臺灣製造業的智能體工作流設計策略

從知識驅動、探索驅動到可治理的智慧營運

✎【中國工業工程學會】范書愷 理事長   |   2026-07-10

一、從聊天機器人走向數位作業節點

       智能體工作流與一般聊天機器人的最大差異，在於它不只生成文字，而是能依照任務目標拆解步驟、查找資料、呼叫工具、比對結果，並在必要時停下來等待人工確認。以「分析本週某產品良率下降原因」為例，系統可能先篩選批次，再比對異常站點、查詢 SPC 訊號、設備履歷與維修紀錄，最後提出根因候選與後續驗證方式。

       目前常見的工程設計包括：以 Planner-Executor 拆解任務；以工具呼叫或 MCP（Model Context Protocol）連接外部資料與系統；以 Agentic RAG 動態檢索 SOP、設備手冊與歷史紀錄；以及透過評估器、護欄與人工簽核降低錯誤風險。A2A（Agent2Agent）等互通協定則提供另一個方向：讓不同專業、不同系統或不同供應商建立的 Agent 能交換任務狀態與結果摘要。

二、先分清楚任務等級

       製造業導入智能體，不宜一開始就追求端到端全自動化。較務實的方式，是依據任務風險、資料成熟度、可驗證性與商業價值分級，逐步由知識查詢推進到分析、建議與控制。重點是避免把「能回答」誤認為「能執行」。

三、兩條導入路徑：知識驅動與探索驅動

       不同任務需要不同設計。對多數企業而言，較合理的導入順序是先做知識驅動，再逐步加入探索驅動。前者累積資料品質與現場信任，後者則用於處理傳統規則難以涵蓋的高複雜問題。

（一）知識驅動與規則約束

這類工作流將企業既有的 SOP、設備手冊、品質規範、異常處置流程與工程經驗，轉化為 Agent 可檢索、引用與執行的任務邊界。它適合第一階段導入，因為風險較容易控制，也容易訂出驗收指標。

• SMT 換線與參數校核：依據工單、BOM、料號、鋼網、吸嘴、爐溫曲線與 AOI 規格，自動產生換線檢核表與風險提醒。

• 封測機台警報排除：整合設備手冊、維修履歷與標準處置流程，提供排除步驟與異常升級條件。

• 品質稽核與客戶回覆：協助彙整 8D、CAPA、FMEA、Control Plan 與稽核資料，降低文件整理工時。

• 供應鏈缺料追蹤：整合 ERP、庫存、替代料與交期資訊，產出風險清單與影響分析。

（二）探索驅動與最佳化

當問題空間龐大、變數交互作用強，或既有經驗法則已接近瓶頸時，工作流可以加入多步規劃、模擬、搜尋、實驗設計與多目標最佳化。但這類系統不應直接在現場自由嘗試，而要先透過歷史資料回放、數位孿生或離線沙盒驗證，再由工程師確認是否採用。

• 晶圓製程配方最佳化：結合歷史條件、量測結果、設備狀態與模擬模型，提出可驗證的參數候選。

• 全局派工與排程：在急單插單、瓶頸設備變動與跨廠協同下，平衡交期、換線成本、稼動率與在製品存量。

• OHT／AMHS 動態派車：考量搬運路徑、設備等待、壅塞風險與批量優先序，提出派車建議。

• 異常根因探索：整合 SPC、設備感測、維修紀錄、批次履歷與品質結果，協助工程師發現跨製程關聯。

四、混合式架構：資料、知識、工具、智能體與治理

       要讓智能體真正進入製造現場，不能只討論模型，而要把系統分層設計。資料層提供工單、設備、品質與感測資料；知識層保存 SOP、設備手冊與歷史案例；工具層負責查詢、分析、模擬、通知與報表；智能體層負責任務分解與結果評估；治理層則管理權限、審核、日誌、資安與變更。

      在這套架構中，Agent 的輸出可分成四種等級：資訊摘要、建議方案、待核准操作與自動執行操作。對高風險場景而言，前三級應是常態；第四級只適用於低風險、可回滾且經過充分驗證的任務。

五、從低風險、高頻率的工作開始

  導入優先序應以「高頻率、低風險、資料可得、成效可衡量」為原則。企業不必先挑最炫目的題目，而應優先解決現場反覆發生、耗費人力且容易驗證的工作。

六、治理、資安與評測必須同步

智能體的風險高於一般聊天機器人，因為它會讀取資料、呼叫工具、保存任務狀態，甚至觸發企業流程。常見風險包括提示詞注入、過度授權、工具或記憶污染、第三方套件風險，以及責任歸屬不清。若缺乏完整日誌與審核紀錄，發生異常時也難以追溯。

        衡量成效時，也不應只看模型準確率。企業可同時追蹤答案正確率、引用命中率、拒答適切率、工具呼叫成功率、平均任務完成時間、人工審核時間，以及良率、稼動率、MTTR、交期達成率、在製品存量與每任務成本等指標。

七、從智慧工廠走向智慧營運

       智慧工廠過去著重自動化設備、感測器與資料可視化；下一階段的重點，是如何讓資料被安全、準確且可追溯地轉化為行動。對臺灣製造業而言，短期可先從知識庫、低風險工具介接與任務型評測做起；中期再將品質、設備、排程與供應鏈工作流串接；至於涉及實體設備、機器人與製程控制的 Physical AI，則必須建立更嚴謹的沙盒驗證與變更管理。

       未來領先的企業，未必是擁有最大模型的企業，而是最能把模型、資料、工具、流程、治理與現場 Know-how 組合成可靠工作流的企業。對製造業而言，AI Agent 不只是效率工具，而是推動知識工程、跨部門協作與持續改善的新型基礎建設。

參考資料與延伸閱讀

1. Model Context Protocol. “What is the Model Context Protocol (MCP)?” https://modelcontextprotocol.io/docs/getting-started/intro

2. Anthropic. “Introducing the Model Context Protocol.” 2024. https://www.anthropic.com/news/model-context-protocol

3. Linux Foundation. “Linux Foundation Launches the Agent2Agent Protocol Project.” 2025. https://www.linuxfoundation.org/press/linux-foundation-launches-the-agent2agent-protocol-project-to-enable-secure-intelligent-communication-between-ai-agents

4. OpenAI. “OpenAI Agents SDK: Agents and Tracing.” https://openai.github.io/openai-agents-python/agents/ ; https://openai.github.io/openai-agents-python/tracing/

5. NIST. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1). 2024. https://doi.org/10.6028/NIST.AI.600-1

6. OWASP GenAI Security Project. “OWASP Top 10 for Agentic Applications for 2026.” https://genai.owasp.org/resource/owasp-top-10-for-agentic-applications-for-2026/

7. NVIDIA Newsroom. “NVIDIA and US Manufacturing and Robotics Leaders Drive America’s Reindustrialization With Physical AI.” 2025. https://nvidianews.nvidia.com/news/nvidia-us-manufacturing-robotics-physical-ai