AI 工作流

現場資料進去，
遠端 HMI 出來。
AI 只要一小時。

現場勘驗與資料收集另外排半天到一天。收集到的封包、標籤表，加上現有 HMI 控制畫面的截圖與說明，整包交給 AI agent （Claude、Codex、Antigravity 等），一小時內做出能透過 TCP 或 MQTT 連上 Falcon 的遠端 HMI 程式。呈現並了解客戶方向後，再用 AI 做出 Dashboard 與 SCADA。

pipeline

時程

時間分兩段：現場準備，再交給 AI。

現場勘驗與資料收集另外排半天到一天；AI 用收集好的資料在 60 分鐘內做出遠端 HMI，不含 Dashboard / SCADA——了解客戶方向後，AI 接著做。

PHASE 1 · 現場準備半天～一天

— 收集操作時機台 log
— 操作時 HMI 快照

把收集好的資料交給 AI agent

PHASE 2 · AI 處理 60 分鐘

00 – 15 MIN

以快照比對，找出 log 標籤

15 – 40 MIN

以快照做出遠端 HMI

40 – 60 MIN

回放 log 驗證及細節調整

產出：用 log 回放驗證過的遠端 HMI 程式——不含 Dashboard / SCADA。

接下來呈現遠端 HMI、了解客戶方向後，再用 AI 做出 Dashboard / SCADA。

為什麼可行

這類工作剛好是 AI 的甜蜜點。

輸入是結構化的

Falcon 給出的不是模糊需求，而是明確的封包、位址、數值範圍。AI 有足夠具體的線索去推論每個暫存器代表什麼。

畫面本身就是規格書

HMI 上的欄位名稱、單位、按鈕與燈號，等於現成的 UI 規格與命名慣例。AI 讀圖後可直接對應到標籤與版面。

結果可以立刻驗證

寫出來的程式一連上 Falcon 就知道對不對——數值合不合理、單位有沒有錯。錯了就修，迭代週期是分鐘級。

交給 AI 的輸入包

context/ ├── scan-result.json 串列參數與站號 ├── capture-10min.csv 解析後封包紀錄 ├── tagmap-draft.yaml 初步標籤映射 ├── hmi-screen-01.png 主畫面截圖 ├── hmi-screen-02.png 參數設定頁 ├── hmi-notes.md 操作員說明 └── target.md 要做什麼: 遠端監控 + 產量報表

AI 產出（60 分鐘內）

out/ ├── tagmap.yaml 確認版標籤表 ├── client/ │ ├── mqtt_client.py 訂閱 Falcon 主題 │ └── modbus_tcp.py 直連讀寫 (選用) └── README.md 部署與點表說明 # Dashboard / SCADA：了解客戶方向後由 AI 製作，不含在這 60 分鐘內

誠實說明

一小時做出來的是雛型，不是驗收版。

我們不主張 AI 一小時取代整個 SCADA 專案。它取代的是「從零到第一個能看的東西」那段最耗人力、最難報價的階段。

一小時內通常做得到

讀值正確的遠端監看畫面、KPI 與趨勢圖、異常告警清單、可拿去給客戶或主管看的 demo。

一小時內做不到

安全性稽核、寫入權限與連鎖保護設計、長期資料庫規劃、正式驗收文件、以及所有需要現場實測的控制邏輯。

任何遠端寫入功能都應經過風險評估與白名單限制。AI 產出的程式一律需人工審閱後才可上線。

現場資料進去，遠端 HMI 出來。AI 只要一小時。