AI Model
大腦
理解、推理、產生內容
GPT · Gemini · Claude從會問 AI,到讓 AI 真正參與工作
兩小時不可能教會你從零開發,但可以給你一張技術導航地圖
員工上課後仍只會問答,因為不知道工作可以怎麼交給 AI
生管、採購、品保的專業知識,是 AI 建立工具的起點
從問答、資料處理、工具調用,到 Coding Agent
能根據任務選擇工具、取得資料、完成步驟的 AI
不是三種不同的 AI 大腦,而是模型、執行系統與自動化服務的不同概念
理解、推理、產生內容
GPT · Gemini · Claude連接模型,搭配 Skills、工具與工作規則完成任務
可以依框架更換或路由模型由時間、訊息或事件觸發任務
不一定使用 AI,也不一定持續運算選擇大腦、裝備 Skills 與 Tools,再決定要不要讓它自動值班
用適合的工具做適合的事
先選高頻、有資料、容易驗證、風險可控的工作
一個真實 API 分析、合成工廠資料的企業 AI Demo
M03 停機,哪些訂單受影響,怎麼恢復排程?
工具取得訂單、BOM、庫存、設備與排程
把 AI 的判斷交給客觀規則再檢查
只代表通過 Demo 已設定的驗證條件
同一套 Agent 流程,處理不同生產管理問題
未來可透過受控 Gateway 連結 LINE 與內網
把內網資料、AI 模型、決策驗證、主管與 LINE 放在同一張系統全貌圖。
AI API 與 LINE 是兩條不同的外部通道,各自需要資料過濾與授權政策。
已完成的能力與未來設計分開標示,避免把概念方案當成現有產品。
文件記載 20 次真實 API 分析,原始成功 19 次
AI 能幫你開發系統,不代表每次執行都要請 AI 動腦。
一個完成後由程式獨立運作;另一個在日常工作中持續請 AI 協助分析。
AI 幫忙蓋好工具,之後可以離開
AI 幫忙開發,也持續在系統裡工作
每天早上 8 點,檢查庫存是否低於固定安全庫存門檻,產生清單並通知採購。
聊天、開發、系統串接是不同產品與用量,不是「付一次月費就全部吃到飽」。
看清楚「我在用 AI」和「我的軟體在呼叫 AI」的差別。
FactoryPilot 在執行時需要 AI 分析
以受保護的 API Key 驗證呼叫
遇到問題,翻回這頁,拿關鍵字去問 AI。
今天不教完全部技術,而是讓你知道遇到問題該搜尋什麼
Context Window / Context Compaction / Persistent Memory
Harness Engineering / AGENTS.md / SOP / Skills
把重複使用的 SOP、範例與工具整理成可載入的技能包
回家問 AI:「請協助我把公司的生管 SOP 整理成 Agent Skill,先訪談我,再產生規則、範例與驗收方法。」
不用一開始就想清楚所有功能:先做雛形、看結果、再調整
回家問 AI:「請協助我把公司的生管 SOP 整理成 Agent Skill,先訪談我,再產生規則、範例與驗收方法。」
真實專案|先看任務風險,再決定要派哪些 AI 角色;點 L0、L3、L4 比較差異
RAG / Knowledge Base
API / MCP / Tool Calling / Workflow
Validation / Testing / Human-in-the-loop
「我是傳統製造業的__部門,我不懂程式。請一次問我一個問題,幫我找出一項值得做成工具的重複工作。」
先做一件能驗證的事,不要一開始就全面改造
AI 落地不是把員工送去上課就結束
不必先成為工程師,
從說出自己的工作需求開始。