Technologies & Solutions

從機台聯網、製造數據可視化，到數位雙生與智慧排程，智慧製造的核心一直是讓設備與資料被更有效率地理解與使用。當這些數位基礎逐步成熟後，製造業也開始面對下一個問題：如果 AI 已經能理解資料，它是否也能進一步使用既有系統與工程工具，協助工程師完成實際工作？

這正是 AI Agent（AI 代理人）開始受到製造業關注的原因。

相較於一般生成式 AI 著重於理解問題、整理資訊與產生內容，AI Agent 更進一步強調任務執行。它可以依據使用者的需求，判斷需要哪些資訊、使用哪些工具，再將原本分散在不同系統中的工作逐步串接起來。對製造現場而言，這代表 AI 的角色可能從「回答問題」，進一步朝「協助完成工作」發展。

東台多年來持續從設備聯網、TLM 產線管理、CPS 數位雙生到單機 AI 應用推進智慧製造技術，並在此基礎上延伸發展 TLM Agent 與 CPS Agent。本文內容延伸自東台精機智慧技術本部曾文鵬協理於 2026 台灣人工智慧年會發表的「智慧製造 AI 代理人」專題分享，整理 AI Agent 如何進一步連結既有智慧製造能力，以及可能為工程工作帶來的改變。

圖：東台精機智慧技術本部曾文鵬協理於 2026 台灣人工智慧年會分享「智慧製造 AI 代理人」，說明東台從智慧製造、TLM 與 CPS 數位雙生延伸至 AI Agent 的技術發展。

智慧製造走到下一步，AI 開始從分析走向執行

智慧製造並不是從 AI 才開始。工業 4.0 發展至今，製造業已逐步建立設備與數位世界之間的連結。東台將智慧製造的發展脈絡整理為聯網化、可視化、透明化、預測化，並進一步朝智慧化與自優化發展。這個過程可以理解為製造系統對現場狀況的理解能力不斷提升：從取得設備資料、掌握即時狀態，到分析問題發生的原因，再進一步預測接下來可能出現的狀況。

這樣的能力已經實際進入工具機應用。東台目前的單機 AI 技術包括刀具壽命預測、主軸壽命預測、熱溫升補償、進給軸承預兆保全、刀具表面瑕疵檢測與 AI 彈性沖屑等，希望透過設備資料與 AI 模型，協助掌握設備健康、加工狀態與製程品質。

這些應用代表 AI 已經逐步具備「看懂資料」與「預測狀況」的能力。當這些能力持續成熟，新的需求也隨之出現：AI 能不能不只提供判斷，而是進一步使用企業既有的系統與工具，協助工程師完成工作？這正是代理式 AI 對智慧製造帶來的重要轉折。

從生成式 AI 到 AI Agent，製造現場改變了什麼？

生成式 AI 讓企業逐漸熟悉以自然語言取得資訊的工作方式。以工具機現場為例，東台發展的 T-BOT 機邊 CoPilot，透過 LLM 與 RAG 技術結合相關知識與機台即時狀態，協助提供異常排除步驟與操作說明，希望降低人員的學習門檻並提升異常排除效率。

這類應用的核心，是讓 AI 更了解設備、文件與使用者正在詢問的問題。AI Agent 則再往前一步，將 AI 的角色從資訊提供延伸到工作執行。

假設工程師想知道某條產線昨天效率下降的原因，一般生成式 AI 可以協助說明應檢查哪些項目，例如稼動率、Alarm、停機紀錄與生產履歷；AI Agent 的目標則是進一步取得相關資料、整理歷史紀錄、使用既有工具進行分析，再將結果交給工程師確認。

因此，生成式 AI 與 AI Agent 的差異，不只在於回答得更完整，而在於 AI 是否能理解任務，並進一步使用工具協助執行。這項差異對製造現場尤其重要，因為工程師日常工作很少只存在於單一系統。從機台狀態、歷史生產資料、CAM 程式、加工模擬到整線產能分析，往往需要在多套系統與工程工具之間切換。AI Agent 真正有價值的地方，就在於能否把這些原本分散的能力串接起來。

為什麼製造業的 AI Agent 不能只靠 LLM？

大型語言模型（LLM）具備語言理解、推理與生成能力，但這並不代表它自然知道一家工廠如何運作。就像一名具備良好專業基礎的新進工程師，進入企業後仍然需要了解設備規格、資料來源、工作流程、系統操作方式與工程判斷原則，AI 也需要相對應的企業知識與工作環境。

曾文鵬協理在分享中將這套概念整理為「Agent = LLM + Harness」。在東台的 AI Agent 架構中，Harness 並不是另一個 AI 模型，而是讓 AI 能取得知識、遵循工作方法並使用外部工具的一整套工作環境，其中整合 VLM、MCP、Skill、RAG、Knowledge、AI Tools、Database、Python 與 C# 等能力。

如果從製造現場理解，Knowledge 承載的是設備資料、工程規範與企業知識；Skill 則把一項工作應如何執行、如何判斷的經驗整理成 AI 可以理解的方法；RAG 協助 AI 從大量企業知識中取得與目前任務相關的資訊；MCP 則進一步提供 AI 與 TLM、資料庫、模擬工具等外部系統互動的方式。

也就是說，如果 LLM 解決的是「AI 能不能理解與思考」，Harness 所處理的，就是「AI 有沒有足夠的知識、方法與工具可以完成工作」。

對製造業而言，這一點尤其關鍵。企業真正形成差異的，不一定只是選擇哪一個大型語言模型，而是多年累積的設備資料、工程知識、工作流程與專用工具，能不能被整理成 AI 可以理解、取得並使用的能力。

圖：在東台的 AI Agent 架構中，LLM 提供理解與推理能力，Harness 則整合 Knowledge、Skill、RAG、MCP 與各類工具，使 AI 能進一步參與實際工作流程。

TLM Agent：讓產線管理從操作功能走向交辦任務

東台整線管理系統 TLM（Tongtai Line Management System）是智慧製造的重要基礎之一。透過工具機聯網與產線資訊整合，TLM 可以協助使用者掌握設備、生產及歷史資料。傳統的使用方式，是由工程師登入系統後依照需求尋找功能、查詢資料，再進行整理與分析。

當 AI Agent 與 TLM 結合後，人與系統的互動方式開始產生變化。使用者不一定需要先知道資料位於哪一個頁面，而可以直接提出希望完成的任務，例如查詢整廠或單機資訊、彙整歷史資料、產出客製化報表，或比較不同場域的生產數據。

TLM Agent II 的應用方向即涵蓋整廠與單機資料查詢、歷史資料彙整、客製化報表產出、跨場域資料比對與輔助引導操作。 這樣的改變，不只是替既有軟體加上一個 AI 對話框，而是在重新思考工業軟體的使用方式。

過去，軟體設計的重要課題是如何讓使用者快速找到需要的功能；進入 Agent 時代後，則進一步需要思考如何讓 AI 理解系統能力、理解使用者的目的，再依照任務選擇適合的功能。這也是東台將 Knowledge、Skill 與 MCP Server 納入 Native AI 軟體設計思維的原因，希望讓工具不只面向人的操作介面，也逐步具備讓 AI 理解與代理操作的條件。

Agent 的價值，在於把既有製造工具串接起來

實際的製造工作往往需要同時使用不同系統，因此 AI Agent 的能力並不是「自己會做所有事情」，而是根據任務判斷需要取得哪些資訊，以及應該使用哪一項工具。

在 TLM Agent 的應用架構中，不同工具分別負責不同工作。TLM 提供產線歷史資料檢索，FANUC NC GUIDE2 可進行加工程式模擬與 Cycle Time 計算，東台產線 CPS 則提供產量預測、稼動率與甘特圖等分析能力。 透過 Agent 將這些工具納入同一個工作流程後，AI 才有機會根據使用者需求，協助完成跨系統任務。

目前 TLM Agent 的展示應用已涵蓋產線狀態查詢、CAM 程式產出、單機加工模擬與整線產能模擬等工作。 對工程師而言，這意味著原本花費在資料搜尋、系統切換與重複操作上的時間，有機會逐步轉移到條件設定、結果判斷與方案改善等更需要工程經驗的工作。

這也是 AI Agent 與固定自動化 Workflow 的一項重要差異。固定流程通常依照預先設定的步驟執行，而 Agent 的發展方向，則是讓 AI 能根據不同任務理解工具能力，再選擇適合的操作方式。對智慧製造而言，這意味著系統的價值開始從「提供功能」進一步走向「協助完成工作」。

CPS Agent：讓 AI 參與數位雙生工程流程

除了產線管理，Digital Twin（數位雙生）也是 AI Agent 在智慧製造中的重要應用方向。數位雙生透過數位環境建立與實際設備或產線相對應的模型，讓工程師能在真正建置或調整產線之前，先進行流程、產能與配置分析。

然而，數位雙生真正的門檻並不只是有沒有模擬軟體。每條產線的配置與流程具有高度客製化特性，建立模型往往需要同時具備工程分析與程式開發能力。實務上，會寫程式的人未必熟悉工程分析，而熟悉工程分析的人也不一定具備程式開發能力。 CPS Agent 所要處理的，正是如何利用 AI 協助串接這些原本分散的工程能力。

在數位雙生建立之前，工程師首先必須理解 Layout 與自動化流程圖。因此，CPS Agent 的第一項工作是「解讀」，將工程師閱讀 Layout、理解流程圖與撰寫說明的方式逐步整理成 AI 可以使用的 Skill。 完成圖面理解後，Agent 再進一步結合 Prompt、知識圖譜與相關 Skill，協助將設備與流程資訊轉換成數位雙生程式；其中牽涉設備分類、流程邏輯與雙生引擎運作等工程知識，而不只是一般的程式碼生成。

當雙生程式完成後，工作還必須進入模擬引擎實際運行，取得模擬數據並進行分析。 因此，CPS Agent 的發展重點可以理解為讓 AI 逐步參與「圖面解讀、雙生生成、模擬運行與數據分析」的完整工程流程。

值得注意的是，這並不代表工程工作完全交由 AI 自主決定。在 CPS Agent 的完整流程中，仍保留程式審核、修改、模擬結果評價與最終確認等人工環節。 AI 負責協助執行大量工程作業，而人的專業判斷仍然是整個流程的重要部分。

圖：東台提供單元、單機到整線的數位雙生工程服務。

AI Agent 不只提升效率，也重新整理工程知識

製造業導入 AI Agent 的另一項重要價值，是重新整理與保存工程知識。許多真正重要的製造經驗，並不完全存在於設備說明書或 SOP 裡，而是累積在資深工程師的日常判斷中。例如某種 Layout 如何配置較為合理、某個模擬結果雖然數據正常卻可能存在問題，或面對特定異常時應優先檢查哪個環節，這些往往屬於長時間累積形成的隱性知識。

東台將傳統員工所具備的「知識、技能與工具」能力，進一步對應至知識圖譜、Vector、Database、Skill 與 MCP 等 AI Agent 架構。 這代表企業導入 AI Agent 的過程，也促使工程知識重新被整理：哪些資訊需要成為 Knowledge、哪些操作與判斷方式可以形成 Skill，以及哪些系統能力需要轉換成 AI 可以使用的 Tool。

真正具有長期價值的，因此不只是將大量文件提供給 AI，而是把工程師「怎麼判斷、怎麼工作」的方式逐步數位化，使這些能力可以被保存、重複使用，並進一步協助新人學習。

在人的角色上，東台將人與 Agent 的協作方式區分為 Human、Human with AI Copilot 與 Agent 三個層次，從完全由人操作工具，到人負責設定與決策、AI 協助重複性工作，再進一步發展至由人交辦任務、AI Agent 執行較完整的工作流程。 這樣的演進並不是將工程師移出製造流程，而是讓人的角色逐步從大量系統操作，轉向問題定義、條件確認、結果驗證與最終決策。

從 3 個工作天到數小時，改變的不只是執行速度

AI Agent 是否能真正為製造業帶來價值，最終仍然需要回到實際工程工作。

曾文鵬協理分享，目前 CPS Agent 已導入東台日常工作，其中一項原本約需 3 個工作天的傳統人工流程，在 AI Agent 輔助後，作業時間可縮短至約 0.1～3 小時；在 Agent 執行工作的同時，工程師仍可處理其他任務。

這項成果值得注意的地方，不只是單純比較「人工與 AI 誰比較快」，而是工作流程本身開始發生變化。過去需要工程師親自完成的大量中間步驟，可以逐步交由 Agent 協助執行；工程師則能將更多時間投入工程判斷、方案修改、結果驗證與最終確認。

換句話說，AI Agent 帶來的效益，不只是讓某一項操作自動化，而是重新思考哪些工作應由人負責、哪些工作可以交由 AI 協助，以及人與數位工具之間如何形成更有效率的協作方式。

圖：AI Agent 的價值不只在於提升執行速度，更在於重新分配工程工作的重心，讓工程師將更多時間投入判斷、驗證與改善。

從 Automation 到 Autonomous，智慧製造的下一個階段

過去十多年，工業 4.0 持續推動設備、感測器、產線管理系統與數位雙生之間的連結，使製造現場逐步具備資料化、可視化、分析與預測能力。AI Agent 的出現，則開始回答下一個問題：當設備、資料與工具都已經逐步數位化之後，AI 是否能真正理解並使用這些能力？

從這個角度來看，AI Agent 並不是用來取代既有智慧製造系統，而是建立在這些基礎之上。沒有設備聯網，就沒有即時資料可以取得；沒有 TLM，就缺少完整的產線管理資訊；沒有 CPS 與 Digital Twin，就缺少工程模擬能力；沒有企業長期累積的 Knowledge 與 Skill，AI 也無法理解實際工程工作的脈絡。

因此，AI Agent 對智慧製造真正的意義，不是再替製造現場增加一套新的 AI 軟體，而是讓企業既有的設備、資料、軟體、工程知識與工作方法，逐步轉化成 AI 可以理解、連結與使用的製造能力。

從設備聯網、TLM 產線管理、CPS 數位雙生，到 AI Agent，東台持續探索的核心始終是如何讓數位技術真正進入製造流程，協助工程師提升效率、累積知識，並為製造現場創造可落地的價值。

當工業 4.0 與 AI 持續融合，智慧製造也將從 Automation（自動化）進一步朝更高程度的 Autonomous（自主化）發展。對製造業而言，下一階段真正值得關注的，不只是選擇哪一種 AI 模型，而是企業多年累積的設備、資料、知識與工程能力，能否進一步轉化成 AI 可以使用，並持續為製造現場創造價值的能力。