製造業 AI 要真正落地，不是只接上一個 ChatGPT 視窗

來源：Facebook - GenAI & Agentic AI 論壇
作者：Tung-hsing Hsieh
日期：2026-05-01
連結：https://www.facebook.com/share/v/1EqEDDGguK/

核心觀點

製造業導入 AI，不能只停留在「聊天工具」的層級，而要建立一套可執行、可追蹤、可治理的 Agent 架構，把 LLM 真正整合進企業流程、資料系統與現場協作。

推薦技術組合

1. Hermes Agent（Agent 執行與整合層）

負責接收 Discord、Telegram、Web 或內部系統請求
管理不同 Agent profile
串接 MCP 工具、檔案、知識庫與排程系統
保留派工紀錄與執行結果
讓 AI從「聊天模型」變成「可以操作工具的工作代理人」

2. LLM（自然語言理解與決策推理）

負責理解現場人員的自然語言問題
判斷問題屬於報價、訂單、工單、產能、圖面或產線資訊
整合跨系統資料，產生主管看得懂的結論、風險與建議

3. 本地端模型（隱私與低延遲場景）

內部文件分類、工程圖初步辨識、現場 SOP 查詢
機密製程知識問答、高頻低成本資料整理
在資料安全、成本與反應速度之間取得平衡

4. Agent Teams（專業分工）

不是讓一個 AI 包辦所有問題，而是拆成多個專業 Agent：

Agent	負責範圍
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、排程衝突與跨部門營運裁決
image-analysis	工程圖、BOM、檢驗表圖片分析
line-info	產線、機台、班別、人員技能與設備狀態

主控 Agent 負責接收問題、派工、整合結果與最後裁決。

5. MCP（Model Context Protocol）

把 ERP、MES、APS、排程系統、資料庫或內部 API 包裝成標準工具
Agent 不直接亂查資料庫，而是透過 MCP 定義好的工具與權限來取得資料
讓 AI 的查詢行為可控、可追蹤、可治理

6. LLM Wiki（企業知識庫與現場經驗沉澱）

製造業除了系統資料，還有大量隱性知識： -製程限制、設備使用規則

品質異常處理 SOP
常見延遲原因、客戶交期判斷邏輯
歷史案例與決策紀錄

這些知識整理進 LLM Wiki，變成 Agent 可查詢、可引用的內部知識庫。

7. Skill（把常用流程變成可重複執行能力）

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
檢查排程衝突、整理現場異常報告

每個 Skill 都可以定義輸入、步驟、工具使用方式、驗證規則與輸出格式。

整體流程

人用自然語言提出需求
    ↓
主控 Agent 判斷任務
    ↓
專業 Agent 派工
    ↓
MCP 查系統資料
    ↓
LLM Wiki 補企業知識
    ↓
Skill 執行標準流程
    ↓
輸出可追蹤、可驗證、可執行的製造決策建議

標籤

製造業ai hermesagent agentteams mcp llm 智慧製造企業ai 數位轉型 ai落地

備註：這篇貼文與目前正在發展的 Hermes Agent + MCP + Skill + LLM Wiki 架構高度相關，值得持續追蹤與實踐。