工業技術研究院 資訊與通訊研究所 連俊宏 林群惟 吳芷綺 曾琬婷 蘇粲程

製造業Agent將不再只是輔助工具，而是具備知識整合、流程推理、工程規劃與決策支援能力的智慧協作平台。

前言

近年來，隨著生成式AI（Generative Artificial Intelligence, GAI）、大型語言模型（Large Language Model, LLM）與數位雙生（Digital Twin）等技術快速發展，智慧製造正逐步由傳統「流程自動化」模式，朝向具備感知、推論與決策能力之「認知生成」方向發展。AI不再僅是單點式分析工具，而開始能參與製程理解、控制程序腳本生成、PLC（Programmable Logic Controller）程式生成與工控知識應用等工作，進一步提升製造業自動化開發效率與智慧化程度。本文將探討傳統智慧製造現況、認知生成技術內涵，以及生成式AI與製造業Agent於工控領域之應用與未來發展趨勢。

傳統智慧製造與自動化現況

目前台灣智慧製造與自動化市場需求持續成長，根據TrendForce研究預估，2026年全球智慧製造市場規模將達6,200億美元。除了企業追求生產效率、品質提升與降低成本外，少子化、高齡化及勞動力短缺亦加速製造業自動化升級需求。根據國家發展委員會推估，至2035年，台灣將出現超過200萬人的勞動力缺口。以金屬製品製造業為例，雖已有部分企業導入自動化設備，但多數中小企業仍以人工作業或半自動化為主，顯示製造業仍有龐大的自動化升級需求。另一方面，自動化開發端面臨專業人才不足問題。自動化相關職缺超過4,000名，平均徵聘期超過八個月，且PLC、機電整合與自動控制等職務普遍需二至五年以上實務經驗，導致人才培養週期長。另一方面，系統整合（System Integration, SI）產業具高度客製化特性，PLC程式開發、設備整合與現場除錯高度依賴資深工程師，亦面臨技術文件不完整、知識傳承困難及新進人員培訓時間長等問題。因此，運用生成式AI與製造業AI Agent建立自動化工程知識協作平台，將專案文件、設備資訊及領域知識轉化為可重複利用的工程知識，協助SI廠商提升需求分析、知識管理及PLC軟體開發效率，降低對資深工程師的依賴，加速新進人員培訓，已成為提升自動化專案服務量能與交付效率的重要發展方向。

認知生成技術內涵

回顧整個工業革命的發展歷史，其本質可視為「流程自動化」的演進。從水力紡織機、加工機設備到半導體資訊系統，皆透過技術將固定且可規則化的工作交由機器自動化執行。然而，隨著生成式AI與相關認知技術快速發展，智慧製造正由傳統固定流程控制，逐步邁向具備感知、推論、決策與內容生成能力的認知生成（Cognitive Generation）。認知生成是指整合機器人流程自動化（Robotic Process Automation, RPA）、生成式AI、數位雙生與物聯網等技術，使系統能理解設備與製程資訊。相較於傳統自動化依賴固定控制邏輯，認知生成具備理解、推論分析及持續優化的能力，可協助工程師進行流程分析、控制邏輯生成及異常判斷。在智慧製造中，可應用於自動化腳本生成、PLC工控程式生成、數位雙生模擬驗證及跨設備協同控制等，降低工程開發負擔，提升開發效率與整體生產力。

生成式AI與製造Agent應用

自從2022年底生成式AI（Generative AI, GAI）崛起，大語言模型也在工控與智慧製造領域快速發展，大語言模型具強大語意理解、知識推論與內容生成能力。相較於傳統工控AI高度依賴大量標註資料、模型訓練與人工規則建立之方式，透過提示工程（Prompt Engineering）、檢索增強生成（Retrieval-Augmented Generation, RAG）以及多模態模型整合，可有效提升AI對工控場域之需求理解與知識辨識能力，降低模型訓練與資料標註成本，同時提升生成結果之可控性、可溯性與實務可用性。

• 生成式AI技術基礎架構

檢索增強生成

透過圖1中RAG之架構為基礎，整合製造業知識檢索與工控應用。系統可將PLC程式、自動化整合（Equipment Automation Program, EAP)相關文件進行向量化，透過向量模型將文字轉換為高維度語意的向量，使AI未來能從歷史資料中找出關聯資訊。向量化後的資料會儲存至領域資料向量知識庫中，建立專屬於製造業與工控場域的知識基礎。

當使用者提出需求時，系統會先根據製造業專用Prompt與使用情境，透過RAG架構，從知識庫中檢索最相關的歷史案例與相關參考資訊，再將檢索結果動態注入大型語言模型上下文中，形成具產業知識背景的增強上下文。此方式可有效降低模型幻覺問題，提升工控語意理解能力與回答準確性。

最後，可透過GPT-OSS-20B等地端模型進行推理與內容生成，輸出包含設備辨識結果、工控提示詞、PLC控制邏輯、異常分析與流程建議等資訊。整體架構可支援製造業領域知識的累積與再利用，使生成式AI不再只是單純問答工具，而是具備知識檢索、上下文理解與智慧決策能力的工控AI協作平台。

圖1 檢索增強生成基礎架構

AI代理人架構

近年來，隨著大語言模型推理能力快速提升，AI代理人（Artificial Intelligence Agent, AI Agent）已成為人工智慧領域的重要發展方向。相較於傳統生成式AI主要負責內容生成與問答，AI代理人不僅能理解使用者需求，還具備自主規劃、推論決策、工具調用、執行任務與自我修正等能力，能夠完成多步驟且具目標導向的複雜工作流程。因此，AI代理人被視為從「回答問題」進化到「完成任務」的重要技術。

如圖2中可見，AI代理人的核心能力包含觀察、推論、規劃、行動與反思。在AI代理人架構中，代理技能（Skill）可視為代理程式所具備的專業能力模組，例如：文件解析、設備辨識、資料查詢…等功能。AI代理人本身負責任務理解、流程規劃與決策，而代理技能則負責執行特定專業工作。當使用者提出任務時，AI代理人會根據目標自主選擇並調用適當的代理技能，將多個代理技能串接成完整工作流程，最終完成目標。因此，可將AI代理人視為專案管理者或協調者，而代理技能則是各種專業工具與能力模組，兩者透過協同合作完成複雜任務。

圖2 工控自動化AI代理人架構

• 製造業Agent應用/h6>

自動化產線腳本生成之應用

以GAI技術架構為基礎，本技術進一步發展製造業Agent應用，建立一套結合需求理解、知識檢索、流程推理與工控生成能力之智慧化協作系統。由圖3中可見，系統以製造業SI專案實際流程為核心，從前端需求訪談、設備選型、製程規劃、報價、系統開發、現場安裝至最終驗收等階段，導入生成式AI技術輔助工程師進行跨部門與跨角色協作，降低傳統自動化專案中高度依賴人工經驗與口頭溝通所造成的資訊落差問題。

在系統架構上，製造業Agent目的在於協助製造業自動化工程師快速完成設備文件解析、流程規劃與PLC程式生成等工作。系統首先由PLC工程師或專案經理上傳多模態資訊，如：EAP文件、設備手冊、PLC程式、交握流程、語音紀錄…等相關資料，針對不同模態資料，系統使用STT（Speech-to-Text）、大型語言模型與PDF表格解析等技術，自動擷取工控關鍵資訊，並建立資料庫。

在此基礎上，AI代理人透過多個工控專業代理技能協同運作，自主完成需求理解、設備分析、痛點分析、控制邏輯推理與腳本生成等任務。由AI代理人根據任務需求執行流程並調用對應Skill，逐步完成系統分析與腳本生成工作。生成後，Agent會透過規則檢查、模擬驗證與反思機制，確保腳本符合實際產線需求。相較於傳統LLM僅能被動回答問題，本系統具備AI自主規劃、執行、檢查與修正完整工作流程的能力，可協助系統整合廠商提升系統分析、腳本開發與產線建置效率。

工研院研發的架構亦導入人機協作（Human-in-the-Loop, HITL）機制，由專業工程師於生成過程中即時檢核與調整設備配置、流程順序與I/O（Input/Output）定義，提升AI生成結果之正確性與可部署性。對資深工程師而言，可作為腳本顧問與流程檢核工具；對新進工程師而言，則可提供流程建議與控制邏輯輔助，降低工控開發門檻，對專案經理而言，可加速洽案、成案時效。

圖3 製造業AI代理人協作與工控腳本生成架構與應用

PLC程式生成技術

PLC是工廠自動化、數位化與智慧化的重要核心，負責把感測器、馬達、閥件、輸送機構與設備流程，串接成一套可被機台執行的控制邏輯。然而，PLC程式開發長期高度仰賴資深電控工程師的實務經驗，從I/O點位規劃、記憶體位址配置、順序控制、安全互鎖，到異常處理與復歸流程，都必須由熟悉設備特性與PLC品牌語法的人員逐步撰寫與驗證。隨著退休潮、少子化及智慧製造需求快速成長，電控與自動化人才不足的問題日益明顯，也使產線建置、設備改造與系統整合經常面臨開發時程長、除錯負擔重、工程知識不易傳承等挑戰。

近年生成式AI已能協助一般軟體開發，但PLC程式屬於工業控制領域，應用情境比一般資訊系統更保守，也更重視安全性與可執行性。不同廠牌、系列的PLC，在指令集、暫存器、I/O命名方式與開發環境上並不完全相同；現場又存在許多手冊中未必完整記載的老師傅經驗，例如升降溫程序、閥門開啟時序、突發停電處置、設備保護條件與安全互鎖規則。如果僅讓大語言模型直接根據一句需求產生PLC程式，容易發生語法錯誤、漏寫關鍵步驟、誤用不存在指令、位址衝突或控制邏輯不完整等問題。

因此，我們建構一套結合RAG檢索增強生成與大語言模型的PLC程式自動生成流程，詳見圖4。工程師先以自然語言描述控制需求，系統再從PLC手冊、設備規格、工程文件與既有程式範例中檢索相關知識，協助生成較完整的程式設計內容。同時，系統可先將需求轉換為抽象語法樹（Abstract Syntax Tree, AST），以結構化方式描述控制流程、狀態轉移、感測器條件、輸出動作與計時等待。AST不綁定特定PLC廠牌或語法，而是先表達控制邏輯本身，再依目標平台轉換成PLC程式。透過這個中介層，可降低生成式AI直接產生程式碼時的幻覺與錯誤，也讓後續語法檢查、邏輯驗證、跨品牌轉換與工程師除錯更容易執行。

在程式生成階段，系統進一步以地端部署的Gemma-3 27B和Gemma-4 31B模型，產生指令表（Instruction List, IL）、結構化文字（Structured Text, ST）、梯形圖（Ladder, LD）等不同形式的PLC程式。為了提高生成品質，系統也導入提示詞模板與風格改寫代理人，將原始需求改寫成更明確、任務導向的工程語句。實驗結果顯示，任務導向提示詞，較能命中正確的領域知識文件，也能讓生成內容更聚焦於設備流程、安全條件與控制語意，減少模型自行臆測或忽略工程限制的機率。

在實驗驗證中，RAG可強化領域知識的導入，使模型在產生PLC程式時能參考控制邏輯、點位配置與設備規則；系統也提供工程師回饋介面，讓使用者記錄錯誤程式片段與原因，例如不支援的指令、遺漏必要控制步驟、記憶體位址配置錯誤等。這些錯誤記錄可在下一輪生成時重新帶入提示詞，形成上下文學習（In-Context Learning, ICL） 與迭代式專家回饋修正機制，逐步降低相同錯誤重複發生的機率，並將生成結果的可用性與正確性提升至約90％的水準。

這項技術的價值，在於縮短PLC開發前期的需求理解、設計文件整理與程式初稿撰寫時間，讓工程師能把更多心力放在現場驗證、安全確認與客製化調整。對PLC供應商而言，可升級既有開發軟體，加入程式生成、錯誤診斷與設計輔助能力；對系統整合商而言，可提升接案量能、降低新人培訓門檻，並加速工程知識標準化；對終端製造業而言，則可縮短產線部署與設備改造時程，讓生成式AI更快落地到工廠現場。由於系統採地端部署，也較能回應製造業對資料機敏性與內部知識保護的要求，形成PLC供應商、系統整合商與使用者三方受益的智慧製造應用模式。

圖4 PLC程式生成應用導入

未來展望與發展趨勢

未來隨著生成式AI、大型語言模型、多代理人架構等技術持續成熟，製造業Agent將逐步從目前的輔助式工控工具，發展為具備自主推理、流程協調與智慧決策能力之智慧化工業協作平台。

以後系統將不僅能協助工程師完成設備交握流程、PLC程式生成與異常分析，更可進一步整合製造執行系統（Manufacturing Execution System, MES）、監控與資料擷取系統（Supervisory Control and Data Acquisition, SCADA）、企業資源規劃（Enterprise Resource Planning, ERP）建立跨設備、跨系統與跨廠牌之智慧製造環境。同時，透過RAG、向量知識庫與多模態模型整合，AI將能持續累積工控領域知識與歷史案例，提升模型對複雜製程與特殊設備的理解能力，降低生成式AI幻覺問題並強化生成結果之可溯性與可靠性。

隨著地端AI、邊緣運算與資安需求提升，未來製造業Agent將朝向地端化部署與企業私有化模型發展，以保護企業製程機密與工控安全。未來亦可進一步結合機器人、自主移載設備與智慧檢測系統，推動產線自動化由「單點智慧」邁向「整線智慧協作」，提升製造業面對全球供應鏈變動與勞動力短缺之生產韌性與國際競爭力。

結論

生成式AI與製造業Agent技術正逐步成為智慧製造發展的重要核心，其價值不僅在於內容生成，更在於將企業知識、歷史案例與工程經驗轉化為可重複利用的智慧資產。透過大型語言模型、檢索增強生成、AI代理人架構以及工控自動化技術整合，系統可從錄音紀錄、設備文件、製程資料、歷史專案與人員經驗中自動萃取關鍵資訊，進一步完成製程推理、方案規劃、腳本生成，以及手臂位置點、I/O點位、PLC控制邏輯等工程細節展開，形成由需求到實作的智慧化協作流程。相較於傳統高度依賴資深工程師經驗與人工溝通的開發模式，製造業Agent能有效降低知識傳承門檻、縮短需求分析與系統開發時間、提升腳本與控制邏輯生成效率，並強化跨設備、跨系統與跨PLC廠牌之整合能力。同時，透過HITL機制、知識庫累積與專家回饋，可持續提升系統生成結果的正確性、可溯性與可部署性。未來隨著生成式AI、多模態模型、數位雙生與自主代理人技術持續成熟，智慧製造將由傳統流程自動化進一步邁向認知生成。製造業Agent將不再只是輔助工具，而是具備知識整合、流程推理、工程規劃與決策支援能力的智慧協作平台，協助企業建立更智慧、更自主且更具韌性的生產體系，提升整體產業競爭力與永續發展能力。

參考文獻

[1] Fan, W., Ding, Y., Ning, L., Wang, S., Li, H., Yin, D., Chua, T.-S., & Li, Q. (2024). A survey on RAG meeting LLMs: Towards retrieval-augmented large language models. arXiv. https://arxiv.org/abs/2405.06211

[2] Chen, J., Lin, H., Han, X., & Sun, L. (2023). Benchmarking large language models in retrieval-augmented generation. arXiv. Available at: https://arxiv.org/abs/2309.01431

[3] Siemens AG. (2024). Industrial Copilot. Siemens. Available at https://www.siemens.com/en-us/company/insights/generative-ai-industrial-copilot/

[4] OpenAI. (2025). gpt-oss-120b & gpt-oss-20b model card. arXiv. arxiv.org/abs/2508.10925

[5] Gemma Team, Google DeepMind. (2025). Gemma 3 technical report. arXiv. arxiv.org/abs/2503.19786

[6] Google DeepMind. (2026). Gemma 4. Available at: https://blog.google/innovation-and-ai/technology/developers-tools/gemma-4/