在工業自動化領域待了十餘年,讓我至今仍感到驚訝的,不是機器人或視覺系統,而是需求問題。
生產線的實際說法
生產主管的典型要求:
「我們需要更快地分揀零件。目前的系統漏掉太多了。」
從他們的角度來看,這是一個完整的描述。從實作角度來看,這幾乎什麼都沒說。
缺少的內容:
- 「更快」——目前的循環時間是多少?目標是什麼?是吞吐量還是延遲?
- 「漏掉太多」——目前的漏檢率是多少?什麼程度是可接受的?
- 成本模型是什麼:過殺(誤判良品為壞品,false positive)還是漏檢(誤放壞品為良品,false negative)代價更高?
- 什麼算「漏掉」——分類錯誤,還是夾取失敗?
- 當相機無法取得良好影像時怎麼辦?
每一個缺口都會在某處形成一個決策——明確地寫在規格書裡,或者隱含地藏在程式碼中。隱含的那些,才是你吃足苦頭的地雷。
為什麼會存在這種落差
生產主管優化的是產出;工程師優化的是系統正確性。要在這兩個世界之間進行轉譯,需要有人同時理解兩者——但大多數時候,工程師只能在資訊不完整的情況下自行做出判斷。
其結果就是:系統雖然符合「字面上寫好」的規格,卻不符合「心裡真正想要」的實際需求。
一份好的規格書實際上包含什麼
在累積了足夠的專案經驗後,我在動手寫任何一行程式碼之前,必定會先釐清以下問題:
輸入
- 感測器類型與精度(相機解析度、光源、零件幾何尺寸範圍)
- 進料變異度(進來的零件外觀差異可以有多大?)
- 異常情境(影像異常、缺件、超出量測範圍)
輸出
- 決策類型(二元的取/不取,還是帶有信心加權的分類?)
- 下游接收端(機器人路徑規劃模組?人工檢查員?兩者皆有?)
- 延遲需求(硬即時 [Hard real-time] 還是盡力而為 [Best-effort]?)
約束
- 安全防護範圍(無論其他權衡如何,什麼狀況是絕對不能發生的)
- 可接受的錯誤率(以及哪一種錯誤方向的代價更高)
- 異常恢復機制(系統故障時該怎麼做?)
這些都不是什麼高深的新技術。問題在於,要從口頭需求中提取出這些細節,必須懂得問對問題——而知道該問什麼,往往是以前被坑過才換來的智慧。
我接下來的探索方向
這就是我開始嘗試用 LLM 工具解決的問題:不是在生產系統內部做自動化決策,而是在開發流程的最前端,進行系統化的需求提取。
透過一個結構化的提示詞(Prompt)引導完成上述的清單,將口頭需求轉換為初步的規格書草案,並在動筆寫程式之前,標示出需要人工確認的歧義。
這樣做不是為了取代工程師的判斷,而是為了讓需求檢視流程跑得更快,且更不容易被忽略。