Glossary
詞彙表
AI Agent、RAG、ERP、傳產數位轉型……諾訊科技整理專案中常被問到的技術與導入名詞，用一句話講清楚定義，再補充實務上的常見誤解。
AI Agent
AI Agent 是能自主規劃步驟、呼叫工具並執行任務的 AI 系統，而不只是單輪問答的聊天機器人。
適合重複性高、規則相對明確但仍需要語言理解的流程，例如客服、文件分類、內部知識查詢。常見誤解是以為 AI Agent 能處理任何任務；事實上一次性或高度創造性的工作通常不適合自動化，導入前應先評估場景是否合適。
API 整合
API 整合是透過應用程式介面，讓不同系統之間能自動交換資料，例如串接金流、物流、LLM 或既有企業系統。
是客製化軟體開發中常見的核心工作，涵蓋金流、物流、雲端服務、LLM、IoT 裝置等整合。常見誤解是低估整合的測試與除錯成本——串接既有系統往往是報價中最容易被低估的部分，也是專案延期最常見的原因之一。
ERP（企業資源規劃）
ERP 是整合企業訂單、庫存、財務、生產等核心流程於單一系統的管理軟體，用來取代分散在多個工具中的作業方式。
常見於製造業與中大型企業的數位轉型專案。常見誤解是以為導入 ERP 就等於「換掉所有系統」——實務上更常見的做法是先整合資料斷點最痛的一兩個環節，讓 ERP 與既有系統並行運作、驗證後再逐步擴大範圍。
Fine-tuning（模型微調）
Fine-tuning 是用大量範例資料重新調整模型參數，讓模型固定用特定語氣回答或在特定任務上表現更精準的技術。
適合場景已穩定、且累積了足夠且品質穩定標註資料的進階需求。常見誤解是以為資料不足也能靠 Fine-tuning 解決——實際上資料量不足或場景仍在變動時，Fine-tuning 的投入報酬率通常不高，RAG 通常是更務實的起點。
IoT（物聯網）
IoT 是透過感測器與網路連結實體設備，即時蒐集與傳輸設備運作資料的技術，是智慧工廠與智能製造的基礎。
常見應用包含設備稼動率監控、產線資料即時分析、預防性維護。常見誤解是先買感測器再想用途——正確順序應該是先確認要監控的關鍵指標，再決定需要哪些感測器與資料頻率，避免蒐集大量卻沒人使用的數據。
LLM（大型語言模型）
LLM 是經過大量文字資料訓練、能理解與生成自然語言的 AI 模型，是 AI Agent、聊天機器人等應用的核心引擎。
常見的主流 LLM 包含 GPT、Claude 等。企業導入時常見誤解是認為 LLM 本身就知道公司內部資訊，實際上 LLM 只具備訓練時的通用知識，需要搭配 RAG 等機制才能回答與企業內部資料相關的問題。
MVP（最小可行產品）
MVP 是只包含核心功能、能讓使用者驗證產品價值的最小可行版本，目的是用最低成本驗證方向是否正確。
客製化軟體開發中，MVP 版本通常 6-12 週可上線，適合先驗證核心功能是否符合需求。常見誤解是把 MVP 當成「陽春版正式產品」——MVP 的重點是驗證假設，不是功能閹割版，範圍應該圍繞最關鍵的使用情境設計。
PoC（概念驗證）
PoC 是用最小成本驗證一個技術方案或場景是否可行的階段性成果，通常還不具備正式上線的完整度。
在 AI Agent 導入中，典型的 PoC 約 2-4 週可看到可運作的版本，用來驗證場景可行性與資料品質。常見誤解是把 PoC 直接當成正式系統上線——PoC 通常還沒處理異常狀況、權限控管與正式監控，需要再經過系統整合才能進入生產環境。
Prompt Engineering（提示工程）
Prompt Engineering 是設計與調整輸入給 AI 模型的指令內容，讓模型輸出更符合預期結果的技巧。
適用於 AI Agent 上線後的持續優化階段，例如調整客服機器人的回答語氣、限制回答範圍。常見誤解是以為寫好一次提示詞就一勞永逸——實際上使用者的實際問法會隨時間變化，提示詞通常需要依真實回饋持續迭代。
RAG（檢索增強生成）
RAG 是讓 AI 模型在回答前，先從企業內部文件中檢索相關內容，再依查到的資料生成答案的技術架構。
多數企業 AI Agent 使用 RAG，只要有內部文件、FAQ、手冊就能運作，不需要從零訓練模型，知識更新時只要換文件即可。常見誤解是把 RAG 和 Fine-tuning 混為一談——RAG 解決「模型不知道你的資料」，Fine-tuning 解決「模型行為需要調整」，兩者是不同層次的問題。
SaaS（軟體即服務）
SaaS 是以訂閱制透過雲端提供的軟體服務，使用者不需要自行安裝或維護伺服器即可使用完整功能。
常見於數據分析平台、線上教育系統等場景，適合需要快速上線、多租戶架構的產品。常見誤解是以為 SaaS 一定比客製化軟體便宜——訂閱費用會隨時間累積，且功能彈性受限於平台本身，長期使用規模大時，客製化開發的總成本不一定更高。
客製化軟體
客製化軟體是依企業特定需求從頭設計開發的系統，用來把業務需求、流程與資料整合成可擴張、可維運的數位資產。
與套裝軟體不同，客製化軟體能貼合既有業務流程，但開發成本與時程也相對較高。典型中小型專案落在新台幣 30 萬至 200 萬之間。常見誤解是認為客製化一定比套裝軟體貴很多——實際上取決於功能範圍與整合複雜度，簡單的內部工具成本可能不高。
技術債
技術債是為了短期加快開發速度而採取的權宜設計，日後需要額外時間與成本償還，才能維持系統的可維護性。
常見來源包含缺乏測試、架構設計倉促、文件不完整，尤其容易發生在單一接案者交付的專案。常見誤解是以為技術債只是「程式碼比較亂」——實際上它會直接拖慢後續功能開發速度，並在系統擴充或人力交接時造成額外風險。
數位轉型
數位轉型是把紙本、Excel、老舊系統的作業流程，轉為可追蹤、可稽核、資料驅動的數位系統的過程。
傳產數位轉型的重點通常不是技術，而是系統老舊、資料分散，以及來自現場操作人員的轉型阻力。常見誤解是想一次全面轉型——較穩妥的做法是先從最痛且最容易看到成效的流程開始試點，驗證後再逐步擴大範圍。
智慧工廠
智慧工廠是運用 IoT 感測器、即時資料分析與自動化技術，讓生產流程具備即時監控與決策支援能力的製造模式。
常見應用層次包含設備監控、產線資料即時分析、品質預測與預防性維護，通常需要逐層建立而非一步到位。常見誤解是以為裝了感測器就是智慧工廠——沒有 Dashboard、沒有人負責檢視資料，蒐集再多數據也無法轉化為決策。
系統整合
系統整合是連接企業內多套既有系統（如 ERP、MES、CRM、財務系統），補上資料斷點，讓資訊能正確流動的工程工作。
目標通常不是把所有系統換成單一套裝軟體，而是讓資訊只需輸入一次、正確流動於不同系統之間。常見誤解是想一次整合所有系統——較穩妥的做法是先整合影響最大的一到兩個資料斷點，驗證成效後再逐步擴大範圍。