不買新系統、不用改架構，凍俐智能開發「給手冊就會動」的工業級 AI Agent

許多企業在數位轉型的路上，最大的門檻是那些運作了 10 多年的「遺留系統」。

「企業現在面臨的窘境，是既有系統沒辦法說換就換，但人員來來去去，舊系統誰開發的早就不可考。現在不管要維護、要學習的成本都很高。」凍俐智能的創辦人暨執行長李建霖（首圖右）説。

為此，凍俐智能提出了「賦能」的概念，不要求企業放棄舊系統，而是透過「AI Agent」直接對既有系統進行賦能。讓企業在不改動架構的情況下，只需將既有系統的操作手冊和 SOP 等文件直接餵給 AI，就能讓 AI Agent 具備自主學習、跨系統操作的能力。

而這套賦能邏輯的實證場域，更成功從傳統生產線、跨國貿易流程走入智慧建築領域。

以國際實戰經驗，鍛鍊出工業級的 AI 知識庫

李建霖在成立凍俐智能前，在軟體領域已有超過 10 年的創業經驗。早期專精於 App 的開發，曾參與過社群媒體、訂餐系統以及地圖應用等多樣化的專案。

在 ChatGPT 問世前，他就已嘗試利用機器學習進行股票趨勢預測。憑藉扎實的技術實力，更曾登上國際舞台，赴泰國擔任聯合國專案事務廳（UNOPS）技術顧問，參與採購與供應鏈系統的數位化轉型專案。

回到台灣後，李建霖加入一家雲端服務商的 IT 部門，並因跨部門同事的分享，首次接觸到 AI Agent 的概念。但他很快發現，當時公司的 AI 技術難以解決企業的實際需求，不僅回答準確率低，也常出現幻覺的問題。他認為，如果能從底層演算法著手改善，就有機會打造符合企業需求、具備工業級可靠性的 AI Agent，因此決定再次踏上創業之路。

在建立出 AI 知識庫的核心架構後，透過朋友牽線，李建霖認識了泰國最大的陶瓷工廠「泰正德」。這家擁有超過 4,000 名員工、長期為國際品牌代工的製造大廠，成為凍俐智能第一個驗證產品的場域。

當時，工廠正因人員流動率高而面臨知識傳承的困擾，過去長期仰賴第一線人員經驗與紙本文件，使新進員工需要花費相當長的時間才能熟悉工作流程，也進一步影響整體產能。凍俐智能讓 AI 學習工廠內上萬份操作手冊、SOP 與技術文件，建立出企業專屬的 AI 知識庫。讓新進員工只需向 AI 提問，系統便能根據既有知識提供精準的答案與操作指引，將經驗轉化為所有人都能即時運用的能力。

在驗證知識庫的賦能效益後，李建霖進一步打造具備執行能力的 AI Agent，將應用從知識管理延伸至企業流程自動化。

以貿易公司常見的報價流程為例，業務人員每天都需要處理大量來自世界各地的詢價信件，不僅容易漏信，也必須花費許多時間查詢庫存、確認價格，再整理成報價單。

凍俐智能的 AI Agent 則能夠主動監測信箱，即使面對英、日文等不同語言，也能辨識客戶需求與採購意圖，接著自動登入企業內部的庫存與報價系統，跨系統查詢所需資訊，最後完成報價單草稿，讓業務人員僅需確認即可發送。

「原本需要一週才能做完的工作，現在透過 AI Agent，大約花半天來檢查草稿即可完成。」李建霖表示，這也證明 AI 的價值已不再只是答題，更能操作既有軟體，成為企業內部的數位人力。

不必再盯著上百個 Dashboard，讓 AI 成為「智慧建築」的操作介面

在產品開發的過程中，李建霖因為需要 PM 視角的意見，而想到了大學至今已認識超過 20 年的好友鄭仰傑（首圖左），於是主動打電話詢問他對產品功能的看法，兩人在頻繁的聯繫過程中，逐漸成為了共同創業的夥伴。

鄭仰傑在加入團隊前，曾在遠傳電信負責智慧建築相關專案，累積了多年的產業實戰經驗。凍俐智能也因為他的加入，而將 AI Agent 這套「操作舊系統、理解新任務」的賦能邏輯，引入建築工程營造（AEC）產業。

所謂 AEC 產業，涵蓋了從建築設計、工程施作到營造管理，一棟建築從無到有、再到後續維運的完整生命週期。「智慧建築的目標，是將建築內的電力、空調等各類設備的運作資訊化，來進行後續的管理與分析，而這通常是機電公司所負責的領域」鄭仰傑説。

但對許多智慧建築的物管人員而言，日常工作就是面對各式各樣的控制介面。從監視器、空調到電力能源管理，每套系統都有獨立的數據儀表板，在大型建案的管理室中，管理員甚至得同時盯著上百個小螢幕。

這樣看似數位化的場景，背後卻有著極大的效率問題。

由於每套系統的操作邏輯不同，當異常發生時，管理人員必須跨系統找出關聯，這高度仰賴一線人員的經驗與反應速度。但一般物管人員或巡檢警衛對於各類「資訊系統」並不熟悉，當異常發生時，做到紀錄、通報後，就只能等待工程人員前來檢修處理。

如果發生的是像供水系統異常，而造成整棟樓斷水的狀況，一線人員若無法在第一時間判斷出故障原因，就會錯過處置時間，直接衝擊住戶的日常生活。

凍俐智能想切入的，正是 AEC 產業「建築管理系統」的核心。

透過 AI Agent 學習系統的操作手冊、檢修流程與技術文件，讓物管人員不需要學習多種複雜的軟體介面，只需透過自然語言詢問 AI，就能在第一線做到即時處理，減少因操作延誤而影響住戶生活品質或安全的問題發生。

凍俐智能的AI Agent 操作畫面示意凍俐智能的 AI Agent 運作畫面示意。第一線物管人員只需對右側的 AI Agent 下達指令，Agent 便會自動橫跨空間預約、智慧環控與維運報修等系統，協助完成如「找出 B 棟 8 樓空調異常的原因、並一鍵生成報修單」，展現強大的執行力。凍俐智能

從零幻覺技術到 Edge AI 落地，打造出工業級的 AI Agent

凍俐智能之所以能夠切入規範嚴格、且容錯率極低的製造產線及 AEC 產業，關鍵在於其核心引擎強大的底層架構。

首先，為了消除 AI 幻覺，能提供正確答案，團隊採用「混合檢索（Hybrid RAG）」，以語義向量搜尋結合關鍵字精準匹配。並具備「權限控管」機制，確保基層員工無法越權查詢企業內部的機密資訊。

其次，在確保 AI「做對事」的方面，由於傳統 AI 容易因任務複雜而產生隨機偏差，他們採用「確定性編排（Deterministic Orchestration）」，以結構化的 Python 工作流，確保 AI 的每一步推理與執行路徑都具備 100% 可審計、可追蹤且可重現的特性，讓任何異常都能被精確抓出。

在賦予 AI「執行力」的系統串接上，凍俐智能更導入了標準化的 MCP 介面。這套架構就像是萬用插頭，讓 AI 能夠無痛串接 ERP、CRM 與工業設備系統，企業無需汰換舊有 IT 架構，即可將 AI 應用於既有作業流程中，代為完成繁瑣的系統操作。

除了軟體架構，凍俐智能也積極布局 AI 在邊緣端的應用。

團隊近期入選高通創新競賽加速器（QITC），期待透過高通的協助，讓所有運算能直接部署在企業內部的私有伺服器或本地設備上執行、降低企業對於資料外洩的疑慮。

在商業模式的部分，對於智慧建築、製造現場等偏好採用邊緣運算的應用，由於多數情境部署於企業內部設備，因此團隊規劃採取「專案買斷模式」，部分任務如果需要串接雲端大型模型，則會參考 SaaS 的模式，根據 Token 使用量另行計費。

目前，凍俐智能已逐步從智慧建築領域，跨入 AI 資料中心與大型機電專案，並持續拓展台灣、日本與東南亞市場。

面對快速增加的市場需求，團隊近期也啟動 Pre-Seed 輪募資，目標募資金額為 150 至 200 萬美元。這筆資金將主要將用於加速產品的開發以及技術人才的招募。