老師傅退休前,如何用 AI 留住工廠的隱性知識?製造業知識傳承 RAG 實戰

一台押出機,和一個快退休的人

去年冬天,我們接到一通電話。一家做塑膠押出的中型廠,產線上有台跑了十七年的機器,只要換料、換季、濕度一變,溫控就會漂,成品表面出現一種他們內部叫「橘皮」的瑕疵。全廠只有一個人搞得定,姓陳,做了三十一年,再八個月退休。

他排除異常的方式,問他,他只會說:「聽聲音就知道了。」

這就是製造業知識傳承最難的一塊,而 AI 在這裡的角色,不是取代陳師傅,是趕在他走之前，把他腦子裡那套沒寫進任何 SOP 的東西接出來。這類專案我們做過幾個，這篇把真實的做法、踩過的雷、還有量出來的數字攤開講。

隱性知識為什麼留不住

先講清楚問題長什麼樣。老師傅的價值不在他背得出參數表，那種東西手冊裡都有。他的價值在「異常發生時，怎麼從一堆模糊訊號裡判斷根因」。料的批號、環境濕度、螺桿轉速、他手摸出料口的溫度、他聽到的那個聲音，這些線索在他腦中幾秒內收斂成一個動作。

這叫 tacit knowledge，隱性知識。它的麻煩有三個。第一，師傅自己講不清楚，因為那是直覺化的判斷，不是條列的步驟。第二，它散在無數次「當時剛好這樣處理」的個案裡，沒有結構。第三，它會跟著人一起離職，帶不走也留不下。

傳統做法是拍教學影片、寫傳承手冊。我們看過太多這種資料，最後躺在共享資料夾裡沒人點開，因為現場的人遇到問題時，沒空翻兩百頁 PDF 找那一段。知識存下來了，但沒有在需要的當下被取用，等於沒存。

我們怎麼用 RAG 把它接出來

RAG（檢索增強生成）在這裡的價值，是把「散落的個案經驗」變成「問一句就能被檢索到的答案」。做法分三步。

第一步是採集，而且要趁人還在。我們沒有叫陳師傅寫文件，那對他是負擔，寫出來的也是他「以為自己怎麼做」的版本，不是真實版本。我們做的是跟線三週，每次異常發生就錄影、錄音，事後帶著他一句一句回放：「你剛剛為什麼先調轉速不先調溫度？」把他脫口而出的判斷邏輯逐字記下來。這批訪談逐字稿，才是整套系統最值錢的原料。

第二步是結構化。原始逐字稿不能直接餵給模型，會檢索得一團亂。我們把每一次異常拆成固定的結構：現象、當下訊號、他排除的優先順序、根因、對策、以及「什麼情況下這招會失效」。最後這欄最重要，因為師傅真正的功力，往往藏在他知道什麼時候不能用常規解法。

第三步才是接上 RAG 與問答介面。現場技術員在平板上用自己的話問「換季後料口有橘皮、聲音悶悶的」，系統從結構化的經驗庫檢索出最接近的幾個歷史個案，生成一段有出處的排除建議，並附上原始個案編號讓人可以回查。答不出來的，就誠實說資料庫裡沒有，不硬掰，這條線我們設得很死。

上線八個月，量出來的落差

Demo 那天大家都很興奮，但我們的標準從來不是 Demo。以下是這個案子上線前後的實際對照。

68% 這個數字我想多說一句。第一個月其實只有 20%，現場老師傅們不信任，覺得「機器哪懂」。轉折點是有次半夜出狀況，值班的年輕人用系統十分鐘搞定，沒吵陳師傅，隔天這件事傳開，使用率才真正爬上去。工具再好，採用是靠一次真實的解決撐起來的，不是靠上線公告。

一個我們踩過的雷

第一版我們把師傅所有的話都塞進知識庫，包括他很多「這個我也不確定，先這樣試」的猜測。結果系統把猜測當成定論輸出，害一個技術員照做，反而擴大了不良。後來我們才在結構化階段加上「信心標記」，把師傅確定的對策和他當下的臨場實驗分開存、分開呈現。隱性知識裡有金子，也有雜訊，全收進來反而稀釋了價值。

製造業的知識傳承，說到底不是資料工程問題，是要在對的時間、蹲在對的產線旁邊，把對的人腦中的東西接出來。我們在 Tenten 做這類專案的方式，就是讓工程師直接進場跟線，把 RAG 系統真的推上生產線、扛到夜班的人也願意用，而不是交付一套沒人打開的漂亮平台。畢竟師傅退休那天不會等你，能不能在他走之前把知識留住，才是這件事唯一的成敗。