본 연구는 사출 성형 산업에서 숙련된 작업자의 퇴직과 다국어 장벽으로 인한 지식 이전의 어려움을 해결하기 위해 대규모 언어 모델(LLM) 기반의 다중 에이전트 프레임워크인 IM-Chat을 소개합니다. IM-Chat은 제한된 문서화된 지식(예: 문제 해결 테이블, 매뉴얼)과 환경 입력(온도, 습도)으로부터 최적의 제조 설정을 추론하는 데이터 기반 공정 조건 생성기를 통해 모델링된 광범위한 현장 데이터를 통합합니다. RAG (retrieval-augmented generation) 전략과 모듈형 아키텍처 내의 도구 호출 에이전트를 채택하여 미세 조정 없이 적응성을 보장합니다. GPT-4o, GPT-4o-mini, GPT-3.5-turbo에 대한 성능은 100개의 단일 도구 및 60개의 하이브리드 작업에 대해 전문가에 의해 관련성 및 정확성에 초점을 맞춘 10점 척도로 평가되었으며, 도메인에 적합한 지침 프롬프트에 의해 안내되는 GPT-4o를 사용한 자동 평가로 보완되었습니다.
