工業技術研究院 資訊與通訊研究所 吳孟淞 黃雅筠

因Agentic AI崛起，智慧工廠中的AI將不再是僅會被動應答的聊天機器人，而是具有實體執行力、能夠和人類技師並肩作戰的「數位夥伴」。

前言

在智慧製造浪潮下，產業早已習慣機器「自動化」運作，但要讓工廠進一步具備「思考」與「決策」能力，跨入認知化（Cognitive）階段，才是真正的門檻。人工智慧物聯網（Artificial Intelligence of Things, AIoT） 技術雖解決監測與警示難題，但在產線最前線，一旦設備發生故障，往往還是得大聲疾呼：「老工程師在哪裡？」這種對「人工經驗」的高度依賴，始終是產線效率難以突破的隱形天花板。隨著大語言模型（Large Language Model, LLM）與代理式人工智慧（Agentic Artificial Intelligence, Agentic AI）爆發，終於看到一個能將「理解」變為「行動」的轉機。本文將說明Agentic AI維修助手如何幫製造業接手那些最令人頭痛的維修流程；除探討相關技術趨勢與理論基礎外，亦提出具體系統架構與應用情境，期望透過此架構，讓傳統以人為中心之維修模式，轉型為以知識驅動與AI輔助決策為核心之認知自動化流程。

迎接Agentic AI驅動自主維修新紀元

在智慧製造環境中，傳統設備維修模式仍面臨多項限制，其主要痛點可歸納為以下五點：

1. 過度仰賴人工經驗：許多維修心法只存在資深前輩腦袋裡，新人即使抄了滿滿筆記，遇到突發狀況還是缺乏足夠的決策依據，難以有效判斷與處理，經驗斷層極其嚴重。
2. 資訊分散且檢索不易：流程手冊、標準作業程序（Standard Operating Procedures, SOP）、工單、甚至小本子裡都有資料，但發生故障時，找資料時間往往比修機台時間還要長。
3. 系統「只出警報，不給解方」：傳統系統擅長告警，但對於「為什麼故障」跟「怎麼修」，卻給不出具體建議，最後決策壓力還是回到人身上。
4. 標準不一，品質看心情：每個技師有自己一套說法跟習慣，遇到一點點外在干擾，產線、品質受影響而跟著不穩定。
5. 經驗無法持續累積：「今天是怎麼解決的？」若沒有好好留下來供大家參考，下次遇到同樣狀況，又要重新摸索一次，企業競爭力就在這種重複勞動磨損殆盡。

為了打破這些僵局，產業界技術已逐漸轉型。過去的AI多半是「被動回應」的文字查詢工具，而現在企業真正需要的，是具備主動性、能跨系統執行任務，且能與人類協作的AI代理人。

在高階製造業邁向數位轉型的過程中，設備維護正在發生典範轉移。傳統預測性維護（Predictive Maintenance, PdM）雖然能提早警示，但後續故障排除根因分析（Root Cause Analysis, RCA）與維修決策，仍高度依賴資深技師的直覺判斷。面對全球性人才短缺與「經驗斷層」加劇，加上高科技產業對「資安合規」要求，Agentic AI成產線「最強外掛」。根據Gartner預測，到2028年，至少15％企業日常工作決策將由Agentic AI自主完成[3]。Agentic AI具備「自主性」與「行動力」，其技術特徵包含自主任務規劃、多代理協作以及工具調用[1], [5]。它能像個專案經理一樣，把模糊指令（例如：解決產線降速問題）拆解成具體小任務，調度不同專業代理去翻資料、比對數據。更厲害的是，它能在動態環境邊做邊修正，而不是死板地跑腳本。

相關研究顯示[2]，基於Agentic AI多代理系統可達到94％預測準確率，並使非計畫性停機時間大幅下降43％。以3D列印為例[4]，已經能做到「邊印邊改」——當系統發現異常，多個AI代理會同步啟動，分別負責檢測缺陷、規劃補償策略並即時調整設備參數，實現真正「感知、決策、執行」閉環。而台灣產業界憑藉深厚工業物聯網（Industrial Internet of Things, IIoT）基礎，正積極推動Agentic AI在地化落地。例如，研華（Advantech）[6]整合WISE-IoT iFactory軟硬體解決方案與生成式AI科技，打造出涵蓋設備聯網、預測維護與能源管理智慧平台。當Agentic AI介入時，它能透過API直接獲取即時生產參數，診斷後直接自動開出維修工單，把人為干預延遲降到最低。

Agentic AI維修助手實務運作與關鍵技術

「AI維修助手」究竟是如何運作的？一個標準「AI維修實務運作流程」如圖1所示，整體流程包含以下幾個核心階段：

1. 首先由IoT感測器與設備監控系統進行異常偵測，當發現異常即產生警報事件。
2. 系統自動接收警訊，並透過自然語言理解解析及描述事件內容。
3. 與系統底層連結，調用診斷代理進行故障模式識別與根因分析，推測故障原因。
4. 執行知識檢索代理，透過多模態檢索增強生成（Multimodal Retrieval-Augmented Generation, 多模態RAG）機制，從維修手冊、SOP文件與歷史案例進行語意搜尋與比對，找出最具參考價值的解法。
5. 規劃決策代理自動生成包含維修方案、操作步驟、所需零件和工具與預估時間的維修建議。
6. 立維修工單並分派至指定人員，檢查備品庫存與安全注意事項。
7. 執行Agent在現場提供步驟指引與即時問答的故障排除支援。
8. 維修完成後，系統將產生維修報告與摘要，並更新知識庫。

圖1 Agentic AI維修助手應用維修流程圖

Agentic AI維修助手之所以強大，在於它跳脫傳統「問答式AI」僅能被動回應問題的限制，透過多代理（Multi-Agent）協作框架，可進一步自主完成知識檢索、維修規劃及工單執行等複雜工作流程，協助維修人員提升維修效率與決策品質，進而實現智慧運維的目標。其核心架構如圖2所示，由下至上包含五大核心分層：
1. 基礎設施層：可藉由知識圖譜建立設備、零件、文件與工具之間的關聯，給予系統語意搜尋、關聯推理與知識補全的底層邏輯推理能力。
2. 資料與系統整合層：負責與工廠既有的基礎設施與資料庫串接，包含IoT ／感測器資料、設備控制系統（PLC／DCS（Device Control Systems））、企業資訊系統（MES（Manufacturing Execution System）／ERP（Enterprise Resource Planning））、維修相關文件（SOP／手冊）、歷史維修記錄（工單／報告）及外部知識標準，透過統一的資料存取介面， 提供上層AI持續取得即時且完整的資訊。
3. 推理與核心引擎層（LLM＋RAG）：作為系統的智慧核心，結合大型語言模型（LLM）與檢索增強生成（RAG）技術，提供自然語言理解、多步驟推理、任務規劃及生成式回應能力。透過RAG機制檢索企業知識後再進行推理，有效降低大型語言模型產生幻覺（Hallucination）的風險，提升回答內容的正確性與可追溯性。
4. 多代理協作層（Multi-Agent Collaboration）：系統採用多代理協作架構，由大型語言模型負責理解使用者需求、規劃任務流程，並依據不同工作內容協調多個專責Agent共同完成複雜維修任務，本系統包含五類主要Agent
        ■ 感知監控Agent：負責監控設備狀態、異常偵測與警報，進行資料收集與前處理。
        ■ 診斷分析Agent：負責異常模式辨識、根因分析（RCA）與故障影響評估。
        ■ 知識檢索Agent：負責多模態檢索、知識圖譜關聯查詢與歷史案例相似度比對。
        ■ 規劃決策Agent：負責維修方案生成、風險與成本評估，以及資源與時間規劃。
        ■ 執行支援Agent：負責工單建立與追蹤、執行指引與支援，以及結果回饋與更新。
5. 應用層：位於架構最頂端，提供Web或行動裝置介面，讓維修人員無論在產線旁還是在中控室，都能即時與系統互動，快速取得設備診斷結果、維修建議及相關知識支援。

圖2 Agentic AI維修助手系統架構及關鍵技術

多模態Agentic RAG平台

在製造維修第一線，最有價值的知識，通常是幾十年前留下的設備藍圖、寫滿註記的維修工單、複雜零件規格表，或者是資深技師隨手拍下的故障照片。本文所介紹的多模態Agentic RAG平台，就像一位資深領班，專門為解決維修現場資訊斷層而設計，其技術架構如圖3所示。本平台採用先進整合架構，能同時理解文件文字、複雜表格甚至是圖像資訊。讓工程師只要動口詢問，就能在機台旁立刻獲得有憑有據維修指令，解決經驗斷層並大幅縮短修機時間，不再需要翻閱幾百頁PDF。該平台主要解決兩項關鍵問題：

1. 有憑有據的「解方生成」：當AI給出維修建議時，它不只是給答案，還會同步秀出原始手冊頁碼或過往類似案例工單位置。不用擔心AI「幻覺」導致誤判風險。
2. 消除「雞同鴨講」：維修現場常有許多術語（如：培林、磅數、跳脫等）。平台內建強大語意理解模組，能自動對齊工程師口語與官方技術規範，讓溝通不再有隔閡。

圖3 多模態企業知識管理技術

這套系統讓維修人員透過簡單對話，就能獲得精準且有出處解法，讓維修事半功倍。不僅權限控管嚴密、算力成本透明，還能全程留下記錄備查，完全解決製造業對機密外洩擔憂。總結來說，這不只是一個搜尋引擎，更是幫工廠蓋好一座「進化知識庫」。它讓智慧製造不再只是看數據，而是讓AI像資深老手一樣，能思考、會決策，真正把知識變成解決問題的戰鬥力。以下透過兩個應用案例，來說明「多模態Agentic RAG平台」在維修實際作法與價值。

• 案例一：維修步驟自動導航

當設備發生異常時，系統會先由診斷代理（Diagnosis Agent）判斷故障類型，接著透過Agentic RAG平台進行知識檢索，從維修手冊、SOP文件與歷史工單內擷取相關內容，自動生成一份包含拆裝流程、所需工具、甚至安全注意事項「結構化維修清單」。更聰明的是，它會依設備型號、環境條件或歷史案例，自動調整維修流程，提升建議精準度與可操作性。圖4為維修步驟自動生成範例示意圖。

圖4 「維修步驟自動生成」範例

• 案例二：新手工程師的「數位導師」

對於經驗不足的新手工程師而言，Agentic AI維修助手不僅是工具，更是隨時待命的「數位導師」。圖5為新手工程師輔助範例示意圖，當面對「空調設備出現異常振動與異音」這類模糊問題時，系統能提供多維度的知識賦能。首先，系統具有精準語意解讀力。新手即便無法給出專業術語，系統也能透過對話，自動對齊工業標準定義。接著，Agentic RAG技術會橫跨萬級技術手冊與歷史工單，精確鎖定該型號設備常見病因，圖文並茂地解釋「為什麼要這樣做」。讓新手在執行任務時能快速建立直覺與邏輯，將冰冷的技術文件變成可吸收實戰經驗，大幅縮短人才培訓學習曲線。

圖5 「新手工程師輔助」範例

結論

因Agentic AI崛起，智慧工廠中的AI將不再是僅會被動應答的聊天機器人，而是具有實體執行力、能夠和人類技師並肩作戰的「數位夥伴」。儘管在現階段，我們仍需面對模型幻覺、系統即時性及工業安全規範等技術挑戰，但Agentic AI已成功打破傳統預測模型藩籬。透過軟硬體高度整合與地端AI技術成熟，維修知識已不再是躺在資料夾裡的靜態文件，而是成為可推理、可驗證且能直接落地的智慧資源。事實上，前述技術之前身—多模態知識問答解決方案，已實際導入金融業、國營事業與百貨業等場域，協助其建構企業內部知識檢索與客服輔助應用，驗證了平台在跨領域知識整合與權限控管上的成熟度。本文所開發之Agentic AI維修助手新技術，則進一步將「推理＋行動」能力延伸至製造業，目前已應用於半導體測試領域之根因分析（RCA）代理，協助測試工程師於設備異常時快速定位故障原因並產出可執行之排除方案，後續亦將擴展至更多高階製造業之維修決策場景。這不僅在量化指標上提升維修效率與品質，更在質化層面促進組織知識標準化與持續進化。隨著多代理協作技術日趨演進，Agentic AI維修助手將不再滿足於優化現有流程。它將推動智慧工廠朝向更具想像力目標邁進，一個具備自主決策能力，甚至能達成自我修復韌性製造體系。

參考文獻

[1] A. Crespo Márquez and J. F. Gómez Fernández, “Agentic AI for autonomous preventive maintenance policy governance: a multi-agent framework for dynamic industrial environments,” Expert Systems with Applications, vol. 314 , Jun. 5, 2026.

[2] A. Fernández-Miguel et al., “Agentic AI in Smart Manufacturing: Enabling Human-Centric Predictive Maintenance Ecosystems,” Applied Sciences, vol. 15, no. 21, 2025.

[3] Gartner IT Symposium/Xpo, “Top Strategic Technology Trends for 2026: Agentic AI,” Gartner Trend Report, 2026.

[4] J. Morales, “Researchers use agentic AI to monitor and correct 3D prints — system catches errors in real time, uses modular design to work on different makes and models,” Tom’s Hardware, 2026. [Online]. Available at: https://www.tomshardware.com/3d-printing/researchers-use-agentic-ai-to-monitor-and-correct-3d-prints-system-catches-errors-in-real-time-uses-modular-design-to-work-on-different-makes-and-models

[5] J. Lee and H. Su, “Agentic AI for Smart Manufacturing,” Manufacturing Letters, vol.46, pp.92-96, 2025.

[6] 研華工業智慧（2022）。The WISE-IoT iFactory解決方案。