MSM_AI輔助創新六大模組 甘苦小故事(短文)

【會話中迷失：大語言模型在複雜任務中的瓶頸與突破】

在使用大型語言模型（LLM）進行多輪對話時，經常會遇到一個難以忽視的問題：「會話中迷失（Lost in Conversation）」。這代表一旦模型在某一輪回答中出錯，錯誤便可能如骨牌般連鎖發生，使得後續回到正軌變得困難。這類問題在處理複雜的技術創新與知識整合任務時，特別明顯。

👉 參考文獻：arXiv:2505.06120

---

2025.06.26 首發, 2025.07.07更新
2025©汪周禮

在兩年前(2022Dec~2023May)設計 MSM（Multi-Shots-Models AI 輔助創新方法）時，我也深刻感受到這個挑戰。為了確保模型在多次提問過程中仍能維持高品質與主題聚焦的輸出，除了進行內容的結構化設計，我也導入了多種提示工程技術（Prompt Engineering Techniques）作為模型導向與錯誤校正的關鍵手段。

但即使如此，仍會出現模型陷入迷失或產生幻覺的瓶頸，因此我當時啟用了兩個付費 GPT 帳號進行對比測試與路徑重導，終於建立起完整的 MSM 六大模組架構，並設計出超過 20 組關鍵提問模型（Key Prompt Frameworks）。

MSM AI輔助創新多代理人(Multi-Agents)整合的代理式AI 工作流(Agentic AI workflow)這個架構融合了多項跨領域工具與流程：

• 新產品開發流程：Cooper、PDMA、Crawford、IPD 等。

• 問題解決技術：KT法、RCA、FMEA、FA等。

• 創新方法：Design Thinking（三種版本）、TRIZ等。

• 專利分析技術：FTO、專利地圖、佈局與迴避設計等。

• AI提示工程策略：模組化提示描述、錯誤鏈斷點設計、多輪對話導引技術等。

這套系統的設計過程花了我三個月、研讀超過百篇 AI 相關研究文獻，才整合出這套能真正導入企業實戰的 MSM_AI 輔助創新流程 (PS. 那時候還特地寫了一篇部落格短文紀念)。兩年來已在多家企業的創新專案輔導中，證實其實效，特別是在R&D、專利布局與AI技術應用開發領域，對比過去使用的傳統模式，根據企業專案輔導的統計結果，完整的MSM_AI輔助創新流程平均縮短研發50%開發時間。

---

MSM_AI × Agentic LLM 平台 PoC 實戰整合

從2023六月完成開發MSM後的兩年的時間裡，在四大領域 (手機、半導體、新能源、AI技術開發) 累積38 個 成功案例！
近期(2025.07.17update)更新添化工產業，共五大領域，企業應用項目已累積 48個 有效案例。

目前，MSM_AI 模組已可結合如 Dify 等 Agentic AI 平台，作為企業導入大型語言模型的 PoC 驗證方案，協助：

• 提升企業 自建 LLM 平台的內部使用率

• 導入具結構性的創新思維模組，增加思考模式並提高思考效率

• 解決 LLM 在複雜任務中的常見迷失與輸出品質劣化問題 

---

📌 大語言模型真正的挑戰，才正要開始。

面對複雜問題的知識組織與創新應用，若無清楚架構與提問引導，LLM 容易失準。這正是 MSM 設計的核心價值：讓 LLM 成為創新引擎，而非失控變數。

後記：

知識經濟2.0- 工作流程 x AI x 專業經驗：下一波知識經濟商模產品誕生地

行業的改變從來都不是由內部開始，而是外部的影響，只是目前可能的影響會出現在ai創造的知識經濟發展模式，新的知識經濟商模正在孕育中，這也是我體驗過悲觀的環境但卻依然樂觀的理由。

或許可以這樣思考，知識經濟系統裡面的每一個構成組件中，幾乎所有的組件都會收到ai影響，這樣的影響隨技術發展與應用模式而動態變化，傳統的認知將會被改寫，簡單說，我們習慣的單點工作站模式，將會被工作流模式改變，以前要五個人（五個工作站）可以完成的事，現在可能ㄧ兩個人就可透過ai工作流完成，所以，比如說，新的價值方向會出現在不同工作站的整合上，誰能處理好新工作流的整合與輸出品質，就會創造新的知識產權商機，現在很多人都把眼光聚焦在被取代掉的工作站，這是沒有意義的事。

沒有價值或低價值的工作一定會被ai取代，這個是趨勢，時針在轉，真正要關注的焦點在於，如何從新出現的ai工作流中找到知識產權的商機。

這樣的變化用過去的思考模式一定難以理解，因此要把自己站在10年後來看過去五年的發展，就可以推測未來五年的變化與機會了。

站在10年後回看今天，我們會看到什麼？

或許我們將會驚訝地發現，不是哪個人被AI取代了，而是哪個產業沒能及時整合AI工作流，最後被時代淘汰了。

#AIx專利迴避設計

#AI_DT_TRIZ4innovation

MSM AI輔助創新 企業研發系列- 創新式專利迴避設計工作坊，歡迎企業包班～

#AI_LLM
#AI4INNOVATION
#MSM_AI輔助創新
#MSM_六大模組

若企業對 MSM_AI輔助創新有興趣，歡迎與我聯絡現場 DEMO 事宜！

SERVICE@IIIINNOVATION.COM (3*I+ INNOVATION)

AI輔助創新- 生成式AI 在軟體開發的應用層、架構層與核心層解析與成功專案心得 (生成式AI加速產業技能典範移轉)

背景：

#生成式AI加速產業技能典範移轉

改變從軟體產業開始

AI加速coding automation的發展，也因此軟體技能將開始出現典範移轉現象，這也是為什麼可以常看到大老們呼籲現在小朋友不要學寫程式，但我認為程式開發還是需要人來進行，CODING可以由AI幫忙。

#軟體技能典範移轉

前言：

2024年，今年，最令人震驚的就是諾貝爾物理獎和化學獎分別頒給了AI的科學家以及使用AI工具的科學家！從頂尖領域來看，這說明了AI不僅是輔助工具，更是推動科學突破的重要力量。學習如何利用AI來輔助創新，已成為當前迫在眉睫的需求。掌握好應用AI的技能，將使我們得以在各領域的創新中保持競爭力，迎接充滿未知的未來挑戰。

隨著 AI 技術的重要性刺激AI巨頭們的競爭而飛快加速了全球AI的技術發展，無疑地，生成式 AI 在軟體開發中的應用逐步拓展，根據筆者目前的成功專案經驗，發現生成式AI尤其在提升效率和縮短技術應用開發週期方面成效顯著。然而，不同層次的開發需求對 AI 的依賴程度也有所不同。

關鍵字：AI, 生成式AI, GAI, 創新, 技術應用開發, TRIZ, 動態系統分析, 軟體技能, 典範移轉

根據筆者參與軟體產品開發10多年的經驗，我們可以將軟體技術應用開發粗分為三大類：

應用層、架構層和核心層。

後面將分別針對應用層、架構層和核心層三大領域進行說明，根據實際的專案成果，介紹生成式 AI (GAI)在軟體開發中的潛力與挑戰。

1. 應用層：

這一層主要包括前端和後端的業務邏輯實施呈現，如網頁開發、應用程式的功能實現、以及簡單的API串接等。

這裡面的工作通常包括許多標準化、重複性的程式撰寫任務，也因此GAI的應用較為成熟。例如，GitHub Copilot、Tabnine等AI輔助程式設計工具已經能根據提示或現有的程式碼片段，生成具體的程式碼。這不僅提高了應用程式的開發效率，還能減少程式撰寫中的錯誤。

在應用層中，GAI具備逐步取代人類工程師的潛力，但這通常是針對一些簡單、重複性高的任務，#並非全面性替代。

整體來看，在這一塊，#生成式AI僅能有限度的提高程式撰寫的效率。

2. 架構層：

架構層涉及軟體技術系統的設計規劃，如微服務架構設計、資料庫結構選擇、伺服器配置，以及系統模組的整體執行步驟流程整合。

這些工作牽涉到較多的專業知識和判斷力，需要根據業務需求和具體場景來設計最佳的系統架構。例如，針對高流量應用，設計一個具備伸縮性的系統架構，而針對低延遲需求的應用，設計低延遲的數據處理流程。

目前GAI在這方面的應用目前仍受限，因為它很難理解複雜的不同情境的實際業務需求，因此很難也靈活地產生應對方案。

架構層的設計需要工程師根據經驗和業務需求進行決策，因此目前仍難以被GAI取代。

#生成式AI在架構層的輔助未來將會越來越重要！

根據筆者目前輔導成功的最佳應用案例指出，GAI結合TRIZ動態系統分析工具應用，在輔助軟體技術系統應用架構設計開發時間，相對傳統系統架構設計開發，目前已經可以提高至 5倍(500%!!) 的效率，可以縮短將近一年半的時間！

3. 核心層：

核心層涵蓋了底層技術的研發和系統的基礎架構支持，例如操作系統開發、資料處理引擎、人工智慧模型優化以及高效能計算等。

這一層次的工作具有高度的技術性和創新需求，往往涉及大量的專業知識和對新技術的探索。

例如，開發一個新的深度學習架構、設計高效能的處理算法，或是優化資料庫的查詢效率，甚至優化現有的預測模型，這些案例出現在筆者今年完成的GAI輔助創新的企業客製化專案中！

這些工作實際上需要深入理解相關技術和引入創造性思維與工具(TRIZ, 設計思考, 軟體產品開發流程等等)。然而，目前GAI技術難以在這些方面與人類專家相提並論，完全不同層次。

#核心層的技術開發仍然需要人類工程師的主導。

GAI已經無庸置疑可以輔助程式撰寫，但仍然需要專業技能與創新能力足夠的工程師進行檢視與改善。

總結而論，#生成式AI的應用效果隨工程師能力而指數提升，筆者今年企業輔導成功案例指出，在六個不同的專案中，分別至少可以縮短75%到500%的時間。

在AI持續猛進發展的基礎下，目前可以肯定的是應用層的程式撰寫，GAI的輔助比例越來越高，甚至在可預測的未來很有可能不排除會完全被GAI取代，而架構層和核心層，需要人類工程師根據情境需求設計！

#整體來看在可見的未來AI仍難以取代同時具備專業與創新能力人類工程師。

—-

以上這些都是2024年筆者應用TRIZ系統創新工具結合生成式AI輔導的AI軟體開發專案輔導的成果心得，客戶學員們在10月成果發表的時候，確實獲得客戶高層領導主管們認可，也讓筆者對未來AI輔助創新的發展更有信心!

Jou-Li Wang 2024©汪周禮@智合創新

GAI輔助創新與技術應用開發

如有任何問題，歡迎與筆者聯絡：

service@iiiinnovation.com

在未來的AI時代，我們需要甚麼能力?

 

在未來的AI時代，我們需要甚麼能力?

AI時代需要甚麼能力? 提問能力? 專業能力? 完成任務能力?

這些都是表象，根據目前應用成果，我認為未來在AI普及的時代來說，人們的 設計能力 最重要！

這種能力不僅僅指傳統意義上的設計（如圖形設計、產品設計），而是更廣泛的設計思維和能力，能夠綜合各種知識和技能，創造出符合未來需求的解決方案和產品。例如：

1. 設計思維（Design Thinking）：

1A. 定義問題：設計思維的核心在於深入理解問題的本質，結合問題分析、問題挖掘與需求挖掘賦予重新定義問題的能力。

1B. 創意思維：突破慣性思考模式，培養成能夠打破常規思維模式，並且進一步提出新且有效的解決方案。

1C. 用戶中心：以用戶(目標對象)需求為導向，規劃設計出符合複合用戶的市場需求的產品和服務。

2. 跨學科整合能力：

2A. 知識整合：AI時代，知識的汲取將會越來越容易，因此如何能夠將不同領域的知識和工具進行整合，形成全面的解決方案，提高知識應用效率。

2B. 協同合作：跨學科盲點往往出現於不同專業深度應用上的限制，因此在跨學科團隊中工作，善於溝通與合作，有利於克服這樣的認知限制，加速推動合作進展。

3. 數據素養：

3A. 數據分析：培養並強化理解並運用數據進行決策並藉此設計出能夠從大量數據中更快速提取有用的信息的方法。

3B. 數據視覺化：在數據分析環境薰陶下，有能力將複雜的數據轉化為直觀的視覺表達內容，輔助決策和建立溝通基礎。

4. 技術理解與應用：

4A. 基本程式撰寫知識：對AI技術有基本的了解，能夠進行簡單的程式撰寫，甚至可以運用現有開源資源根據需求應用進行程式規劃設計。

4B. 技術應用：熟悉如何將AI技術解決實際應用問題中，進一步提升AI應用技術發展的智能化應用範圍。

5. 批判性思維與倫理考量：

5A. 批判性思維：隨時對AI技術應用保持批判性思考，避免過度盲目依賴AI 技術，反過來說，透過對AI的認知盲點創造出更符合社會需求的AI 應用並適當的擇取或淘汰AI技術。

5B. 倫理考量：這也是AI是否能夠合理且廣泛的被社會大眾接受的關鍵心理因素，如何理解並考慮AI技術在應用中的倫理問題，確保技術的負責任使用，將會是AI技術應用普及的關鍵。

6. 創新能力：

6A. 持續學習：利用AI技術應用擴展學習的新技術、新方法，對新興技術或領先技術保持敏感度。

6B. 創意實踐：這個是最重要的創新技能關鍵門檻，如何將創意轉化為可行的設計方案，並在實踐中驗證和迭代，也就是如何加速創意到創新的過程，將成為未來AI時代的創新競爭關鍵。

上面提到的這些能力可能在未來的AI時代變得越來越重要，隨著 AI技術的快速發展和普及，人們需要具備更強的設計能力來應對複雜的挑戰和機遇。

設計能力不僅僅是技能的提升，更是思維方式的轉變，從而在AI驅動的未來中找到自己的價值和定位。

#AI

#Innovation

#Designcapability

2024©汪周禮@智合創新 ─ 驅動創新知識與服務