INPASER™ 如何運用 AI 工作流與專家經驗提升專利情報分析品質

作者：汪周禮

2026.09.23

INPASER™  是由我於 2026 年 4 月使用AI CODING工具獨自開發完成的 AI 輔助專利情報分析服務平台。它結合大語言模型、專利資料庫檢索、技術系統架構分析與專家檢核，協助企業進行專利資訊、技術發展及產業競爭情報研究。

由於AI 大語言模型( AI LLM)是生成式AI的核心，使用方法也有很多種，最常見的就是對話式使用，因此有些人可能認為，INPASER™ 的運作方式，就是直接向 AI 大語言模型詢問相關專利，再將模型提供的內容拿來分析。

早在 2023 年就已經嘗試過這種方法，也很快遇到問題：
模型生成的內容看起來完整，卻包含不少錯誤的專利資訊、混淆的技術描述，以及缺乏原文支持的分析。這是因為目前AI LLM的核心是持續預測TOKEN(符號運算單位)，最後把預測到的所有TOKEN組合轉換成文字輸出。

 這段經驗，讓我開始深入研究如何把資料取得、技術分析與結果檢核整合到工作流程中，讓大語言模型的分析能力能夠可靠穩定的用於專業的專利情報服務。

2024 年底，我曾與企業客戶的 IT 團隊共同討論 Agentic AI 工作流的開發。其中一項核心問題，就是如何提高資料輸出的穩定性與可靠性。

後來，客戶選擇自行開發，我則持續獨立研究相關方法。這個過程包括閱讀大量技術研究資料以及確認多種串接專利資料庫的模式，最後設計出適合專利與技術資訊分析的工作流程。

2026年初，隨著研究與實作推進，在強化AI CODING技巧後，我建立了一套基於 技術系統架構的資料分析 整合模式，將大語言模型的資訊處理能力、專利資料檢索與專家經驗結合起來。這也成為後續開發 INPASER 的重要基礎。

大語言模型在這套流程中，可以協助拆解需求、組織檢索方向、分析文件，以及整理不同來源的資訊。至於資料如何取得、分析結果如何檢查，以及發現錯誤後如何修正，則需要透過工作流程明確安排。

以 INPASER 的產業專利競爭情報分析為例，可以將主要工作整理為五個步驟：

1. 釐清使用者的研究需求。
   先確認使用者關心的產品、技術問題與競爭情境，再由 AI 協助拆解研究方向。研究目的是掌握技術路線、了解競爭者，還是支援產品開發，會影響後續的檢索與分析方式。

2. 結合技術架構分析，建立關鍵字矩陣。
   將研究需求與我開發的 FAP（Function–Action–Parameter）技術架構分析模型結合，整理相關技術特徵與關鍵字組合，作為後續檢索的依據。

3. 進入專利資料庫與公開資訊來源進行檢索。
   經過篩選的關鍵字組合，分別用於專利資料庫及公開網路的檢索。專利文件提供技術揭露與相關專利資訊，公開資料則補充企業、產品及市場活動的背景。

4. 運用 AI 分析資料，並進行專家檢核。
   由 AI 協助整理與分析取得的資料，再由專家檢查技術理解、資料對應及推論是否合理。發現疑點時，透過勘誤或補查修正結果。

5. 將服務經驗轉化為生成與稽核 SOP。
   把專家發現的錯誤類型、修正要求及檢查方法，整理成後續工作流程可使用的規則，讓實際案例累積的經驗持續回到系統中。

在這套流程裡，FAP (*)的作用，是為檢索與分析提供一致的技術結構。

當一項研究需要多次提問、反覆檢索與跨文件分析時，明確的技術架構，有助於檢查各個步驟是否仍然對準原始需求。例如，研究對象的必要功能是什麼、涉及哪些作用方式、需要關注哪些參數，都可以成為組織問題與檢視結果的依據。

而專利文件是否真實、引用內容是否支持分析，以及是否遺漏重要資料，則需要在後續檢核中分別確認。

INPASER 同時結合 Expert-in-the-Loop（EITL）專家參與機制，讓專業判斷持續參與分析與修正。專家勘誤所產生的價值，也會進一步累積到資料稽核 SOP 中。

例如，若分析曾經出現不同文件內容混合、技術特徵理解錯誤，或推論超出證據範圍等情況，就可以將這些問題整理為後續需要檢查的項目。

隨著服務案例增加，INPASER 的專利資料稽核 SOP 也持續補充與完善。這些機制的目的，是讓曾經出現的錯誤更容易被辨識與修正，並提高後續輸出的穩定性與可靠性。

評估這類服務的成果時，需要同時考量檢索品質、分析依據，以及人工複核與修正所需的時間。對企業而言，研究成果能否支持實際決策，也是判斷服務價值的重要依據。

我投入這項工作的背景，來自多年 AI 產品技術與專利商業化經驗：

• **2012 年進入 AI 軟體技術領域。**目前是 5 件 AI 產品專利的發明人，相關專利商轉率超過 40%，並持續多年為企業創造千萬元新台幣營收。

• **2016 年執行 AI 產品專利布局。**協助企業取得「國家發明創作獎」金獎，獲得新台幣 20 萬元獎金。

• **自 2019 年起擔任多個 Facebook AI 社群的社團專家。**持續在社群分享 AI 技術資訊與應用觀察。

這些經驗，讓我在開發 INPASER 時，特別重視技術理解、資料品質，以及研究成果與企業需求之間的關係。

INPASER 希望協助企業減少反覆整理與比對資料的負擔，讓專家把更多時間投入關鍵判斷。當專利資訊能夠連結到技術路線、競爭情勢與產品開發問題時，企業便能更清楚地決定下一步需要研究、驗證或改善的方向。

* FAP曾發表於2025年國際TRIZ年度研討會上並收錄於TRIZ Proceeding (ISBN)中。

我過去在 AI 產品技術領域經驗介紹：
1. 2012進入AI軟體技術領域，迄今為 5件AI產品專利發明人，專利商轉率超過40%，並持續多年為企業創造千萬新台幣營收。
2. 2016年執行AI產品專利佈局，協助企業取得"國家發明創作獎金獎"(獲得新台幣20萬獎金)
3. 2019年迄今為多個臉書AI社群社團專家，持續在臉書社團分享AI技術資訊。
4. 2024年輔導全球前三大新能源集團 9個軟體研發團隊，成功開發出數十種AI 應用技術並創造超過7000萬美金經濟效益(客戶自評)
5. 2026年使用AI coding工具開發出AI輔助專利情報服務平台, AI輔助創新培訓平台以及AI 智慧製造RCA服務平台  

更多關於作者介紹

AI Agent 的大腦是大語言模型，但只有大腦還不夠

 AI Agent 的大腦是大語言模型，但只有大腦還不夠

談到 AI Agent，最容易理解的一句話是：

大語言模型（Large Language Model, LLM）就是 AI Agent 的大腦。

這個說法基本上沒有錯，但並不完整。

因為一個能夠理解語言、分析問題與產生答案的大語言模型，還不等於一個能夠真正執行專業任務的 AI Agent。

就像人類只有大腦，卻沒有感官、記憶、工具、工作方法與行動能力，也很難在真實世界完成複雜工作。

因此，更精確的說法應該是：

大語言模型是 AI Agent 的認知與推理核心；工作流程、知識庫、工具、記憶與驗證機制，則共同決定這個 Agent 能否真正完成工作。

一、大語言模型為 AI Agent 提供哪些能力？

LLM (大語言模型) 在 AI Agent 系統中，負責以下幾項主要工作階段：

1. 理解使用者的語言與任務需求：一般任務需求和專業任務需求差異非常大，一般任務需求可以靠LLM拆解，但專業任務涉及需求背後多種複合情境整合，其所對應的技術特徵細節不同，因此需要專家介入(Expert-in-the-loop, EILP)，但 INPASER™ 使用關鍵字矩陣結合技術系統架構分析模型已經成功克服這類問題。

2. 分析問題內容與上下文：在我所開發的AI輔助創新服務平台中，這往往是關鍵的一步，後續輸出內容是否符合需求以及降低幻覺產生需要拆解問題轉換成基於系統架構組合的結構化內容

3. 將複雜任務拆解成多個步驟：在多個複雜任務組合的需求中，由專家將多個複雜任務拆解成多個對應子任務後，再交由AI代理人根據子任務拆解步驟，輸出效果更好。

4. 根據資訊進行推理與判斷：這一塊主要是加上提示工程技巧，將前面幾個階段轉換成LLM更容易理解的描述方式，提高輸出結果的可靠性與精確性。

5. 選擇下一步應採取的行動：通常這一塊如果客戶沒有特殊需求，或出現無法識別的情況，會讓AI AGENT執行，簡單說這裡會出現一些選擇矩陣作為下一步行動的依據。

6. 呼叫適合的工具或資料來源：例如呼叫表格或圖案生成工具等提高視覺化輸出效果等

7. 整合結果並生成報告：將前面內容整合生成一份資訊解析報告，例如產業FTO產品技術風險分析報告， INPASER™ 累積超過114種視覺化互動式圖表。

8. 與專家進行互動：EXPERT-IN-THE-LOOP (EITL) 這一塊初期在檢驗輸出內容成果上，但累積足夠資料後，就可以建立 內容稽核SOP，快速檢驗輸出品質。成熟階段通常會在前面階段設置EITL流程節點，方便快速調整輸出方向以適應多種混合情境使用。

因此，LLM 不只是文字生成器，也逐漸成為 AI Agent 的「通用認知引擎」。

但是，LLM 所具備的是通用語言能力與機率式推理能力，不代表它天然具備可靠的專業工作能力。

它可能理解「根因分析」這個詞，也能生成看起來合理的分析內容，卻不一定知道：

• 應該先確認哪些現象；

• 哪些資訊只是推測；

• 哪些結論必須有證據；

• 哪一個分析步驟不能跳過；

• 什麼情況下必須停止推理；

• 哪些決策必須交由工程師確認。

這正是從「大語言模型」走向「專業 AI Agent」的關鍵差異。

二、AI Agent 不只是大語言模型

一個完整的 AI Agent，至少需要八個相互配合的系統要素。

我們可以將 AI Agent 的基本架構表示為：

$$AI\ Agent = LLM + Knowledge + Workflow + Memory + Tools + Verification + Governance + HITL$$

LLM 是其中非常重要的一部分，但不是全部。

三、真正的關鍵是：大語言模型如何組織化

市場上經常把不同 AI Agent 的差異，簡化成「使用哪一個大模型」。

例如比較模型參數量、推理能力、Context Window、運算速度或排行榜分數。這些指標確實重要，但對企業應用而言，只比較模型通常是不夠的。

因為企業真正需要的，不是一個很會回答問題的模型，而是一個可以依照組織規則完成任務的系統。

同一個大語言模型，如果接上不同的工作流程、知識庫與驗證機制，最後可能形成完全不同的專業能力：

• 接上專利資料庫、權利項分析流程與證據追蹤機制，可以形成專利分析Agent。但如果需要輸出可靠穩定的內容，例如檢索穩定性，就需要結合關鍵字檢索矩陣，或是技術分析穩定性，就需要結合技術架構分析模型提高分析結果的可靠性與穩定性。

• 接上製造履歷、異常資料與RCA工作流程，可以形成製造問題分析Agent。加上SOP或是輸出報告，就可以出現例如 AIYdBn™  生成AI RCA AGENT服務平台。

• 接上企業制度、法規資料與風險規則，可以形成合規管理Agent。

• 接上設備資料、維修手冊與故障診斷流程，可以形成設備維護Agent。

因此，AI Agent 的專業能力不是單純來自LLM，而是來自LLM與領域Know-how的系統化結合。如何和domain know-how (DKH) 系統化結合，決定ai agent的輸出成果品質與價值。

四、Agentic Workflow Design才是專業能力的骨架

大語言模型可以生成很多答案，但專業工作不只是「產生答案」。

真正的專業任務通常具有明確的前後關係、輸入要求、判斷條件與驗證標準。

例如，一個製造業RCA Agent不能看到異常現象後，立刻猜測根因。它應該依序完成：

1. 確認問題現象與影響範圍；

2. 建立正常與異常狀態的比較基準；

3. 蒐集人、機、料、法、環與量測資訊；

4. 區分已知事實、假設與缺失資料；

5. 建立可能原因與因果關係；

6. 尋找支持或排除假設的證據；

7. 進行根因驗證；

8. 提出矯正與預防措施；

9. 追蹤措施執行後的實際效果。

這些AI LLM想得到，你也想得到，因此真正的競爭關鍵在於：

唯有結合專業經驗與步驟所形成的 DKH Agentic AI Workflow，才是AI Agent進行專業分析時的骨架。

沒有Workflow的大語言模型，很容易直接跳到結論；有Workflow的AI Agent，則可以知道自己目前在哪一個分析階段、還缺少哪些資訊，以及下一步應該做什麼。

五、知識庫讓Agent從「通才」變成「專才」

LLM在訓練階段學習了大量通用知識，但企業真正需要的資訊，通常存在於組織內部：

• 設備操作手冊

• 製程規格與參數

• 品質異常履歷

• 維修紀錄

• FMEA與Control Plan

• 客訴與8D報告

• 材料批次資訊

• 工程變更紀錄

• 專家經驗與判斷規則

這些資料不一定存在於大語言模型的訓練內容中，也不應完全依賴模型自行回憶。

透過RAG、企業知識庫與結構化資料系統，AI Agent才能在執行任務時取得與當前問題真正相關的資訊。這裡需要注意的是RAG不是萬靈丹，在IT開發經驗中，RAG需要的技術人力資源成本往往會超過想像，如果企業IT (AI domain技術人才)不足，不建議採用。

換句話說：

LLM提供通用認知能力，企業專業知識庫提供情境化的專業依據。

兩者結合之後，AI Agent才可能從一個通用聊天工具，轉變成具備特定產業基礎能力的數位專家。

六、工具讓AI Agent具備行動能力

傳統Chatbot的主要工作是回答問題；AI Agent則必須進一步採取行動。

因此，Agent通常需要連接不同工具與企業系統，例如：

• 搜尋引擎與專業資料庫

• MES、ERP、QMS與PLM

• 專利與論文資料庫

• 感測器與設備資料

• 統計分析與模擬工具

• 文件生成與報表系統

• API與自動化控制介面

LLM負責判斷要使用哪一項工具，以及如何解讀工具傳回的結果；工具則負責取得資料、執行計算或完成實際操作。

這也是「大語言模型」與「AI Agent」之間最明顯的分界之一：

大語言模型主要負責思考與生成；AI Agent則進一步具備感知、決策與行動能力。

七、驗證機制決定AI Agent是否可靠

LLM的輸出本質上是根據機率產生的，因此可能出現：

• 內容看似合理但缺乏證據；

• 引用不存在的資料；

• 將相關性誤認為因果關係；

• 忽略不符合假設的資訊；

• 在資料不足時仍給出確定答案；

• 前後分析結論不一致。

因此，企業級AI Agent不能只要求模型「回答得像專家」，而必須建立Evidence Gate與Verification Mechanism。

例如要求Agent：

• 每一項重要判斷都必須指出資料來源；

• 明確區分事實、推論、假設與建議；

• 缺少必要資料時不得直接下結論；

• 重要結論必須經過交叉驗證；

• 推薦措施必須對應到已確認的原因；

• 無法驗證的內容必須標示信心程度；

• 高風險決策必須進入人工審查。

這些機制的目的，不是讓LLM完全不犯錯，而是讓錯誤能夠被發現、攔截、追蹤與修正。

AI不可能不犯錯，而是讓犯錯範圍在可控可追中可稽核的範圍內，這才是AI治理的核心。

八、HITL不是妥協，而是專業責任設計

很多人將Human-in-the-loop（HITL）理解為AI能力不足，所以需要人類補救。

但在醫療、製造、專利、法律與企業治理等專業場景中，HITL並不是暫時性的妥協，而是責任架構的一部分。在我開發的AI輔助創新服務平台中，結合DKH的EITL(EXPERT-IN-THE-LOOP)成效更具體而關鍵。

因為有些判斷涉及：

• 高額財務成本風險管控；

• 生產安全與設備資源損耗風險；

• 專利侵權與法律責任；

• 客戶使用消費權益；

• 品質與價值的可靠且穩定的輸出；

• 製程或設計變更造成風險不可控模式；

• 組織高層的決策權限篩選。

AI可以蒐集資料、分析問題、提出假設與生成建議，但最終的核准權與責任歸屬，仍然必須清楚定義。

成熟的AI Agent不是完全排除人類，而是知道：

• 哪些工作可以自動完成；

• 哪些結論需要人工確認；

• 哪些異常必須升級處理；

• 哪些決策AI沒有權限執行。

這才是真正可治理、可導入企業的AI系統。

九、以RCA Agent為例：LLM只是認知引擎

以製造業的RCA Agent為例，可以將整套系統理解為：

在這個架構中，LLM雖然是大腦，但RCA Workflow Library決定它應該如何思考；製造知識庫決定它能取得哪些專業經驗；Evidence Gate決定它的結論是否可信；HITL則決定哪些結果能夠進入實際工程決策。

因此，真正具有商業價值的並不是單獨的大模型，而是：

大語言模型＋專業Know-how＋標準工作流＋企業資料＋驗證與治理機制。

十、企業導入AI Agent不應只問「用什麼模型」

企業在規劃AI Agent時，經常先問：

• 要用哪一家LLM？

• 模型參數有多大？

• 要放在雲端還是地端？

• 每秒可以產生多少Token？

• 模型排行榜排名如何？

這些問題當然需要評估，但更重要的問題應該是：

1. Agent要解決什麼高價值問題？

2. 任務需要哪些輸入資料？

3. 專業工作流程如何拆解？

4. 每個步驟的判斷依據是什麼？

5. 哪些結論必須提供證據？

6. 如何偵測錯誤、矛盾與幻覺？

7. 哪些節點需要專家介入？

8. 如何建立權限、責任與稽核紀錄？

9. 最終成果如何驗收？

10. 如何確認Agent真的改善了品質、效率、成本或決策？

如果這些問題沒有先定義清楚，即使採用最先進的大語言模型，也可能只得到一個成本更高、回答更流暢的聊天機器人。

結語：模型決定能力上限，系統架構決定能否落地

大語言模型的確是AI Agent的大腦，也是Agent理解語言、分析問題與規劃行動的核心。

但是，決定一個AI Agent能否在企業中穩定運作的，並不只有模型能力。

真正的專業AI Agent，必須同時具備：

• 可重複的專業工作流程；

• 可追溯的知識與資料來源；

• 可執行任務的工具系統；

• 可辨識錯誤的驗證機制；

• 可管理風險的治理架構；

• 可承擔責任的人機協作設計。

我認為：

大語言模型是AI Agent的大腦；專業工作流是思考骨架；DKH知識庫是經驗技能記憶；工具是感官與雙手；驗證機制與HITL/EITL則是可靠性及責任控制。只有這些要素形成完整系統，AI Agent才不只是會說話，而是真正能夠工作。

2026©汪周禮