金屬加工GAI 生成技術

前言

隨著全球工業 4.0 與數位轉型浪潮持續推進，智慧製造已成為各國製造業提升競爭力的重要發展方向。其中，金屬加工產業因產品種類多元、製程複雜且設備高度專業化，在智慧化轉型過程中面臨更大的資訊整合挑戰。如何有效整合製程知識、設備資訊與生產資料，並快速轉化為可供決策的智慧資訊，已成為企業提升生產效率與營運韌性的關鍵課題。

然而，目前金屬加工製造領域的製程知識與生產資料普遍呈現高度分散且異質化的特性，相關資訊散布於不同資訊系統、檔案目錄及文件格式中，資料類型涵蓋設備操作手冊、維修指南、製程文件等非結構化資料（如 PDF、Word），以及各類結構化或半結構化電子表單（如 Excel）等。由於各資料來源缺乏一致性的資料格式與標準化結構，導致資料整合與知識萃取困難，企業在進行資料分析與知識應用前，往往需投入大量人力進行資料匯整、格式轉換及結構化處理。

此外，在設備異常或生產中斷等緊急情境下，現場操作人員因經驗不足往往必須從大量且內容繁雜的技術文件中搜尋相關資訊，然而受到文件篇幅冗長、專業術語繁多及知識分散等因素影響，難以於短時間內取得精確的故障排除方法，造成設備停機時間延長，影響生產排程與整體製造效率，甚至增加企業營運成本與交期風險。

為解決上述問題，近年來生成式人工智慧（Generative AI，GAI）與大型語言模型（Large Language Model，LLM）的快速發展，為製造業知識管理與智慧決策帶來新的技術契機。本文將介紹結合語意向量（Embedding）、檢索增強生成（Retrieval-Augmented Generation，RAG）［1］及大型語言模型（LLM）的應用架構，建置的金屬加工 GAI 應用系統，以整合企業內部分散且異質的資料，並提供知識檢索與智慧問答，協助操作人員快速取得設備維修資訊、故障排除建議及製程知識。讓企業可有效降低人工整理資料所造成的時間成本與錯誤風險，亦能縮短設備停機時間、提升製程知識的再利用效率，進一步支援智慧決策與生產管理，強化企業面對快速變化市場需求的應變能力與核心競爭力。以下將依序從系統整體架構、異質資料前處理、通用知識庫建置、高效檢索優化，以及多層級提示詞等面向進行介紹。

系統整體架構

以 LangChain［2］作為整體系統開發框架，整合大型語言模型（LLM）、嵌入模型（Embedding）、向量資料庫（Vector Database）及檢索引擎（Retriever）等核心技術，建立適用於金屬加工產業的企業知識管理與 GAI 應用系統。整體架構可區分為知識建置層、知識服務層及智慧應用層三個部分，各層功能相互銜接，形成完整的知識建置、檢索及生成流程。

知識建置層負責將企業內部及通用金屬加工知識文件進行匯入與前處理，透過載入器取得文件內容，再經由切片器將長篇文件拆分為適當的知識單元，並進行結構還原與模版套用。同時利用 Embedding 模型將文字內容轉換為語意向量，以建立一致的知識格式，作為後續知識檢索與大型語言模型生成的基礎。