在傳統的 CNC（電腦數值控制）機械加工廠中，評估一份客戶訂單是否能接單（即可行性分析）是一項極其耗時且依賴經驗的工作。管理人員必須手動閱讀 CAD 圖紙、核對尺寸、走訪工廠檢查刀具庫存，並判斷機台是否能達到要求的公差。這個過程單件就需 30 到 60 分鐘，且一旦人為判斷失誤導致生產中途發現缺件或精度不足，將造成嚴重的材料浪費與客戶損失。
為了將此流程自動化，MachinaCheck 系統被開發出來。它能讓使用者上傳標準的 STEP 檔案（一種工業通用的 3D CAD 格式），並輸入材質、公差與螺紋需求，在 30 秒內生成完整的製造可行性報告。
隱私與在地化部署的必要性
對於製造業而言，CAD 檔案包含的是核心知識產權（IP），例如醫療器材的孔位佈局或航太零件的幾何結構。將這些敏感數據傳送到 OpenAI 或 Anthropic 等外部 API 端點，會直接違反保密協定（NDA）。
因此，MachinaCheck 選擇在 AMD Instinct MI300X 顯卡上運行。這款硬體擁有 192GB 的 HBM3 高頻寬記憶體（VRAM），足以讓 Qwen 2.5 7B 指令微調模型完全在本地端（On-premise）運行。這種設計確保了數據完全不出廠，實現了製造業環境中真正的隱私設計（Privacy by Design）。
多代理人系統架構
MachinaCheck 並非單純依賴一個大型語言模型（LLM），而是採用由 FastAPI 驅動並透過 LangChain 編排的五階段管線，將確定性計算與 AI 推理分開。
第一階段：STEP 檔案解析（純 Python） 系統使用 cadquery（基於 OpenCASCADE 的 Python 庫）直接解析 STEP 檔案。這一步不使用 LLM，因為幾何尺寸需要 100% 的精確度。它能提取出圓柱孔的直徑與深度、平面面積、倒角、圓角以及零件的整體外殼尺寸（Bounding Box）。
代理人 1：工序分類器（Qwen 2.5 7B） 將解析出的幾何數據與材質、公差等需求交給 LLM。AI 會利用製造領域知識進行推理，例如：304 不鏽鋼需要使用硬質合金刀具，或特定公差要求必須使用精密銑床而非標準銑床。
代理人 2：刀具匹配器（純 Python） 這是一個決定性邏輯階段，直接查詢工廠的刀具庫存數據庫。開發團隊刻意不在此處使用 LLM，以避免 AI 產生幻覺（Hallucination）導致庫存數量錯誤，並降低延遲。
代理人 3：可行性決策代理人（Qwen 2.5 7B） 將刀具匹配結果回傳給 AI，由其綜合判斷最終結果。它會輸出結構化的 JSON 格式，包含決策（如：條件接單）、信心水準、缺失刀具清單以及預估的設定工時。
代理人 4：報告生成器（Qwen 2.5 7B） 最後將所有分析結果彙整成一份專業的製造可行性報告，提供給管理層閱讀。
技術棧與實作經驗
在硬體層面，透過 ROCm（AMD 的開放計算平台）與 vLLM（高效能 LLM 推理框架），Qwen 2.5 7B 可以在 MI300X 上快速部署。由於 VRAM 充足，系統僅使用 50% 的記憶體即可穩定運行，平均推理延遲低於 3 秒。
從開發過程中，團隊總結了三個關鍵工程經驗：
首先，僅在需要推理的地方使用 LLM。對於數據庫查詢等確定性任務，純 Python 程式碼比 AI 更快且更可靠。
其次，結構化輸出的提示工程至關重要。為了讓 AI 穩定輸出正確的 JSON，必須在 Prompt 中明確定義工業邏輯，例如規定圓柱孔必須對應鑽頭而非銑刀。
最後，硬體餘量決定了未來升級空間。MI300X 的大記憶體意味著未來可以輕鬆將模型升級至 Qwen 2.5 72B，以獲得更強的推理能力。
來源：huggingface.co
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。