Caesar Chi：當開發遇上包裝：AI如何讓產品從想法變成商品

1. 一句話總結

從品牌創意端到工廠製造端之間巨大的場景資訊落差，是這場用 intent detector、supervisor 架構與 human-in-the-loop 一步步收斂、並且反覆用打樣驗證出來的實戰經驗。

2. 重點筆記

講者 Caesar Chi，中文姓名戚務漢，任職正美集團（Cymmetrik Group）旗下的信集界科技（Cympotek），負責 AI 與製造整合平台 Cympack 的開發；同時是 JSDC 核心團隊成員、台灣 Node.js 社群的長期推動者、JSDC.tw 共同創辦人，並創立 EXMA-Square（查證公開的講者介紹頁與 Speaker Deck 個人頁，來源一、來源二）。主持人在台上介紹他二〇二三年與朋友共同創立「AI for Developer」社群，這個社群名稱與 EXMA-Square 之間的確切關係待查證。

公司背景：信集界（Cympotek）與 Cympack

• 信集界科技（Cympotek）隸屬正美集團（Cymmetrik），母公司是大中華地區規模最大的專業包材標籤印刷服務供應商（查證正美集團官網後，證實信集界確實是其子公司之一，來源）。信集界自身則專注於品牌包裝材料、新零售、一物一碼方案，目標是替品牌和消費者之間打造高黏度的用戶體驗。
• 講者提到團隊規模大約十五人，涵蓋微型工廠操作、開發、採購、行政、前端處理等職能，是一個小而巧的團隊（講者自述，無外部來源佐證）。講者自述的公司規模數字：十五處全球據點、五十五年以上經驗、五百強國際客戶、三十家以上全球精選供應鏈、十家以上國際客戶（講者自述，無外部來源佐證）。
• 團隊在做的事情，講者稱為「manufacturing AI support chain」（製造業 AI 支援鏈）：讓品牌透過 AI 完成新產品導入或新包裝交付。他們把這整套系統稱為 Cympack。

從想像到落地：四階段流程與「第二大腦」的巧合

• 講者觀察，新產品或新包裝的開發流程大致分四個階段：蒐集（collection）→ 分析（Analytics）→ 原型（Prototype）→ 產品（Product）。「蒐集」階段會不斷迭代，把混亂的 data 整理成有用的 information；接著才進入市場分析、原型打造，最後才走向產品。
• 講者刻意強調要走完整個流程，是為了避免「拍腦袋直接產出一團混亂的結果」——他認為很多產品之所以做得莫名其妙，就是因為省略了迭代和分析。
• 團隊發現這四階段跟「第二大腦」（Building a Second Brain）方法論提倡的 CODE 模式（Capture 捕捉、Organize 組織、Distill 收斂、Express 呈現）意外地吻合，兩者都是「由小到大、再由大到小」的過程。
• 一開始團隊以為流程是線性的，於是直接用 RAG 做資料整理，再組一個以 OpenAI／LLM 為底的 API wrapper 去解每個問題。講者形容這階段「看起來似乎非常幸福美滿」——但實際上完全不是那麼回事，因為蒐集階段本身就需要大量細節討論、資料定義、執行確認與問題回歸，不是拍腦袋能解決的。

案例：紙盒 vs. 包裝盒的場景語意落差

• 講者舉的例子是「做一個紙盒」：如果只給「紙盒」這個詞，可能對應到手工裁切折疊、刀模壓線模切、雷射切割、智能切割、印刷廠數位打樣機等至少五種完全不同的工法。
• 但客戶真正要的，往往其實是「包裝盒」，不是「紙盒」——講者說這兩者的製程和工法完全不一樣，客戶只是不知道該用哪個詞來描述自己要的東西，一開始就給錯了方向。他特別提醒：「這不代表是客戶的錯」，很多時候是雙邊「頻率沒對上」，很難釐清是誰的問題。
• 團隊真正忽略掉的關鍵資訊叫做「場景」：使用者到底要用在什麼情境。於是他們在架構裡加了一個 Intent Detector（意圖偵測器），持續萃取客戶對話中的真實意圖，確保雙方溝通品質一致。
• 導入 AI agent 之後，團隊把分析到原型之間的流程拆解成更細的任務單元，改採 supervisor 架構調度整個 agent flow：使用者提供資訊或情境後，由 supervisor 判斷該交給哪個對應的 agent 處理。
• 整條流程最後簡化成：data 直接到 information，再進入 sampling／prototyping（打樣），這個打樣循環可能重複好幾次，最後才收斂到 product。

打樣：產品誕生的關鍵，而且要打好幾次

• 講者的原話：「產品誕生的關鍵因素：第一是打樣，第二是打樣，第三個還是打樣。」
• 案例：客戶拿著一張簡單的公仔正面圖來問「這個能不能做成娃娃」，團隊評估後回答可以，透過 AI 分析加上供應商配合，真的做出了成品，客戶也相當滿意，差一點就要直接下單兩萬個。團隊建議客戶再多打幾次樣，結果發現帽子沒有黏好，一拿掉帽子娃娃就變成大禿頭；而且因為客戶當初只提供了正面圖，團隊完全沒設計背面，成品因此「完全不可賣」。講者稱這是「一個最成功的失敗」，而且他強調這種情況每天都在發生。
• 結論：出貨前至少要打樣一次，並且鼓勵持續、平行式地打樣，從案例中持續學習客戶的使用習慣，避免一旦出貨就無法挽回、造成浪費的狀況。

Human-in-the-loop：關鍵決策留給客戶

• 團隊也把使用者過往的經驗和偏好整理儲存起來，讓系統下次服務同一位客戶時，能更了解對方要的是什麼、屬性是哪一種，避免同樣的問題再度發生。
• 講者的觀察是：全自動流程有時候讓使用者滿意，有時候反而讓人覺得失敗，所以團隊決定把重要決策的參與權交還給客戶，並把系統整合了 CopilotKit 的 human-in-the-loop 機制。依講者的描述，這個機制分成 interrupt 與 node-base 兩種模式，讓使用者可以 approve／reject、review and edit state、review tool calls，介面上不會讓任務卡住（block），而是進入一個等待狀態。
• 借鏡類比：講者拿 F1 賽車的變速箱發展史做對照——F1 最終選擇的既不是全自動也不是純手動，而是半自動序列式變速箱，換檔時效極快（講者提到約零點零二秒）、能提升圈速與穩定性，同時保留車手展現技術的空間、並強化安全防護。他說這正是人機協作該有的分寸：「我知道 AI 有時候真的比我強，但我還是想要自己決定一些事情。」

架構演進：CrewAI 與下一階段的多代理編排

• 隨著流程節點變多——文件解析、印前檢查、模型分析、生產工單生成、排程優化、資料回報、客服反饋——團隊發現架構需要持續改善，才能真正做到工廠端的全自動交付流程。
• 團隊後來把架構遷移到 CrewAI，導入四層概念：Crew（團隊，最高層組織，管理 AI agent 團隊、監督工作流程、確保協作並交付成果）、AI Agents（專業化成員，各自有角色如研究員、製造，能使用指定工具、委派任務、自主決策，並能互相分享狀態）、Tasks（個別任務，有明確目標與工具，產出可用結果）、Process（流程管理，定義協作模式、控制任務分配）。講者表示這套架構大幅簡化了程式碼和整體架構（查證 CrewAI 官方文件後，Crew／Agents／Tasks／Process 四個概念與講者描述一致，來源）。之後團隊進一步結合 LangChain，往下一階段的 agent 流程發展。

結語：後 AI 時代的協作心法

• 講者認為，整套系統裡最重要的其實是「交付」：如何把混亂的數據轉換成機器看得懂的資料，最終變成實際打樣、變成產品，交到客戶手上。
• 對於「後 AI 時代如何與 AI 協作」，講者的比喻是滑雪：AI 沒辦法被強硬地拉到人原本想走的那條路徑上，而是要跟著 flow 走；重要的是有意識地接受 AI 存在著不完美，並專注在「目標」本身，朝目標前進。
• 結語金句（原句保留）：「後 AI 時代，其實就是要接受那種有點失控，然後又部分受控的那種感覺。」

3. 關鍵數據與案例

• 團隊規模約十五人，涵蓋微型工廠操作、開發、採購、行政、前端處理（講者自述，無外部來源佐證）。
• 公司自述規模數字：十五處全球據點、五十五年以上經驗、五百強國際客戶、三十家以上全球精選供應鏈、十家以上國際客戶（講者自述，無外部來源佐證）。
• 案例對照：「紙盒」對應五種工法（手工裁切折疊、刀模壓線模切、雷射切割、智能切割、印刷廠數位打樣機），「包裝盒」對應另五種製程（手工製盒、刀模模切壓線、數位雷射切割、裱紙成型、自動摺盒機製程）——同一個需求，用詞不同、工法完全不同。
• 公仔打樣失敗案例：帽子未黏好導致娃娃露出禿頭、只憑正面圖設計導致漏做背面，最終判定「完全不可賣」。
• F1 半自動序列式變速箱換檔時效約零點零二秒（講者自述，無外部來源佐證）。
• 技術路線演進：RAG ＋ LLM API wrapper → Intent Detector ＋ supervisor agent 架構 → 整合 CopilotKit 的 human-in-the-loop → 遷移到 CrewAI，再結合 LangChain。

4. 金句

• 「產品誕生的關鍵因素：第一是打樣，第二是打樣，第三個還是打樣。」
• 「這是一個最成功的失敗。」
• 「我知道 AI 有時候真的比我強，但我還是想要自己決定一些事情。」
• 「後 AI 時代，其實就是要接受那種有點失控，然後又部分受控的那種感覺。」

5. 提到的工具與名詞

Manufacturing AI Support Chain、新產品導入（NPI）、CODE 方法論（Capture／Organize／Distill／Express，出自「第二大腦」方法論）、RAG、OpenAI／LLM API wrapper、Intent Detector（意圖偵測器）、Supervisor 架構、Agent flow、CopilotKit、Human-in-the-loop（interrupt／node-base 模式）、CrewAI（Crew／AI Agents／Tasks／Process）、LangChain、Cympack 平台、信集界科技（Cympotek）、正美集團（Cymmetrik）。

6. 延伸觀察

這場最值得記下來的是那個「紙盒 vs. 包裝盒」的案例：同樣一個需求，客戶只是選錯了一個詞，整條製程和工法就完全不同。這種「場景資訊落差」在軟體開發裡其實也天天發生（PM 講的「快一點」和工程師理解的「快一點」常常不是同一件事），只是在實體製造業裡，這種落差的代價是兩萬個做壞的包裝盒，而不是一次重構。用 Intent Detector 去持續萃取真實意圖，本質上跟軟體工程裡強調的「先把需求問清楚再動手」是同一件事，只是包裝成了一個 agent 架構。

「產品誕生的關鍵因素是打樣、打樣、還是打樣」這句話正好對應到軟體測試——多打幾次樣其實就是多測幾次，差別只在於軟體的一次測試成本趨近於零，而實體打樣一次可能就要付出真金白銀的模具或材料成本，這也解釋了為什麼講者會把「至少出貨前打樣一次」訂成 Cympack 系統的硬性規則，而不是選配。

比較意外的是團隊從 RAG＋API wrapper 一路演進到 CrewAI 加 LangChain 的路徑，跟純軟體服務的 agent 系統演進路徑幾乎一樣，只是最後端接的不是資料庫或 API，而是印前檢查、模具排程這些實體製造流程。這說明「AI agent 架構」這套方法論，其實已經開始滲透到軟體業以外、要跟實體供應鏈打交道的場景，而不只是停留在聊天機器人或程式碼助手上。最後那句「接受有點失控又部分受控的感覺」，放在任何一個導入 AI 的團隊身上都適用，不只是包裝業。

7. 資料來源