神燈 APS 的研發始於 1997 年。當時採用最典型的 ERP架構 + 逆向排程，希望以傳統程式邏輯解決生產排程難題。然而，實際上線後卻發現：這套方法根本無法處理真實工廠的複雜性。

1999 年，果斷放棄原有系統，重新打造排程演算核心。雖然初期只能同步計算產能與材料兩大要素，相較於 ERP架構 + 逆向排程 已有顯著進步。

2001 年，我們迎來第一個成功案例，當時的系統功能可以解決產能與材料的衝突。用戶的"進度追蹤會議"與"缺料追蹤會議"頻率下降，關心的焦點轉移到現場實際執行生產作業面臨的限制。雖然還有許多問題等待解決，但是已經讓用戶擺脫Excel排程與MRP運算結果相衝突的惡性循環，也看見更大的可能性。

接著，一段意想不到的契機帶來重大突破。神燈APS得以同步計算產能、材料、水、電、人力、模治具等多重限制，並產出符合製造現場期望的機台派工結果，成功跨越了讓其他研發團隊望之卻步的門檻。此時的功能已經從排程擴大到自動派工，以具有高度可行性的派工資料確保完工出貨日期的可信度。

發展到這裡，系統中已經具備 生管-產能/物控-材料/製造-各類資源 三大區段資訊同步運作互相溝通的功能，接下來進入一段漫長的產品化路程。

當生成式 AI 崛起時，許多人質疑神燈APS「沒有使用 AI」。但兩年後，市場逐漸理解：生成式 AI 並非萬靈丹，真正能發揮效益的，是能自主協作、能處理複雜決策的 代理式 AI（Agentic AI）。

也就在這時，我們驚覺：

神燈 APS 的核心架構，早就已經徹底落實代理式 AI的重要精隨。

系統內建三個代理，分別對應生管、物控、製造三大職能，各自驅動精密演算法，追求最佳排程解。然而，這三個角色在真實工廠中的思維與目標本就不同，衝突與資源競爭在所難免。

我們也曾像其他團隊一樣，讓用戶選擇「優先考量某一因素」來避免衝突，但實務證明：這仍無法滿足製造業的期待。

投入大量資源之後，終於打造出關鍵性的第四個角色 : 一個能自動選擇目標、協調三大代理、並做出最終決策的仲裁機制。這段經歷讓我們知道 "建立符合目標需求的仲裁機制，才能展現出代理式AI的效益。"

它會綜合評估交期急迫性、資源配置、作業效率，並在多個代理的競合之間做出最符合實際需求的排程決策。

這就是神燈 APS 能在高度複雜的製造環境中, 長期穩定運作為製造業帶來優勢的真正原因。