案例19｜異質工具黑箱：規則、機器學習與檢索增強生成如何並存

一、案例定位

本案例涉及人工智慧（Artificial Intelligence, AI）。理解編排器為何只需要知道工具介面、輸入與能力。

本案例依原書第 4 章的框架、範例或情境重組，並非原書正式案例研究。

二、學習目標

辨識工具可採用的不同底層技術。
理解黑箱與介面抽象。
說明個別工具可有自己的支援層。

三、案例情境

原書圖 4-6 的中央編排器連接供應商配對、價格預測、預測維護與情緒分析四個工具。工具可由規則邏輯、機器學習（Machine Learning, ML）或大型語言模型（Large Language Model, LLM）建立。LLM 工具可有自己的檢索增強生成（Retrieval-Augmented Generation, RAG）層，ML 工具也可有批次或即時資料管線；但這些內部細節對編排器維持黑箱。

四、開始資料

層次	原書內容
編排器知道	工具存在、輸入、能力與端點
編排器不需知道	工具內部實作細節
可能底層	規則邏輯、ML、LLM
LLM 支援層	可包含 RAG
ML 支援層	可包含批次或即時資料管線
部署	每個工具可獨立端點

五、Excel／AI 分析方法

在 Excel 建立工具介面目錄，記錄名稱、用途、輸入、輸出、端點與服務狀態；內部技術另列為維護資訊，不作為編排器必要輸入。

六、計算結果

原書沒有可直接計算的數據，因此不補造結果。

七、結果分析與管理解讀

黑箱設計使異質工具可替換、重用與擴充。這不是說內部品質不重要，而是編排器透過穩定介面使用能力。

八、AI 提問詞

請依工具介面目錄判斷編排器需要知道哪些資訊；內部模型或資料管線若未提供，不得推測。