Industry RAG

RAG 就是讓 AI 只根據你自己工廠的規格表跟報價規則回答,不亂掰。
講白一點,RAG(檢索增強生成)就是先讓 AI 去翻你家的資料庫,找到對的那幾張表、那幾份 SOP,再用這些內容回答。跟一般 ChatGPT 最大的差別是:它不是憑印象講,而是照你工廠實際的規格對照表、材質證明、製程參數在回。對鋼鐵、金屬、螺絲扣件這種「差一個規格就退貨」的行業,這點超級重要。
換句話說,以前老闆最怕的「AI 亂講害客戶下錯單」,用 RAG 這套做法就能壓下來,因為它答錯的空間變小,而且還能附上是從哪張表查來的。
高雄臨海工業區、中鋼周邊這一圈,鋼鐵、金屬、螺絲扣件加工廠密度全台數一數二。這些廠共同的痛,不是接不到單,而是「知識都在人腦裡、都在紙本裡」。業務報價要翻材質對照,現場調參數要問老師傅,一個資深的請假,整條線就卡卡的。
我在前鎮做扣件業務,客戶問一支螺絲用什麼材質、對應到哪個國際標準,我一天要查十幾次規格表。旺季一天進來的詢價超過 30 通,光翻對照本、問工程就吃掉我大半天,真正在跑客戶的時間剩不到 3 成,報價常常慢半天被別家搶走。
更麻煩的是老師傅的經驗。那種「這個材質淬火溫度抓幾度、回火多久、退貨最常出在哪」的眉角,老師傅退休就跟著走了。年輕人接手,同樣的地雷再踩一次,一批料報廢動輒幾萬幾十萬。
這正是賴家榮一直在做的事。賴家榮,甫東科技創辦人、SAIP 台灣首席 AI 長、SGS AI 認證;16 年帶團隊為超過 500 家企業做過系統與 AI 導入;服務高雄、台南、屏東、嘉義的中小企業主管與第一線團隊;開發時用 Claude AI、Codex、Antigravity 三工具分工。他最常跟鋼鐵廠老闆講一句話:你廠裡最值錢的知識,現在只存在幾個人的腦袋跟一堆 Excel 裡,這風險太大了。
RAG 的做法很單純:把你散在各處的規格表、材質對照、製程 SOP、報價交期規則,全部整理成 AI 看得懂的知識庫。之後不管業務還是現場,用一句話問,它就從這些資料裡撈答案回你,還附上出處。下面這張表看得最清楚,左邊是以前的做法,右邊是上了 RAG 之後。
| 情境 | 以前的做法 | 上了 RAG 之後 |
|---|---|---|
| 業務查材質對照 | 翻紙本對照表或問工程,10 分鐘起跳 | 打一句話問,幾秒回答還附標準出處 |
| 現場調製程參數 | 等老師傅有空才問得到 | 直接查 SOP,班別交接不再斷層 |
| 新人報價 | 怕報錯不敢下手,樣樣要問主管 | 照內建規則走,報得跟老鳥一樣穩 |
| 老師傅經驗 | 退休就帶走,同樣的錯一直踩 | 眉角寫進知識庫,人走經驗留下來 |
| 品質標準查核 | 各憑印象,容易漏檢退貨 | 標準隨問隨答,檢驗前先對一遍 |
很多老闆以為導入 AI 要花大錢、要很久,其實把範圍抓好,幾週就能先跑一個能用的版本。以下內容基於 2026 年 7 月各工具版本,實際操作介面可能會有小差異,但流程邏輯是一樣的。下面這七步是賴家榮團隊實際在跑的標準做法。
輸入現有規格表、對照本、製程 SOP、報價規則
動作列清單、分類、標出哪些最常被問
產出知識來源清單與優先順序
負責角色顧問陪同盤點
常見地雷貪多想一次全上,結果一直卡在整理
輸入散亂的 Excel、PDF、掃描件
動作轉成統一格式、補上材質與標準欄位
產出乾淨可讀的結構化文件
負責角色工程協助轉檔
常見地雷掃描件糊掉沒校對,AI 讀進去就是錯的
輸入清理好的文件
動作依規格、材質、製程切成小段落方便檢索
產出切分規則
負責角色顧問設計切法
常見地雷切太大撈不準,切太碎又失去上下文
輸入切好的段落
動作建立索引、設定檢索邏輯
產出可被查詢的知識庫
負責角色工程建置
常見地雷同義詞沒處理,問法一變就查不到
輸入使用者問題
動作限定只從知識庫回答並標來源
產出帶出處的回覆
負責角色顧問調規則
常見地雷沒鎖住來源,AI 開始自由發揮亂掰
輸入知識庫與現有系統
動作做成好用的問答介面、接上 ERP 或 LINE
產出業務現場都能用的工具
負責角色工程整合
常見地雷介面太難用,師傅根本懶得打開
輸入真實詢價與現場問題
動作小範圍試跑、蒐集答錯案例、人工校正
產出越用越準的知識庫
負責角色顧問加內部窗口共管
常見地雷上線就放著不管,規格改了知識庫沒跟著更新
重點是第七步。RAG 不是做完就結束,規格、報價、標準都會變,一定要有人固定維護。賴家榮的建議是廠內指定一個窗口,搭配工具定期檢查,這樣知識庫才會越用越聰明,而不是越用越舊。
若看不到圖,文字版順序等價如下:需求釐清 → 文件清理 → 切分策略 → 向量索引與檢索 → 生成與出處控制 → 介面與整合 → 試運行與維運。跟上面那張流程圖是一模一樣的意思,只是換成文字方便你抄下來。
| 階段 | 在做什麼 | 誰負責 |
|---|---|---|
| 需求釐清 | 盤點最常被問的規格與報價問題 | 老闆+顧問 |
| 文件清理 | 把散亂資料轉成乾淨格式 | 工程+內部窗口 |
| 切分策略 | 把文件切成好檢索的段落 | 顧問 |
| 向量索引與檢索 | 建立索引讓問題撈得到答案 | 工程 |
| 生成與出處控制 | 限定來源、答案附出處 | 顧問 |
| 介面與整合 | 接上 LINE 或 ERP 給大家用 | 工程 |
| 試運行與維運 | 試跑、校正、定期更新 | 內部窗口+顧問 |
我們廠去年自己找工程師弄了一套問答,想說快點上,結果規格表沒清乾淨就餵進去,舊料號跟新料號混在一起。業務問一個扣件規格,AI 給了三個版本的答案,現場師傅用一次就說『這東西不能信』,後來整套沒人用,花的錢等於丟水裡。
賴家榮的建議:寧可先做小、做準,也不要一次全上。先挑一兩類最常問、資料最乾淨的規格上線,讓業務跟師傅真的問到準答案、產生信任,再慢慢擴。文件一定要先清乾淨、舊料號標清楚,並且開放大家回報答錯的案例、固定校正。信任一旦被打槍,要再拉回來很難,所以第一版一定要穩。
在花錢之前,先拿下面這張表自己對一遍。八個項目都想過了,導入的成功率會高很多,也不會做到一半才發現資料根本不齊。
看範圍大小差很多。如果先做一兩類最常問的規格,做一個能用的版本,通常落在約十幾萬到三十萬區間;如果要整廠規格、製程、報價全上,還要接 ERP,那就會往上到約幾十萬起。建議先從小範圍試水溫,確認好用再擴,錢花得比較穩。
可以,而且大部分廠一開始都很亂,這很正常。資料亂正是要先花時間清理的原因,清理這一步做得扎實,後面 AI 才會準。重點不是資料要多完美,而是先挑一兩類相對乾淨、最常被問的先上,邊做邊補,不用等到全部整理好才開始。
這正是 RAG 跟一般 ChatGPT 最大的差別。RAG 會限定 AI 只能從你自己的知識庫回答,而且答案會標出處,答對答錯一眼看得出來。當然還是要人做最後把關,尤其報價這種關鍵資訊,建議上線初期都由業務再確認一次,信任建立起來再放寬。
最實際的做法是趁人還在,把他腦袋裡的眉角用訪談或錄音整理成文字,再放進知識庫。像淬火溫度怎麼抓、退貨最常出在哪、什麼料要注意什麼,這些用問答方式記下來最好。這件事越早做越好,人一旦退休就來不及了。
如果先做小範圍、資料也還算齊,通常幾週就能跑一個能用的版本出來給大家試。要整廠都上、還要接系統,那就會拉到幾個月。賴家榮的建議是先求有、再求好,先讓團隊用到準答案,比一次做完整套更重要。
維護沒有想像中難,但一定要有人固定顧。通常會在廠內指定一個窗口,規格或報價一改就更新知識庫,搭配工具定期檢查答錯的案例。賴家榮團隊也會協助建立這套維運流程,交接清楚後你們自己就能顧,不會被綁死。
如果你是高雄、台南、屏東、嘉義的鋼鐵、金屬、螺絲扣件廠老闆,覺得規格報價一直卡人、老師傅經驗留不住,不用一次想全套。先從下面三件事挑一件開始就好。
先下載這份導入檢核表,自己對一遍就知道缺哪塊
下載檢核表想聊聊你們廠的狀況,預約 30 分鐘免費諮詢,直接談你最痛的那塊
預約30分鐘諮詢想幫整個團隊上一堂 AI 落地內訓,來問企業內訓報價
企業內訓報價

steel-plant-3778477.jpg|鋼鐵業規格與製程是 RAG 最好的知識來源|https://www.pexels.com/photo/3778477/metal-work-8386440.jpg|現場師傅的經驗值得被記錄進知識庫|https://www.pexels.com/photo/8386440/business-4050216.jpg|業務靠 AI 快速查規格與報價|https://www.pexels.com/photo/4050216/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