「老師，我可以這樣問嗎？」
「這台機器最近怎麼怪怪的，有沒有以前也這樣的紀錄？」
「幫我查一下以前這個產品做過哪些配方？」
「GPT 問不出來耶，是不是我們的資料不夠？」

這些都是我在導入 AI 知識問答系統時，從第一線工程師、操作員、設備主管那裡聽來的真實問題。也正因為這些「現場提問」，才讓我一步步意識到：打造企業級 AI 知識系統的關鍵，不在於模型多大、資料多深，而在於 —— 它有沒有聽懂「問的人」真正想問什麼。

一、提問，是知識系統的起點，不是終點

大部分人在導入知識型 AI 系統時，第一個會想的是：我要餵它多少資料？知識庫該怎麼設計？用什麼資料夾分類？這些當然重要，但我們忽略了一件事 —— 資料不會自己「被問」。

你必須設計一套系統，從「提問者」的角度出發，理解他的語言、語境、資訊背景，甚至是情緒張力，才能設計出一個好用的知識入口。

二、工廠現場提問的五種典型情境

根據我過去在電線電纜工廠的經驗，我把現場問題分為五大類型：

1. 例行查詢型

   • 範例：這台機台的 SOP 是什麼？
   • 特徵：問法穩定、問題重複、可建索引。

2. 狀況排查型

   • 範例：機器跑到一半跳掉，是什麼原因？
   • 特徵：結合機台訊號、異常排除流程。

3. 決策支持型

   • 範例：今天這個料號能不能用 WE34 機台生產？
   • 特徵：需要整合不同系統的資訊：BOM、產能、歷史報工。

4. 知識延伸型

   • 範例：這個 PVC 配方跟 XLPE 差在哪？
   • 特徵：要能比對、說明異同點，偏「推理性」問題。

5. 教學式探索型

   • 範例：為什麼要用這個絞距？電氣性會比較好嗎？
   • 特徵：問題背後有學習動機，適合導入圖文影音答案。

這些情境，不只是提問類型分類，更是建構企業 AI 知識系統時的重要邏輯架構。

三、從問題背後拆解語意與「用詞邏輯」

以下是一個真實案例：

使用者提問：「WE34 上次做到這個料號，用的是哪一個放線架？」

這句話背後，其實隱含了以下子任務：

1. 找出「這個料號」是什麼？
2. WE34 的生產紀錄中，有沒有做過這個料號？
3. 該次生產紀錄，使用的是哪個放線架（reel id）？

為什麼需要這樣拆解？

因為一個問題，背後可能需要多個資料表的整合查詢，這時候就必須讓 AI 具備「語意解析能力」，才能指揮好下游的檢索流程，這也正是我們在設計 RAG 系統中提到的 Query Understanding Layer。

四、如何培養「提問者視角」的三大關鍵能力

1. 問題對應資料源的映射能力

這是企業最常缺乏的一層。
我們必須建立問題類型與資料表的「對照表」，例如：

這一層做好，才不會讓模型「亂抓」資料，造成回答錯誤。

2. 多輪提問的上下文串接能力

很多問題，其實是多輪的：

• 第一句：「這個料號做過嗎？」
• 第二句：「那次是哪一台絞線機？」
• 第三句：「有紀錄哪個盤嗎？」

這種連續追問，若沒有把前文帶進來，RAG 就會答非所問。

我使用 LangChain + memory 模組，來追蹤上下文，並自訂記憶體格式，把使用者每輪提問轉成可追蹤的語意單元。

3. 錯誤提問的容錯與回饋能力

使用者會提問錯誤（打錯字、找錯料號、描述不清），這時候不是回答「查無結果」，而是設計「模糊比對 + 建議修正」，例如：

• 「您是不是要找 D1500B016？我們找到相似的料號。」
• 「請確認您輸入的放線機台名稱是否正確，目前無 WE314 資訊。」

五、我們做了一個什麼樣的系統？

我們為現場人員打造的系統包含以下模組：

• 🔎 自然語言提問輸入框（中英文皆可）
• 🧠 多步推理的 Query 拆解模組（基於 GPT-4）
• 📊 連接 MySQL + 文件 + PDF 的 Hybrid Retriever
• 📌 結果呈現區：可呈表格、文字、圖片、流程圖
• 💬 多輪對話記憶系統，支援 context-aware 查詢
• 🧯 錯誤診斷提示機制（回饋使用者）

六、導入後的觀察與 KPI 成效

我們在導入初期，透過內部問卷與 log 記錄，觀察到：

• 使用者平均查詢時長由 12 分鐘降至 2 分鐘
• 80% 的操作員表示「比問同事還快」
• 90% 的查詢來自「非 IT 部門」
• 使用量最高的時間為早班 8:30 與夜班 19:00 前後
• 常見查詢關鍵詞：放線架、機台異常、電檢、配方、工單產出

七、結語：AI 不是知識系統的主角，提問者才是

在這個知識密度與工作速度都急遽上升的時代，提問力 才是關鍵競爭力。

AI 的角色，不是取代人，而是讓每個人都能：「問得出問題、找得到答案、做得出決策。」

打造一個真正好用的企業 AI 系統，不是把 GPT 包一包、接個 PDF 就結束，而是要回到第一現場，觀察「人是怎麼問的」，再設計整套資料、介面與回饋機制。

因為，每一個問句，都是通往組織智慧的門。

📌 敬請期待：

Day 6｜曾經踩過的坑：生成式AI的三大迷思