專案紀錄：ERP 系統 AI 決策幕僚建置實戰
探討將 ERP 數據庫轉化為 AI 決策輔助系統的完整流程。紀錄系統雙模式 AI 架構、多代理人 (Multi-Agent) 協作、HITL 人工確認節點與持久化記憶層的技術實作。
WRITTEN BY
- Name
- Harry Chang
本篇專案紀錄探討如何透過 12 天的開發週期，將企業 ERP 系統資料結合 AI 技術，建構出一套具備雙模式決策、多角色代理人 (Multi-Agent) 協作、人工確認 (HITL) 與持久化記憶功能的智能決策幕僚系統。
以下將透過系統架構圖與功能模組說明，展示此系統的技術實作細節與應用價值。
開發歷程與技術節點
| Day | 模組主題 | 實作內容與技術重點 |
|---|---|---|
| 18 | 資料萃取與清洗 | 將 Oracle ERP 訂單資料進行去識別化處理，轉存至 PostgreSQL，建構 AI 知識庫。 |
| 19 | REST API 介接 | 採用 FastAPI 建立標準化 API 服務，將 SQL 查詢轉換為結構化 JSON，供 Agent 讀取。 |
| 20 | 系統架構定義 | 確立快速問答（Mode A）與多代理人協作（Mode B）雙軌架構，完成技術堆疊選型。 |
| 21 | Tool Layer 封裝 | 將業務邏輯（如查詢毛利率、產能）封裝為強型別工具，供 Agent 進行 Function Calling。 |
| 22 | Contextual 身份注入 | 實作角色權限隔離（如總經理、業務、生管），確保 Agent 根據登入者權限輸出相應資訊。 |
| 23 | 前端戰情室建置 | 導入 next-shadcn-dashboard 建立企業級控制台介面。 |
| 24 | Mode A 實作 | 基於 PydanticAI 建立單一 Agent，串接資料層與前端，實現 ERP 資料即時問答。 |
| 25 | Mode B 實作 | 基於 LangGraph 實作多角色代理人（業務、生管、財務）並行分析與總經理 Agent 最終裁決機制。 |
| 26 | 串流響應機制 (SSE) | 結合 FastAPI StreamingResponse 與 Next.js，實作逐字串流輸出 (Streaming)，提升使用者體驗。 |
| 27 | 視覺化圖表整合 | 利用 Recharts 實作四組動態數據圖表：品牌營收、出貨率、廠區產能、訂單狀態。 |
| 28 | HITL 人工確認機制 | 實作 Human-in-the-loop (HITL) 節點，確保 AI 生成之決策建議必須經人工核准後方可寫入系統。 |
| 29 | 持久化對話記憶 | 將對話紀錄持久化至後端 JSON，實現多輪上下文記憶與外部化角色設定。 |
系統架構總覽
系統資料流設計：使用者前端請求 → 模式路由選擇 → Agent 載入上下文並呼叫 Tool Layer → 資料庫檢索 → 響應回傳。Mode B 額外包含多代理人協作節點與 HITL 審核寫入流程。
核心功能模組展示
1. Mode A：快速查詢問答 (Day 26)
針對即時數據檢索需求，透過單一 Agent 提供精確的數據反饋。
技術特點：
- 具備 Context-Aware 特性，依據登入身分調整響應重點。
- 透過 Function Calling 即時檢索 ERP 底層資料（如訂單狀態、產能水位）。
- 採用 SSE (Server-Sent Events) 技術實現低延遲串流響應。
2. Mode B：多代理人協作決策 (Day 26)
針對複雜商業決策（如急單評估），啟動多維度分析機制。
運作邏輯：
- 業務 Agent：評估客戶關係與達標率。
- 生管 Agent：檢視產能稼動率與交期風險。
- 財務 Agent：精算毛利率與現金流（若未達系統設定之毛利紅線，可自動觸發否決）。
- 總經理 Agent：彙整前述三方分析，輸出最終決策建議。
透過外部化 JSON 設定檔，開發者可獨立調整各 Agent 的 system prompt 與行為權重。
3. ERP 數據儀表板 (Day 27)
結合視覺化套件，提供全局營運概況檢視。
| 視覺化圖表 | 監控指標說明 |
|---|---|
| 營收長條圖 | 依客戶/品牌維度分析營收貢獻度 |
| 達交率分析 | 追蹤承諾交期與實際出貨狀態 |
| 產能儀表板 | 即時監控各廠區之稼動率與剩餘產能 |
| 訂單狀態圓餅圖 | 檢視待生產、出貨中與已完成之訂單比例 |
4. HITL 人工確認節點 (Day 28)
為確保系統安全性與決策責任歸屬，設計 Human-in-the-loop 機制。
執行流程：
- 總經理 Agent 產出「建議執行」之結論。
- 系統前端渲染確認卡片（包含核心交易數據：單價、總額、交期等）。
- 必須由具備權限之使用者點擊「核准」，系統方將異動指令寫入底層資料庫。
5. 持久化對話記憶 (Day 29)
強化多輪對話體驗，解決 Agent 上下文遺失問題。
記憶層設計：
- 後端持久化：將對話歷程序列化存儲，支援跨裝置與跨 Session 存取。
- 上下文關聯：支援代名詞解析與跨輪提問，提升問答連貫性。
- 對話管理：前端實作類似 ChatGPT 的會話列表（新增、切換、刪除）。
系統價值與未來展望
本專案驗證了將靜態 ERP 數據庫升級為「智能決策輔助系統」的技術可行性。透過 AI 降低跨部門資訊檢索成本，並在資料支撐下加速決策流程。
IMPORTANT
架構設計哲學：AI 輔助與人工決策 本系統堅持「AI 提供分析，人類承擔最終決策」的原則。HITL 節點是確保企業級系統合規與控制風險的核心機制，防止 AI 產生的幻覺 (Hallucination) 導致錯誤的自動化交易。
NOTE
技術堆疊總結
| 系統層級 | 採用技術 |
|---|---|
| AI 代理層 | PydanticAI, LangGraph |
| 後端服務 | FastAPI (Python) |
| 前端介面 | Next.js, shadcn/ui, Recharts |
| 資料儲存 | PostgreSQL, 結構化 JSON |
| 傳輸協定 | SSE (Server-Sent Events), RESTful API |
TIP
後續擴展方向
- 即時系統介接：與真實 Oracle/SAP ERP 系統進行 API 或 Webhook 雙向整合。
- 主動式告警：實作排程 Agent，針對產能超載或利潤過低之訂單進行主動推播。
- 強化學習反饋：將 HITL 的人類核准/拒絕紀錄回傳給模型微調 (Fine-tuning)，優化未來決策品質。
資料架構的分層應用
針對企業集團的應用情境，資料的「即時性」是系統架構設計的重要變數。針對不同管理層級，建議採用雙軌資料架構：
| 應用層級 | 適用對象 | 資料範疇 | 核心用途 |
|---|---|---|---|
| 即時操作層 (OLTP) | 現場主管 / 生管 | 即時異動資料 | 現場監控、異常偵測、短期派工 |
| 分析決策層 (OLAP) | 高階主管 / 財務 | 歷史交易快照 | 趨勢分析、跨期比較、策略佈局 |
透過同一套 AI 分析框架，介接不同維度的資料倉儲，即可滿足從現場執行到高層戰略的全方位管理需求。