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。
Agent 能不能進正式流程,先看登入和授權怎麼設計
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。
AI Agent 需要的不是工具清單,而是能力目錄
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。
現場執行層不能只是資料水管
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。
當 Agent 會自己找工具,工具目錄就變成架構的一部分
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。
AI Agent 的入口本身,就是權限模型的一部分
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。
AI Agent 的記憶不是日記,是修正迴路
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。
外掛不是資料夾:AI Agent 生態整合時,真正要看的是 Host Contract
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。
當語言模型不再一個字一個字往前猜
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。
智慧工廠的下一步,不是多一支手臂,而是多一個閉環
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。