADE）從幾何模型精確抽取特徵——孔徑深度、平面面積、倒角圓角、外觀尺寸、體積表面積。完全不用 LLM，100% 數學精確。

  2. 加工操作分類 Agent（Qwen 2.5 7B）：接收解析結果與使用者輸入，判斷需要哪些 CNC 操作與刀具，套用製造業領域知識（不鏽鋼 304 需硬質合金刀、孔需鑽頭、精密公差需精密機台）。

  3. 刀具比對器（純 Python）：刻意不用 LLM，以決定性邏輯查詢工廠刀具庫存資料庫。核心原則：資料庫查詢不需要推理能力，LLM 只會增加延遲與幻覺風險。

  4. 可行性決策 Agent（Qwen 2.5 7B）：整合所有資訊，輸出結構化 JSON 決策，含 CONDITIONAL / FEASIBLE / INFEASIBLE 判定、信心度、缺少刀具、風險標記、預計設置時數。

  5. 報告生成 Agent（Qwen 2.5 7B）：將所有分析合成為專業報告，含整體狀態、零件分析、刀具清單、機台狀態、最終建議。

AMD MI300X 透過 ROCm + vLLM 運行 Qwen，設定 50% GPU 記憶體使用率僅占約 96GB，留有充裕餘量。LangChain 透過 OpenAI 相容端點整合，每次 Agent 呼叫推論延遲低於 3 秒，端對端全管線 25-40 秒。

關鍵要點

  • 選擇性使用 LLM：五元件中只有三個用 LLM——STEP 解析與刀具比對有確定性解法，用 LLM 反而更慢更不可靠。LLM 僅用於需要推理的環節。
  • 結構化輸出的 prompt 工程：讓 Qwen 穩定產出合法 JSON 需要明確規則（孔需鑽頭、直徑必須精確比對、螺牙出現才加 tap），否則幻覺率高。
  • 本地部署解鎖高敏感場景：製造業 IP 保護讓商業 API 幾乎不可行；192GB VRAM 甚至可運行 Qwen 2.5 72B，未來推理品質提升空間大。
  • 混合架構效率優勢：確定性邏輯 + LLM 推理的混合設計，比全 LLM 架構更快、更省成本、更可預測。

實務應用

CNC 工廠部署此系統後，每週可節省 5-20 小時工程師時間，並降低接單誤判率。由於推論在本地端執行，適合任何對資料隱私有嚴格要求的製造業場景。

此架構亦可擴展至其他工業 AI 場景——凡需要領域推理但涉及機敏智慧財產的場合，在地端 LLM + 確定性邏輯混合管線都比純 API 方案更適合。

相關頁面：製造業 AI Agent 架構：Hermes 執行層與 Agent Teams 落地方案、AI Agent 設計模式、多 Agent 系統協作架構：MCP 與 A2A 協議、多代理網絡的湧現風險：Microsoft Research 紅隊測試報告

延伸觀點

MachinaCheck 的核心設計原則「LLM 只用在需要推理的地方」獲得同期學術研究的強力支持。

混合架構的量化優勢：arXiv 上兩篇 2025-2026 年的製造業 AI 論文（MAKA CNC 決策架構、LLM-ADAM 積層製造異常偵測）均採用相同的分離原則，且均有對照實驗：MAKA 的工具鏈通過率從單一 LLM 的 50% 提升至 87.5%；LLM-ADAM 的異常偵測準確率從 59.5% 提升至 87.5%（+28 個百分點）。這些數字說明，在工業 AI 場景中「讓 LLM 做所有事」不是設計缺陷，而是效能崩潰。

架構共識：LLM 絕不做算術。兩篇論文的最強共識是：LLM 代理負責意圖路由、任務分解、語言理解；所有數值計算（切削力、幾何比對、尺寸偏差）必須外包給確定性模組，且計算結果必須有溯源。MAKA 更進一步用架構強制執行——Analysis Agent 的合約明確禁止 LLM 自行輸出數值，防止幻覺污染安全關鍵計算。

Critic Agent 層是製造業的必要保護：MAKA 在管線末端設置 Critic Agent，驗證意圖對齊、工具接地、引用完整性與安全邊界，通不過則觸發人工審核。MachinaCheck 的 Feasibility Decision Agent 承擔了部分這個角色，但完整的製造業部署可能需要更獨立的批評層，在工廠場景下 human-in-the-loop 仍是「最終拍板」的必要設計。

本地部署趨勢的結構性驅動力：MAKA 明確採用本地架設開源模型，理由是「邊緣部署的資源與安全限制」。製造業、金融業、醫療業在 2025 年加速 On-Premise 部署，根本原因不是技術選型，而是資料主權與合規要求——MachinaCheck 選擇 AMD MI300X 在地端部署，本質上是回應這個結構性需求，而非單純的成本考量。

反向連結

以下頁面引用了本頁：