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)

TRIZ ，在AI 時代即將重構的創新工具：從高門檻知識工具到創新驅動引擎

#AI時代來臨，TRIZ 的應用進入新階段

   TRIZ（Theory of Inventive Problem Solving）自1980年代起即在全球工程與創新領域廣泛推廣， 作為一套歷經超過 40 年全球推廣的創新方法論，過去以其穩定的創新系統架構與強大的問題解決能力，在工程技術創新領域享有極高聲譽。其工具體系完整，從早期的矛盾矩陣、發明原則、物理矛盾、理想解到擁有嚴謹邏輯架構的功能分析、技術系統進化趨勢到ARIZ等進階工具，構成完整的創新問題分析與解決框架，滿足從創意開發到解決核心技術問題的需求。

 然而，回顧過去數十年在世界各國跨國企業的實施經驗發展，讓我們發現到，TRIZ 長期面臨的挑戰始終不脫離三大瓶頸，分別是：

學習門檻高、知易行難、應用成本高。

  

基礎工具知識需超過百小時培訓時間(從LV1~LV3, 24+32+108 共164 hrs) ，並且要能真正熟練，除了這些工具知識以外，更需要累積數年專案實務經驗，因此TRIZ工具即使具備強大創新應用潛力，這使得TRIZ 難以大規模普及，例如中小企業，尤其是在非工程背景或資源非常有限的企業中，也因此TRIZ工具用人才過去長期以來僅普遍存在於大型跨國企業或少數高階技術開發團隊中。

關鍵字：AI, TRIZ, Innovation, AI輔助創新, AI_LLM_For_Innovation

#AI_LLM崛起，打破 TRIZ 工具知識的學習門檻

 

隨著大型語言模型（LLM, 如 ChatGPT、Claude、Gemini 等）的應用普及，TRIZ 的工具知識正在迅速被「語意提示（Prompt Engineering）」所替代。透過結構化提示描述設計，TRIZ 工具不再需要靠人工死記與手動分析，而是能由AI LLM 強大的資料收集處理與分析和生成的能力，快速推導出如矛盾問題模型、可能的理想解方向、發明原則以及更進一步結合ARIZ應用於解決困難問題流程等生成內容。

此一變革使得 TRIZ 學習門檻驟降，例如包括：

 1. 初學者可透過TRIZ工具提示模組與AI互動學習，從做中學，快速上手，縮短TRIZ工具學習曲線的使用方式。

 2. 中階使用者可透過根據根據專案任務需要設計的創新流程，使用AI整合提示包組合，協助產品技術研發相關人員快速完成創新輔助任務。

 3. 專案顧問則可依據自身產業經驗、分析問題類型並設計TRIZ工具對應問題解決的工作流，加上其他工具，整合成專案級的客製化 AI 輔助創新流程。

TRIZ 工具正從「需要理解與掌握」的學科，轉化為「可以調用與應用」的模組，這是目前TRIZ 在 AI 時代所觀察到最關鍵的進化。

 但 AI + TRIZ ≠ 萬靈丹，#TRIZ應用仍需專案經驗支撐

即便 AI LLM 能迅速給出結構化創新建議，受限於AI LLM應用能力限制以及顧問專家對於TRIZ工具理解程度所給予的結構化提示描述，目前 TRIZ 工具的應用依然需依賴領域知識與專業技能的判斷力。若缺乏下列要素，TRIZ + AI 工具依然難以產生實效，包括但不限於例如：

1. 企業內部需求問題脈絡解析能力

2. 相關對技術需求與市場動態的理解

3. 熟悉 TRIZ 工具的實務應用顧問或內部專家引導

4.  再來就是能根據專案需求整合多種不同工具組合設計的使用能力

5. 能整合專案資源與判斷專案可行性的跨域能力

換句話說，TRIZ + AI 加速創新引擎，但創新領航者仍是具備應用經驗的專家或顧問。

#TRIZ應用模式的轉型：從工具學習轉向專案導入

過去TRIZ學習模式從企業和TRIZ專家合作模式觀察發現主要可以分為三類：  

1. 純工具知識培訓：工具知識式學習（課堂講授，理論先行）

2. 企業內部專案模式：企業專案邊做邊學（即學即用，以戰代訓）

3. 專家專案輔導模式：混合式模式（先學工具再實作應用）

 但在 AI 驅動的創新時代，#TRIZ教育模式將發生以下轉變：

 1. 工具知識式學習將逐漸被 AI LLM 模型內化的提示包組合取代  

2. 專案即戰力的邊做邊學模式將成為主流 

3. 知識型顧問轉型為AI提示模組設計師與專案策略整合者  

這一轉型也促使 TRIZ 創新顧問角色重新定義 —— 不再只是教學工具知識，而是設計 AI + TRIZ + 專案流程的整合式創新解決方案。

#TRIZ在AI時代的價值重構：從工具學習到創新驅動引擎

結語：TRIZ 在 AI 時代的意義不再是「學多少工具」，而是「能否有效結合 AI 與TRIZ應用，為企業創造實質專案的創新成果」。AI 解決了 TRIZ 推廣的最大瓶頸——知識工具學習負擔，讓更多人能用得起、用得快。但要能做到誕生創新成果，能不能用得對、用得準，仍需應用經驗與工具方法流程使用設計的融合能力。

因此，未來的創新人才與顧問將不再僅限於 TRIZ 的「教學者」，而是 TRIZ+AI 的「流程設計者、資源整合者、價值實現者」。這場變革不僅是創新工具層的革新，好比是工業革命時代的知識蒸汽機，驅動創新思維與產業應用的進行根本性重構。

下一階段，將預見創新教育與應用焦點將會出現在：

A. TRIZ工具模組的語意化提示優化

B.  AI輔助的TRIZ應用工作流設計

C. 導師/顧問制的企業創新推進模式

 

這將是一場從「創新工具訓練」走向「創新生產力引擎」的徹底變革，也唯有那些能徹底掌握TRIZ工具知識應用在AI LLM上的人，將會帶領企業穿越AI帶來的未知，創造新的成長曲線。

#AI輔助創新

#AI_LLM

#TRIZ_TOOLS

2025© 汪周禮@智合創新
AI輔助創新：AI+TRIZ+NPD+設計思考+專利迴避設計+提示工程描述設計的創新應用整合流程設計專家

AI輔助創新成功經驗：半導體專利技術挖掘、技術風險分析、新能源AI產品技術應用專案開發、創新式專利迴避設計

如需 DEMO，歡迎與我們聯絡
service@iiiinnovation.com

 生成式AI混亂的啟發 - 找出去蕪存菁的文章特徵點

網路透過文字傳遞思想，但文字作為思想載體還是會失真，但至少是目前我們擁有的。

從2008到2012年專利技術分析超越四萬件專利，後面沒在算了，專利分析累積從文字擷取技術特徵與特徵參數的能力，轉換到閱讀文章速度更快也更簡單，這個技術特徵對應到文章就是所謂的觀點，而參數就是觀點的細節具體描述。

如果一個技術方案的技術特徵與特徵參數組合豐富，我們就知道這個發明肯定有東西，同理，在看一般網路文章也可以用這種方式快速篩選。

基於上面的道理，我們看一個人文章就知道，當文章把很多觀點透過文字傳遞，如果文章觀點豐富，容易觸動共鳴而引人深思，就知道這個人很厲害，是個飽學之士蘊藏智慧。

但是觀點少也不見得不好，主要在於啟發性，這同樣也可以套用到專利審查要件中的創造性或非顯而易見性 (inventive or non-obviousness)要件，特別是美國專利審查基準的非顯而易見性要件，是目前我研究過全球最豐富的且完整的創造性要件，至少有超過20個不同的切入角度。如果符合創造性要件的思維模式，這樣的文章內容也是可以的。

念書找知識點，技術分析找特徵點，而寫文章找觀點或認知點切入，一篇文章多達十多種認知點，就是非常有價值的內容了，也讓人深受啟發。

根據我的觀察，#AI文章的認知點很少 ，因為生成技術的關係，通常都是順著一個觀點延伸出知識點，而人類寫文章受經驗知識與智慧影響，越厲害的人可以植入很多不同觀點形成文章的特徵點，繼而引發共鳴，啟發思想。

目前教育或許應該是時候開始培養學生能夠分析文章、論文或技術的能力，藉此作為建立初步的系統思維和分析思維的能力基礎。

補充：

學識累積知識點，經驗累積觀點，而認知層次的認知點可以塑造出不同的認知角度，而知識點之間交互作用看邏輯、相關、層次與架構。

2025.04.14 汪周禮隨筆

文末附上使用五種評估指標利用CHATGPT分析網路文章

開源軟體商業模式（OSS Business Models）_ 架構 AI LLMs 生態系基本重要元素

 開源軟體商業模式（OSS Business Models）

架構 AI LLMs 生態系基本重要元素

圖案由CHATGPT根據本文內容生成

2025.02.03 汪周禮

軟體商業模式（Software Business Models），根據我的研究與收集，目前已知超過100多種。其中，開源軟體商業模式（Open Source Software Business Models, OSS BMs）更是多樣且靈活，完整地涵蓋了產品技術生命週期的各個階段。無論是在價值曲線上的初期需求挖掘、獲得市場認可後的搶占市場、面對市場競爭以及維持基本功能的不同階段，這些價值曲線上的不同階段，都能找到多種可組合應用、靈活變化的商業模式。

關鍵字：AI, LLM, OPEN SOURCE, BUSINESS MODEL, MSM, 創新

根據瑞士管理學院學者的相關研究，一個成功且能夠穩定獲利的軟體產品或技術服務，通常會結合3至7種不同的商業模式，形成商業模式護城河，提升獲利能力與提高市場競爭力。

當我們希望能透過軟體技術創造商業價值，從企業產品技術開發角度而言，最重要的，並不是一開始就埋頭進行技術研究與開發，而是提早先收集市場動態與趨勢，深刻了解技術發展現況，再來是明確規劃：

    有哪些潛在的商業模式可供選擇？

    實現這些商業模式需要哪些核心技術能力？

    市場中我們有哪些目標客戶，而這些目標客戶的底層需求是什麼？而我們可以透過技術提供甚麼服務?

我們可以用目前最熱門的 DeepSeek 開源模型為例子，模擬可能的商業模式。  

畢竟  DeepSeek 作為一個具備強大語言處理能力的開源模型，具有高度靈活性，可以應用OSS BMs ，支援、整合甚至創造多種商業模式。例如：

(A) 訂閱制 SaaS（Software as a Service）

應用場景： 提供基於 DeepSeek 模型的 API，企業可以按需訂閱使用自然語言處理（NLP）服務，例如自動文本摘要、語意分析、智能客服等進一步提高企業營運效能等。

(B) 增值服務模式（Freemium + 高階服務）

應用場景： 提供免費基礎版本給開發者使用，進而引導企業購買客製化模型等優化服務。

(C) 技術授權與 OEM 模式

應用場景：  將 DeepSeek 模型授權給其他企業嵌入其產品或服務中，這種特別適合軟體公司或系統整合商，甚至打造出產業鏈與生態系。

(D) 咨詢與專案定制服務

應用場景：  提供基於 DeepSeek 的 AI 解決方案諮詢等技術服務，協助企業進行模型定制、數據訓練與優化。

(E) 社群生態經濟模式

應用場景： 透過開放社群的力量推動模型應用創新，並在社群生態中，透過社群平台交換需求和技術合作建構插件市集，甚至進行數據交易創造更多商業價值。

(截至目前為止，已知 微軟（Microsoft）、亞馬遜（Amazon）、輝達（Nvidia）等企業已經DS整合其商業服務中。)

若我們能在前面所提到的基礎上再投入技術開發，不僅能夠確保開發方向與商業目標一致，更能有效降低重複開發與資源浪費的風險。

當面對市場競爭與技術變化時，也能更迅速地調整策略，保持競爭優勢。

開源軟體的價值不僅在於開放的技術本身，更在於其背後靈活多變、可持續創新的商業模式設計。這是軟體和硬體商模明顯的差異之處。

MSM_AI 輔助創新服務經過2023和2024年的企業專案洗禮，完成多項企業軟體產品開發技術專案，創造巨大可預期與可實現的經濟效益，更可以作為企業在開源軟體商業模式轉型與創新中的重要推手。

未來將會繼續透過三個層面切入，提供更高價值的服務：

    1. 商業模式策略輔導： 幫助企業設計可持續的 OSS 商業模式組合。

    2. AI 輔助的技術產品開發： 提升企業的產品創新與技術應用效率。

    3. 創新能力培訓與工作坊： 建立企業內部的創新文化與提高創新能力能力。

智合創新，致力於傳遞創新知識與驅動創新服務。

#OPEN_SOURCE

#Business_Models

#MSM

#AI輔助創新

參考資料：

    1. Open Source Business Models - Palark

    https://blog.palark.com/open-source-business-models/

    2. Business Models for Open-Source Software - Wikipedia

    https://en.wikipedia.org/wiki/Business_models_for_open-source_software

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