MapleCheng

製造業導入 AI 與數位流程時，品質不能只停留在事後報表或漂亮看板，而要被設計成流程中的閘門。從 CTO 視角談 ERP、MES、追溯與人機協作的落地重點。

AI Agent 從展示走向 production，關鍵不只是會不會呼叫工具，而是登入、授權、審批與稽核能不能被腳本化、被觀測、被治理。

當企業開始把 AI Agent 接進真實流程，問題不再只是給它多少工具，而是這些能力能不能被發現、被驗證、被治理。

製造業 AI 與邊緣運算往現場走之後，MES、SCADA、Edge Gateway 不能只被當成資料上拋的水管。真正重要的是斷線時能不能持續執行、回復時能不能對帳，以及哪些 business logic 應該留在現場。

Agent 開始具備發現工具、驗證能力與串接流程的能力之後，工具目錄就不再只是文件或清單，而會變成企業 AI 架構裡的治理層。這篇從 CTO 視角聊 capability discovery、權限、版本與可觀測性。

從一次 AI Agent 使用稽核延伸出來的提醒：不要只管工具權限與資料權限，還要把使用入口、頻道、身分、日誌與成本一起納入治理。入口不是中性的 UI，它會決定系統實際被怎麼使用。

企業導入 AI agent 時，記憶不該只是把對話存起來，而要把人工更正轉成可驗證、可審計、可套用的結構化規則。這篇從技術主管視角談 agent 記憶、錯誤修正與工作流閉環。

AI agent 工具越來越多，但外掛能不能共用，關鍵不在 repo 長什麼樣子，而在 host contract、manifest、runtime 與權限模型是否相容。這篇從技術主管視角聊聊跨 agent 整合時該怎麼拆層。

從 diffusion-style 語言模型看 AI 系統設計的下一個分水嶺：速度不是唯一重點，能不能反覆修正、平行生成、留下可治理的中間狀態，才會影響它能不能進入企業流程。

從 AI factory、digital twin 到 robot OS，製造業 AI 的重點正在從單點自動化轉向資料、模擬、部署與回饋的閉環。真正的門檻不是買到多聰明的模型，而是現場系統能不能支撐可追溯、可驗證、可迭代的工作流。