Industry RAG
Definition先給答案：製造業 RAG 是什麼
製造業 RAG，是把設備操作手冊、維修紀錄與老師傅的口袋經驗，整理成一套 AI 隨問隨答的企業知識庫——現場人員用「問問題」的方式，就能得到有出處、可追溯的標準答案，而不必憑記憶或翻紙本。
RAG 是「檢索增強生成（Retrieval-Augmented Generation）」的縮寫。它和一般聊天機器人最大的差別在於：回答前會先到你自己的文件庫裡檢索資料，再根據找到的內容生成答案，並附上來源。對製造業而言，這代表 AI 不會憑空亂編，講的每一句都能對回到某一頁手冊、某一張工單。
Key Takeaways
- 製造業 RAG＝設備手冊＋維修紀錄＋老師傅經驗，變成 AI 問答知識庫，答案帶出處、可追溯。
- 最痛的場景是「老師傅退休、經驗帶不走」與「新人查料慢」；RAG 把查找時間從十幾分鐘壓到十秒內。
- 標準導入用三個工具分工：Claude 釐清需求與切分文件、Codex 建後端檢索管線、Antigravity 做介面與整合交付。
- 一家 30～50 人的金屬加工廠，通常 4～6 週可上線第一版，導入費用區間約新台幣 18～45 萬元。
- 成敗關鍵不在模型多強，而在「文件有沒有清乾淨、切得對不對」——這也是最多人踩坑的地方。
Pain高雄岡山的真實痛點：經驗帶不走、查料太慢
高雄岡山是台灣螺絲、扣件與工具機的重鎮，聚落內有上千家中小型金屬加工與機械廠，很多是二十年以上的家族企業。這些工廠共同的隱憂是：真正懂設備的，往往是廠裡三、五位資深師傅，而他們的平均年齡多半超過 50 歲。經驗一旦隨退休離開，往往就再也找不回來。
情境範例一台 CNC 半夜報警，只有老師傅知道怎麼救
某岡山工具機廠去年遇到一個狀況：一台服役 12 年的 CNC 在夜班跳出少見的伺服警報，當班的三名年輕技術員翻遍手冊都查不到，只能打電話把已經退休、住在旗山的老師傅挖起來。老師傅在電話裡講了兩句話就解決了——但那兩句話，從來沒有被寫下來過。那一晚停機約 3 小時、報廢 2 支在製品，換算損失接近新台幣 4 萬元。
這不是單一事件，而是製造業的結構性問題：老師傅的經驗散在腦袋、便條紙、群組對話裡，沒有被系統化保存。新人每次遇到問題，平均要花 10～20 分鐘翻手冊、問人、等回覆；而其中很多答案，其實廠裡早就有人知道。這正是 RAG 最適合切入的地方——把已經存在、只是沒被整理的知識，變成隨問隨答。
我是賴家榮，甫東科技創辦人、SAIP 台灣首席 AI 長。這 16 年帶團隊為超過 500 家企業做過系統與 AI 導入，服務範圍涵蓋高雄、台南、屏東、嘉義的製造、醫療、零售等產業，對象多半是中小企業的主管與第一線團隊。以下這套流程，是我實際帶製造業客戶跑出來、而不是紙上談兵的作法。
SolutionRAG 解法：痛點 → 做法 → 可量化效益
把製造現場最常見的幾類痛點，對照 RAG 的具體做法與可量化效益列成一張表，就能看清楚它值不值得投資：
| 現場痛點 | RAG 的具體做法 | 可量化效益 |
|---|---|---|
| 老師傅經驗沒留下，退休即流失 | 訪談與工單數位化後建成向量知識庫，經驗變成可檢索資產 | 關鍵知識留存率從 0 提升到可全量查詢；不再依賴單一人 |
| 新人查維修方法慢，動輒十幾分鐘 | 以自然語言問答，AI 回帶出處的標準答案 | 單次查找時間從 10～20 分鐘降到 10 秒內 |
| 同樣的異常一問再問、群組洗版 | 常見異常自動彙整成標準解法 | 重複詢問量下降約 6 成，資深人力被釋放去處理更難的事 |
| 報價、規格查錯，事後補救成本高 | 規格書、材質表納入檢索，回答附原始出處 | 報價查錯率下降，客訴與重工同步減少 |
SOP標準導入流程 SOP：Claude × Codex × Antigravity
以下是我實際採用的七步流程。工具分工的原則是：需要「和人對話、把模糊需求問清楚、決定文件怎麼切」的環節交給 Claude AI；需要「寫後端、接資料庫、做檢索管線」的環節交給 Codex；需要「做出好用介面、把各系統整合並交付」的環節交給 Antigravity。以下內容基於 2026 年 7 月各工具版本。
1需求釐清與範圍界定Claude AI
輸入廠內痛點清單、關鍵人員名單
動作用 Claude 逐條把「想解決什麼」問到具體，界定第一版只做「設備維修問答」，不做全部
產出一頁需求書與成功指標（例：查找時間低於 10 秒）
負責角色講師／顧問＋廠務主管
常見地雷一開始就想做「什麼都能問」，範圍爆炸，導致永遠上不了線
2文件盤點與清理Claude AI
輸入手冊 PDF、工單、群組紀錄、老師傅訪談逐字稿
動作用 Claude 判斷哪些文件有價值、去除重複與過期版本、統一術語
產出一份乾淨、去重、標好版本的文件清單
負責角色廠務＋顧問
常見地雷把三個版本的舊手冊全丟進去，AI 拿到互相矛盾的資料就會答錯
3文件切分策略Claude AI
輸入清理後的文件
動作用 Claude 設計切分規則（依機台、依故障碼分段並保留上下文），而非機械式固定字數硬切
產出切分後的知識片段與對應 metadata
負責角色顧問
常見地雷用預設固定長度硬切，把一個完整排除步驟切成兩半，檢索就找不全
4建立向量索引與檢索管線Codex
輸入切分後的知識片段
動作用 Codex 產生 embeddings、建向量資料庫、撰寫檢索邏輯（關鍵字＋向量混合檢索）
產出可用 API 呼叫的檢索服務
負責角色工程／顧問
常見地雷只靠純向量檢索，遇到料號、故障碼這類精確字串會找不到，需混合關鍵字
5生成與出處控制Codex
輸入檢索服務
動作用 Codex 串接生成模型，強制「只根據檢索到的內容回答、附出處、查無資料就明講不知道」
產出帶引用、不亂編的問答後端
負責角色工程／顧問
常見地雷沒設「查無就說不知道」，AI 會自行掰一個看似合理的錯誤答案
6介面與系統整合Antigravity
輸入問答後端 API
動作用 Antigravity 做現場好操作的介面（手機／平板可用、支援拍照上傳警報畫面），並整合進既有 LINE 或 MES
產出現場人員真的願意用的入口
負責角色工程／廠務
常見地雷介面做得像工程師後台，現場師傅不想用，等於沒導入
7試運行、校準與維運Claude AI＋人工
輸入上線後的真實提問紀錄
動作用 Claude 分析答錯案例、補文件、調整切分，並建立每月更新機制
產出準確率穩定的正式版與維運 SOP
負責角色顧問＋內部種子人員
常見地雷上線就當結束，文件不更新，半年後答案全過時、沒人再信任
這七步不是每一步都要外包。我通常會帶廠內一到兩位「種子人員」全程參與第 2、3、7 步，因為文件清理與後續維運，最終一定要有內部的人接手，AI 才會越用越準。
Flow一張圖看懂導入流程
1需求釐清
2文件清理
3切分策略
4向量索引與檢索
5生成與出處控制
6介面與整合
7試運行與維運
若你看不到上方流程圖，以下純文字步驟表資訊完全等價，刪掉圖仍可獨立閱讀：
| 步驟 | 負責工具 | 關鍵產出 |
|---|---|---|
| 1 需求釐清 | Claude AI | 一頁需求書＋成功指標 |
| 2 文件清理 | Claude AI | 去重、標版本的文件清單 |
| 3 切分策略 | Claude AI | 帶 metadata 的知識片段 |
| 4 向量索引與檢索 | Codex | 可呼叫的檢索服務 |
| 5 生成與出處控制 | Codex | 帶引用、不亂編的後端 |
| 6 介面與整合 | Antigravity | 現場可用的問答入口 |
| 7 試運行與維運 | Claude＋人工 | 正式版＋維運 SOP |
Case我踩過的坑：一次差點失敗的導入
情境範例把整櫃舊手冊直接丟進去，AI 開始亂答
第一次帶一家扣件廠導入時，我犯了個錯：為了省時間，我把他們十年來累積的手冊、包含好幾個改版，一次全部灌進知識庫。結果上線試用的第三天，現場問「M8 螺絲的鎖付扭力」，AI 給了兩個互相矛盾的數字——因為 2018 版和 2023 版規格不同，兩份都在庫裡，AI 不知道該信哪個。師傅一看就搖頭：「這個不能用啦。」信任一旦破一次，要再拉回來很難。
講師的建議
修正方式有三個動作：第一，回到流程第 2 步，只保留最新版文件，舊版另存封存區、不進檢索；第二，在每個知識片段加上「版本、生效日期」的 metadata，讓 AI 回答時優先採用最新版並標註日期；第三，加一條規則——當同一問題檢索到多個版本，AI 必須明講「以 2023 版為準」並附出處。重做之後，同樣的扭力問題答案就穩定了。這個坑讓我學到：RAG 的品質，八成決定在文件治理，不在模型多強。
Checklist獨家資產：製造業 RAG 導入自我檢核表
在花錢導入前，先用這張檢核表自評。能勾起來的越多，代表你越適合、也越省成本。可直接複製到內部文件使用：
Checklist
- 已盤點出 3～5 位關鍵資深人員，並知道他們的經驗目前只存在腦袋裡
- 手冊、工單、規格書有電子檔（PDF／Word／Excel 皆可），不是只有紙本
- 能明確講出「第一版只想解決哪一個問題」（例：只做設備維修問答）
- 願意指派 1～2 位內部種子人員參與文件清理與後續維運
- 現場人員手上有手機或平板，能實際打開問答介面
- 有一位主管能拍板決定「哪個版本的文件為準」
- 接受第一版不完美，願意用真實提問紀錄持續校準
- 已想好成功指標（例：查找時間、重複詢問下降幅度）
FAQ常見問題 FAQ
常見問題 FAQ
製造業導入 RAG 大概要多少錢？
以高雄一家 30～50 人的金屬加工廠、第一版只做設備維修問答為例，導入費用區間大約落在新台幣 18～45 萬元，差異來自文件量、整合系統的複雜度與是否需客製介面。之後每月的模型與維運成本，通常在數千到一萬多元不等。建議先做小範圍第一版驗證效益，再決定要不要擴大。
要多久才能上線？
一個範圍界定清楚的第一版，通常 4～6 週可以上線試用。時間主要不是花在寫程式，而是花在文件清理與切分——文件越亂、版本越多，前期整理就越久。如果廠內文件已有電子檔且相對整齊，時程可以再壓縮；若多半是紙本，要先加上掃描與數位化的時間。
我們的資料會不會外洩、被拿去訓練？
這取決於架構怎麼設計。可以選擇把知識庫與檢索放在自己可控的環境，模型只在回答當下讀取必要片段、不長期保存，也可與供應商簽署不將資料用於訓練的條款。對機敏規格或客戶圖面，導入前務必先界定哪些文件可進庫、哪些要遮蔽，這是規劃階段就該拍板的事。
沒有工程師的工廠也能做嗎？
可以。多數中小型工廠沒有專職 IT，這正是找外部顧問協助導入的原因。你需要提供的是「文件」與「一到兩位懂現場的種子人員」，技術面的向量索引、檢索管線、介面整合由顧問團隊負責。上線後的日常操作只是「打字問問題」，現場人員半天就能上手。
RAG 和直接用 ChatGPT 問有什麼不同？
一般聊天機器人用的是它訓練時的公開知識，不認識你廠內的手冊，遇到專屬規格容易亂編。RAG 會先到你自己的文件庫檢索，再根據找到的內容回答並附出處，查不到就說不知道。簡單說，前者像博學但沒進過你工廠的人，後者像讀過你所有手冊、還會告訴你答案在第幾頁的人。
導入後老師傅會不會擔心被取代？
不會，而且通常反而受益。RAG 保存的是老師傅的經驗，讓他們從「一直被問重複問題」中解放，去處理更難、更有價值的疑難雜症；系統回答時也會標註知識來源，等於把他們的專業變成廠內公認的資產。實務上，讓資深師傅參與知識整理，他們的認同感與配合度會明顯提高。
CTA下一步：三種開始的方式
不論你在製造業的哪一個環節，導入 AI 最好的起點都是「先看清楚自己的文件與痛點」。你可以從以下三種方式擇一開始：
① 先自評：下載「製造業 RAG 導入自我檢核表」，花 10 分鐘看出你適不適合導入。
下載診斷檢核表② 想聊聊：預約 30 分鐘免費諮詢，我會針對你的產業與文件狀況，給出可執行的第一步建議。
預約 30 分鐘諮詢③ 要培訓：安排企業內訓，帶你的團隊實際跑一遍 Claude × Codex × Antigravity 的導入流程，結業交付可上線的雛型。
索取企業內訓報價
圖片來源 Image Credits
kaohsiung-metal-workshop-maintenance.jpg｜封面：製造現場維修情境示意｜https://www.pexels.com/photo/4373997/factory-work-orders-documents.jpg｜製造現場的維修紀錄與工單，是 RAG 知識庫最重要的原料｜https://www.pexels.com/photo/5212666/engineer-operating-tablet-ai.jpg｜讓現場人員用問的就能查到帶出處的標準答案｜https://www.pexels.com/photo/5934556/
本文為賴家榮 AI 教學中心原創教學內容；想讓團隊學會用 AI，歡迎看AI 課程或預約授課 →
代表圖片來源：圖片來源：Pexels
