质量检验智能化

质量检验要解决的核心问题包括：让检验标准、缺陷案例、成因分析、控制措施在企业内部便于查询、统一口径、可追溯。检验规范分散在多份受控文件里。把检验规范、缺陷记录、客诉单解析成结构化数据，再用知识图谱把产品、工序、缺陷、成因、控制措施连成一条链。

检验规范走样的问题出在哪里？

一份产品的检验要求通常分散在图纸、检验规范、作业指导书、技术协议与客户特殊要求里，任何一份更新，都会让其他几份的表述失去一致。文件控制要求文件发布前经过批准、改版留记录、作废版本可识别、现场使用现行版本。这些要求在纸质与本地文件夹的环境里执行成本高，检验标准若未及时同步，可能导致不同班组依据不同版本执行。

术语不统一更隐蔽。同一个表面缺陷，检验记录里写"划伤"，维修单写"擦伤"，客诉单写"表面损伤"，三个系统各说各话，统计口径对不上，缺陷热力图和 Pareto 分析都失去数据基础。术语表与缺陷编码体系是统一口径的前提。

缺陷分级同样要先定清楚。弄清不同的接收质量限与处置方式，致命缺陷通常零接收，轻微缺陷允许一定比例。

8D 报告要求走到根因并横向展开，实践里 5Why 有时停在“操作不当”“培训不到位”这类较难量化验证的层面。真因往往藏在工艺参数、设备状态、来料批次、环境记录之中，这些数据分布在 MES、ERP、检验系统与设备采集系统的不同表里，跨系统人工比对耗时较长，控制措施写进报告后回写到检验规范和 FMEA 的流程也需进一步完善。

文档解析

PDF 由页面描述语言派生而来，设计目标是打印出来长什么样，机器要读懂其中的含义则要额外处理跨页表格、图注与扫描件，扫描件还要先做文字识别。转成文本之后，切分方式更关键，按固定字数切开会切断条款的完整语义，按条款、工序、缺陷类型做语义切分，每个片段才能独立成立、可以单独被溯源。

切分之后要做向量化。文本嵌入技术从早期的词向量发展到句向量，中文嵌入模型 BGE-M3 同时支持稠密向量、稀疏向量与多向量三种检索形态，同一段话既能按语义匹配，也能按关键词匹配。

知识图谱

在质检场景里，节点可以是产品型号、工序、设备、缺陷模式、成因、控制措施、客诉单、供应商批次，边可以是"属于""产生""导致""由……控制"。

在路径查询上，查某型号外壳在注塑工序出现的缩水由哪些工艺参数引起、对应哪些控制措施，图数据库沿着边走就能得到完整路径，关系数据库则需要多表关联查询。FMEA 的表结构在这里也条件复杂时查询语句较为繁琐。能直接映射，失效模式、失效原因、严重度与探测度、现行控制措施恰好对应一组节点与边。

RAG 问答

检索增强生成的思路是给生成模型外挂一个知识库，先检索再生成，有助于缓解模型凭空编造内容的问题。在质检现场，提问进来先做混合检索召回相关片段，模型基于这些片段组织答案，答案后面附上文件名、版本号、条款号。

Agent 工作流：让缺陷分析报告自己跑起来

智能体的基本范式是推理与工具调用相结合，工作流引擎可用有向图和状态机管理节点流转，可配置条件分支、并行执行与状态持久化，长任务中断后可以从检查点续跑。配置成质检流程之后，新缺陷记录入库会自动触发相似缺陷检索，图谱侧查询同工序同设备的历史成因，汇总生成含疑似根因与建议措施的报告初稿，推送给质量工程师确认，再触达 FMEA 与检验规范的更新提醒。人在关键节点做判断，机器负责检索、比对、起草，闭环效率与知识结构化程度密切相关。

小艾智能体的对应能力

小艾智能体架构可集成文档处理引擎，支持 PDF、Word、Excel、图片等格式的解析与语义切分；可配置向量检索与关键词检索组成混合召回；可接入图数据库承载产品、工序、缺陷、成因、控制措施之间的关系；工作流引擎可将缺陷分析与整改提醒编排成可运行的流程，内置节点覆盖条件分支、文本摘要、数据提取与外部接口调用。系统可支持私有化部署，模型可根据场景选用不同方案。