01 质量异常为何发现晚、定位慢、反复发生？

制造业的质量管理正处在一个尴尬的位置：

一端，多品种、小批量、外部代工成为常态，工序动辄上百道，质量数据的体量和复杂度远超以往；

另一端，异常发现仍靠人工巡检、根因定位仍靠老师傅个人经验的企业依然比比皆是——系统上了不少，但质量管控的"感知"和"归因"两个关键环节，始终没有真正自动化。

在我们正在交付的一个智能体项目里，这种矛盾体现得很典型。

客户是一家光通信头部制造企业，同时运营多条产品线和对外代工业务，服务外部客户数十家——和大多数同类工厂一样，这家企业的质量管理一度被四个问题反复困扰——

【图|制造质量管理的四大痛点】

一是数据分散、口径不一。

质量数据散落在个人电脑的表格与邮件里，各产品线各有一套指标口径，跨线汇总对比缺少统一的数据基础。

二是异常发现滞后。

质量异常主要靠人工巡检和客户投诉事后发现，缺少基于统计过程控制（SPC）与检验数据的自动触发机制。

三是根因定位周期长。

一次异常从发现到定位根因可能超过一周，归因依赖工程师个人经验在多套系统间翻查数据，判定标准因人而异。

四是改善闭环缺跟踪、经验难沉淀。

改善措施靠人为跟进，成效缺乏量化验证，同类问题反复发生；历史处理结论散落在报告和个人记录中，核心经验随人员流动而流失。

做完诊断，我们和客户的质量团队达成共识：

这些痛点单看都不新鲜，但根子是同一条——质量管理长期靠"人工+经验"驱动，数据割裂在多套系统里，归因知识存在少数老师傅脑中。

传统系统解决了数据的记录和统计，解决不了语义理解和跨系统推理——这正是这轮大模型与智能体技术能补上的一环。

02 智能体改变了什么，我们坚持了什么？

顺着这条思路，我们和客户的质量团队一起设计了一套质量数据分析与根因智能体方案。

回看整个方案，它改变的不是某一环节，而是质量管理从"感知"到"执行"到"沉淀"的整个工作方式；其中有几条原则是我们刻意坚持的，也是同类项目最值得参考的部分。

【图|质量智能体六阶段闭环】

它改变了数据的使用方式——从"人找数据"到"数据找人"。

过去工程师做一次根因分析，要在检验记录、工单、来料数据之间来回切换，把信息一点点手工拼起来。现在，与质量相关的数据每天自动汇总成一套口径统一的质量数据集。工程师打开系统，面对的是整理好的证据，而不是等待拼接的原始数据。

它改变了异常的感知方式——从"事后发现"到"实时触发"。

不良率、直通率、SPC控制图等指标按日、按班次滚动监控，一旦越过阈值，当天自动触发根因分析——而不是等到下周的质量巡检，或者客户的投诉电话。对管理者来说，变化很直接：质量日报、月报自动生成，异常从"被动接投诉"变成"主动收警报"。

它改变了根因的定位方式——从"经验归因"到"系统化归因"。

过去定位根因靠老师傅的经验，标准因人而异，周期以周计。现在，系统沿人、机、料、法、环、测六个维度生成候选假设，自动调取异常批次的检验记录、批次履历和历史案例交叉验证，输出一份根因拆解报告——哪些结论有数据支撑、哪些是有依据的推断、可靠程度如何，一清二楚。AI不直接拍板，证据不足时明确建议转人工。

它改变了改善的闭环方式——从"人为跟进"到"闭环验证"。

根因明确后，系统按责任部门自动派发任务：现场核查工单、来料问题联动供应商整改、重复异常自动升级提醒，处置结果在系统内回填确认。改善措施生效后，系统按同一口径持续跟踪相关指标，验证措施是否真正起效——而不是措施发出去就石沉大海。经验证的结论沉淀进企业自己的质量知识库，成为组织资产，而不是随人员流动流失的个人笔记。

回看下来，关键在我们坚持的三条原则。

一是分工明确，不让大模型做它不擅长的事。

定量指标与异常判定走规则引擎，语义归类与归因推理走大模型，案例匹配走向量检索——规则保证确定性，模型处理开放性任务，各司其职。

二是人在回路，AI只有建议权。

根因结论必须经质量工程师确认才能入库，改善任务以人工反馈为准关闭——既发挥AI的效率，又守住业务的严谨。这是我们在方案里坚持得最坚决的一条。

三是最小侵入，接入而非重建。

只读取数、最小写入，复用企业已有算力与数据底座。智能体由此成为与工程师相互印证、彼此校准的"智能助手"，而不是取代人的黑盒。

【图|质量管理模式的新旧对照】

03 其他企业值得做吗？有条件做吗？

对于想引入这类智能体的企业，核心问题可以归结为两个：值得做吗？我有条件做吗？

先说值得做——这个项目的价值是具体、可度量的。

根因定位时长从可能超过一周压缩至不超过2个工作日；检验异常、SPC异常当天即可自动触发；质量月报自动化比例提升至80%以上；归因方向正确率在验证中不低于85%，改善闭环率不低于80%。

对同类问题反复发生、重复损失明显的制造企业而言，这一投资回报清晰可见。

再说有没有条件做——这个项目验证下来，落地要过四道关，想引入的企业需要逐项确认。

【图|质量智能体落地路径】

一是数据关。

口径统一是硬前提：不良率、直通率、客诉率等指标全公司统一定义，质量数据能按批次追溯。数据基础不到位的环节，宁可用人工补齐过渡，也不能带着乱口径上线。

二是组织关。

质量部门要有人真正"接住"智能体：归因结论需要专人确认和裁决，车间要配合现场核查，质量经理要承担升级处置，SQE要跟进供应商整改。智能体放大的是组织的执行力，而不是替组织把活干了。

三是知识关。

归因标准要先量化入库：缺陷判定标准、5M1E分类边界都要经质量部门确认，历史8D报告整理成案例——这是智能体推理的"教材"，教材越扎实，归因越靠谱。

四是技术关。

企业需要具备基本的部署环境和各业务系统的数据访问授权。这类方案可以复用企业已有的算力和数据底座，不需要另起炉灶。

最后一条建议：分期推进、复用底座、以人建信。

以我们本次的项目为例，是按"数据准备→试点验证→推广建设→优化上线"四阶段推进的：先在一条产品线试点月报自动化与根因分析，与人工并行比对、结果可信后再推广到全部产品线，全程不新增独立算力集群。

对具备基本数据基础、愿意投入组织协同的企业来说，从一条产品线试点切入，是既稳妥又可见效的路径。

如果您正在规划AI智能体的应用，或有落地实操、踩坑的经历，欢迎在评论区分享。

关注【科瑞斯达】官方公众号，了解更多前沿资讯及落地经验

分享至：

下一篇: 你的供应链AI项目，可能只是打了个补丁

返回上级

01 质量异常为何发现晚、定位慢、反复发生？

02 智能体改变了什么，我们坚持了什么？

03 其他企业值得做吗？有条件做吗？

● 添加客服微信