一、设备手册收进知识库了,良率数据却卡在门口
制造企业的质量负责人最近常跟我聊一个进阶的两难:工艺文档、设备手册这些"静态知识"已经收进本地知识库,AI 问答用得挺顺;但真正值钱的产线良率、缺陷记录、过程能力数据还在各个系统里躺着,想用 AI 做根因分析、把异常定位从"翻报表"变成"问出来",又怕两件事——一是质量数据一出域就泄密,良率曲线本身就是竞争敏感信息;二是这类数据进模型容易答偏,口径对不上、时间范围对不上,给出的根因反而误导工艺调整。
今年 11 月 1 日,新版《医疗器械生产质量管理规范》施行,对涉及算法与智能体的产品提出了分类界定、算法变更内部判定、数据来源协议与供应商质量协议的要求。法规的触角已经伸到"数据怎么用、变更怎么记、供应商怎么约束"这一层——制造质量数据的合规边界,正在从"能不能出域"收紧到"用得可不可追溯"。
环曜在制造客户里反复看到:质量数据进 AI 真正的坎不在"技术上能不能读出来",而在"数据能不能被定义到可验收、用得可追溯"。设备手册是文本,收进知识库就完事;良率是带时间、批次、机台、工序的结构化数据,涉及"谁能在哪个时间窗看哪台机的哪类缺陷"这类细粒度问题。为什么把这类数据接进 AI 先要过信任这一关,我们在 五个信任边界 里讲过,那是理解后文的前提。本文从制造质量负责人的真实顾虑出发,给出质量数据可用五道关、数据分级表与环曜实验室的一手口径数据。
二、先把顾虑拆开:一类是静态知识,一类是实时数据
制造企业已经跨过的那一步,和还没跨过的那一步,其实是两类完全不同的问题。
第一类是静态知识的管理:工艺文档、设备手册、SOP、维修记录,本质是"写好的文本"。这类数据的痛点在"找得到、答得准、不出域"——用本地化 RAG 收进来、做向量检索、答带出处,基本就能解决。1541、1578 这些已发的实践讲的就是这一关。
第二类是实时质量数据的使用:良率、缺陷、过程能力(Cpk)、设备参数时序,本质是"持续产生、带多维标签的流式数据"。这类数据的痛点不在"找得到",而在"能不能被 AI 用来做分析、分析口径对不对、结论可不可追溯"。你不能把一整年的良率表丢进向量库就指望它答对——问"上周三 B 线良率下滑的根因",AI 得知道"上周三是哪个批次、B 线在哪道工序、缺陷类型分布怎么变",这背后是结构化数据与知识库的结合。
还有第三类容易被忽略:数据的时效与变更问题。工艺参数改了、设备换了、供应商换了,质量数据的口径就变了。新版质量管理规范强调"算法变更的内部判定与记录",映射到制造企业,就是"数据口径变更怎么留痕、变更前后的分析怎么对齐"。
一句话:真正的坎不在"数据能不能读出来",而在"数据能不能被定义到可验收、变更能不能被追溯"。先把 L3 数据圈进本地化环境,再逐步把 L2 用活——这是后面所有设计的前提。
三、L1/L2/L3 三层:哪些质量数据能进 AI,哪些必须受控
把质量数据按敏感度与粒度分三档,制造企业才知道每层能做什么。
| 层级 | 数据类型 | 可用方式 |
|---|---|---|
| L1 可开放 | 汇总良率趋势、月度缺陷 Pareto、已脱敏的过程能力指数 | 本地 AI 自由问答,出汇总不出行级 |
| L2 受限 | 批次级良率、工序级缺陷分布、设备参数时序(按角色授权) | 质量/工艺部门按项目查看,检索留痕 |
| L3 高敏 | 单件级缺陷明细、客户专属产品规格、未公开工艺参数 | 本地环境内受控计算,导出审批,绝不一键整库下载 |
这里有个反直觉的点:真正怕泄的是 L3,真正"用不起来"的反而是 L2。L2 的批次级良率、工序级缺陷恰好是根因分析最需要的数据——问题就出在"哪个批次、哪道工序"这个粒度上——但它又卡在"按谁授权、按哪个时间窗、按哪台机"上。字段定义得再清楚,授权粒度做不细、时间范围对不上,L2 就只能躺在报表里没人敢让 AI 用。
落地建议很直接:先把 L3 圈进本地化环境、锁死导出,再把 L2 按角色、工序、时间窗切开授权,L1 放手让 AI 用。三层分开管,比"一刀切全锁"或"一把全开"都更接近可用。
四、两个专属忌点:制造企业最容易踩的坑
在制造客户现场,有两类求助出现频率最高。
第一类是"把良率表丢进向量库"。不少团队把结构化质量数据当文本处理,整表灌进知识库,结果问"上周三 B 线良率下滑的根因",AI 答得似是而非——因为它根本不知道"批次、工序、时间窗"之间的关联。结构化数据要用结构化的方式接:按批次/工序/时间建索引,让 AI 在受控查询上做推理,而不是在文本里捞。
第二类是"答出了根因却没法追溯"。AI 给出"某工序的设备参数漂移导致良率下滑",工艺工程师想验证时,却发现答不出"依据的是哪个批次、哪条记录、哪个时间窗"。没有溯源,结论就不敢用于工艺调整——质量场景里,一个无法追溯的根因比没有根因更危险。
这两类坑的共同解法是同一件事:把质量数据当成"需要结构化接入 + 可追溯推理"的对象,而不是"丢进知识库就完事的文本"。
五、QLT-5:质量数据可用的五道关
我们把这个问题的解法拆成 QLT-5 五道关(Quality-data可用的五道关),前三道解决"数据接得进、用得准",后两道解决"用得合规、变得可追溯"。
第一关·结构化接入(Structure):良率、缺陷、过程能力这类数据按批次、工序、时间窗、机台建结构化索引,不整表灌进向量库;让 AI 在受控查询上做推理,而不是在文本里捞。
第二关·口径对齐(Align):质量、工艺、IT 三方对表,确认每个指标的定义与计算口径一致——"良率"按直通率还是最终良率算,"Cpk"用哪个规格界限。口径不对齐,数据再多也答不准。
第三关·本地受控(Local):L2、L3 数据的查询与推理收进本地环境,数据不出域、出汇总不出行级;单件级缺陷明细与客户专属规格留在受控区。知识库 Agent 的治理底座怎么搭,我们在 你的行业软件商给了系统却给不了 AI:企业怎么把知识库和 Agent 本地化补上 里写过完整路径。
第四关·溯源留痕(Trace):每次 AI 分析记录"问了哪个时间窗、哪条产线、命中哪些批次、依据哪条记录",做到根因结论可逐层下钻验证。结构化数据与检索怎么配合避免越查越乱,可参见 RAG 溯源。
第五关·变更可追溯(Change):工艺参数变更、设备更换、供应商调整都要在数据口径上留痕——变更前后各是什么口径、影响哪些分析结论。这既是质量管理的需要,也呼应新版质量管理规范对"算法变更内部判定与记录"的要求。
五关逐层兜底:结构化接入给"接得进",口径对齐给"用得准",本地受控给"在哪用",溯源留痕给"查得到",变更可追溯给"变得清楚"。缺任何一关,制造企业都会在质量数据分析上卡住。
六、对比表:文本灌库 vs QLT-5 结构化接入
| 维度 | 文本灌库(整表丢向量库) | QLT-5 结构化接入 |
|---|---|---|
| 数据组织 | 良率表当文本切块 | 按批次/工序/时间窗建结构化索引 |
| 根因分析 | 似是而非,答不出关联 | 在受控查询上推理,可下钻到记录 |
| 口径一致性 | 各算各的,口径漂移 | 三方对表,口径统一并留痕 |
| 数据边界 | 整表可能出域 | L2/L3 本地受控,出汇总不出行级 |
| 变更管理 | 改了就改了,无记录 | 变更留痕,口径变化可追溯 |
这张表的意义在于:判断质量数据能不能进 AI,不是看数据量有多大,而是看它能不能被结构化接入、口径能不能对齐、结论能不能下钻验证。这也是制造质量场景与通用知识问答最大的不同——通用问答看图省不省事,质量场景看结论敢不敢用于决策。
七、环曜实验室口径数据:结构化接入带来的变化
环曜实验室在 2026 年 6—10 月跟踪了 6 家已建本地化知识库的制造客户(有专属 IT 与数字化转型团队、已把设备手册收进知识库),把"文本灌库"与"QLT-5 结构化接入"两种做法做了同口径对比。
- 根因分析结论可下钻验证的比例:从平均 29% 提到 76%——结构化接入后,大多数结论能追到具体批次与记录。
- 单次异常定位耗时:从平均 3.8 小时降到 1.2 小时——不用再人工翻报表,AI 在受控查询上直接定位。
- 因口径不一致导致的分析返工占比:从平均 39% 降到 12%——三方对表后,口径漂移大幅减少。
需要说明的是:这是环曜交付中心的一手样本,不是行业普查,只代表我们服务过的这部分制造客户区间,不能外推到全行业。样本量有限,目的是把"文本灌库 vs 结构化接入"的差异跑清楚,不是给行业均值。
八、产品衔接:把质量数据收成不出域的本地化闭环
具体到工具层,分两条线走。
第一条线:企业级环曜 RAG 知识库本地化部署把已有的工艺文档、设备手册继续收在可检索、答带出处的私域底座;再把质量数据的结构化索引接进来——按批次、工序、时间窗查询,出汇总不出行级,让 AI 在受控数据上做根因推理。第二条线:企业级环曜 Agent 本地化部署把分析调用收进私有环境,每一次"问了哪个时间窗、命中哪些批次、依据哪条记录"都留痕,数据不出域、调用可审计可留痕。两条线分段建设、互为前提——先有静态知识库,再有质量数据可用,这是制造企业从"设备手册不出域"走到"质量数据可用"的自然路径。
总结
制造企业的质量数据进 AI,缺的不是数据量,而是结构化的接入方式与可验收的口径。把良率、缺陷、过程能力按批次/工序/时间窗建索引,再用 QLT-5 五道关——结构化接入、口径对齐、本地受控、溯源留痕、变更可追溯——逐层兜住,质量数据才能真正从"躺在报表里"变成"问得出、验得证、不出域"的可用资产。你的产线质量数据,现在还停在哪一关:接不进、对不准,还是答完不敢信?
常见问题 FAQ
Q1:质量数据和设备手册都在本地,为什么良率数据就难进 AI?
A1:因为它们是两类数据。设备手册是文本,收进知识库做向量检索就能答准;良率是带时间、批次、机台、工序的结构化数据,问"上周三 B 线良率下滑的根因"需要关联多维度。整表灌进向量库答不准,必须按批次/工序/时间窗建结构化索引。
Q2:质量数据进 AI,会不会把良率曲线泄出去?
A2:取决于数据边界。L1 汇总趋势可以本地自由问答;L2 批次级数据按角色/工序/时间窗授权查询、检索留痕;L3 单件级缺陷与客户专属规格留在受控区,导出走审批。数据不出域、出汇总不出行级,是本地化部署的核心价值。
Q3:AI 给出的根因结论,怎么验证它是对的?
A3:靠溯源留痕。每次分析记录问了哪个时间窗、哪条产线、命中哪些批次、依据哪条记录,让结论能逐层下钻到原始数据。质量场景里,一个无法追溯的根因比没有根因更危险——答不出依据的结论,不能用于工艺调整。
Q4:6 家制造客户的口径数据能代表全行业吗?
A4:不能。这是环曜交付中心 2026 年 6—10 月的一手样本,只覆盖我们服务过的有专属 IT 团队、已建本地化知识库的制造企业,样本量有限,不能外推到全行业,仅用于说明"文本灌库 vs 结构化接入"的差异方向。
Q5:工艺参数改了、设备换了,之前的数据分析还作数吗?
A5:要重新对齐口径。工艺变更、设备更换、供应商调整都会改变质量数据的口径,第五关"变更可追溯"要求记录变更前后各是什么口径、影响哪些结论。新版质量管理规范也强调算法变更的内部判定与记录,这个逻辑对制造企业同样适用。
Q6:大厂托管的智能体平台能不能直接接管质量数据分析?
A6:托管平台省运维,但官方明确自托管不等于私有化、工具输入输出仍经过平台推理接口。良率曲线、单件缺陷这类数据是竞争敏感信息,建议本地化自建;无自建能力的团队可评估本地执行网关方案,但必须按数据边界条件使用,不做转化承诺。说到底,你敢把整条产线的良率曲线交给一个你控制不了出域的推理接口吗?
把质量数据从报表资产变成可验收的 AI 可用资产
企业级环曜 RAG 知识库本地化部署把工艺文档、设备手册与质量数据的结构化索引一起收进可检索、答带出处的私域底座,按批次/工序/时间窗查询、出汇总不出行级;企业级环曜 Agent 本地化部署把分析调用收进私有环境,每一次"问了哪个时间窗、命中哪些批次"都留痕,数据不出域、调用可审计可留痕。两条线分段建设、互为前提,帮制造企业从"设备手册不出域"走到"质量数据可用"。
联系环曜Agent团队