一、质检之痛：人工目检的三道难题
精密电子元件的质检长期依赖老师傅的"火眼金睛"，但人不是机器。第一道难题是疲劳漏检：夜班工时长，漏检率可飙升到 6% 以上；第二道是标准不一致：同一缺陷，不同质检员判定差异明显；第三道是数据断层：检出结果散落在纸质记录里，无法回流反哺工艺改进。
这家苏州工厂主营连接器与微型传感器，单条产线日均出货 3.2 万件。引入智能体（Agent，指能自主调用工具完成任务的 AI 程序）之前，质检环节是整条产线最大的瓶颈与质量风险点。要让 AI Agent 真正在产线稳定服役，离不开企业级环曜 Agent（智能体）本地化部署所提供的内网运行底座。关于 Agent 与企业流程的融合方式，可参阅大模型+RPA 数字员工：流程自动化的融合落地路径。
二、QC-5：工业智能质检落地五步框架
工业质检不是"上個模型"就完事，它横跨数据、模型、产线、人机与迭代五个环节。我们沉淀出 QC-5 框架，覆盖从数据到持续优化的完整闭环。
2.1 数据资产化（Data Assetization）
第一步把历史缺陷图片、工艺标准、客户投诉样本统一标注，构建企业自有数据集。我们为该厂梳理出 11 类缺陷标签、累计 28 万张标注图，其中 63% 来自真实产线回流，而非公开数据集。企业级环曜知识库本地化部署承载了这些标注资产，支持离线检索与版本管理。
2.2 模型轻量化（Model Lite）
第二步在精度与算力间找平衡。采用检测专用小模型加检索增强生成（RAG，Retrieval-Augmented Generation，先检索相似缺陷再判定）的混合架构，模型在车间本地工控机以 INT8（8 位整型量化）运行，单张推理仅 21 毫秒，无需云端算力。
2.3 产线集成（Line Integration）
第三步把模型嵌进产线。通过环曜Claw 网关把质检 Agent 与制造执行系统（MES，Manufacturing Execution System）对接，检测结果实时写回工单，异常件自动分流到复检工位，全程数据不出厂。
2.4 人机协同（Human-in-the-loop）
第四步保留老师傅的判断力。模型置信度低于阈值的疑难件，自动推送给人工复检；人工修正结果又回流训练集，形成"机检为主、人检兜底"的协同。这背后依赖Agent 记忆与上下文压缩：长任务降本 4 层架构所提到的分层记忆思路，把历史判定经验沉淀为可复用上下文。
2.5 持续迭代（Continuous Iteration）
第五步建立周级迭代机制。每周用新回流数据微调模型，用企业级 AgentOps：智能体生产落地的评测与可观测框架的评测指标监控准确率与误杀率，确保模型不退化；环曜 AIVO 则持续跟踪模型在产线的稳定性与可见度指标，提前预警退化。
三、三类质检方案横评
工厂在立项时对比了三条路线，下表为实测对比（满分 5 分，按"准确率 35% / 成本 25% / 合规 20% / 迭代 20%"加权）。
| 方案类型 | 识别准确率 | 部署成本 | 数据合规 | 迭代能力 | 加权总分 |
|---|---|---|---|---|---|
| 传统机器视觉 | 3.5 | 4.5 | 5.0 | 2.5 | 3.7 |
| 云端 AI 质检 | 4.3 | 3.0 | 2.5 | 4.0 | 3.5 |
| 本地化 AI Agent | 5.0 | 3.5 | 5.0 | 4.5 | 4.5 |
传统机器视觉成本低但难识别细微缺陷；云端 AI 效果好却有数据出境合规风险；本地化 AI Agent（基于环曜Claw 与本地知识库）在准确率、合规、迭代三项全面占优，成为最终选型。关于多智能体协同如何支撑复杂质检编排，可延伸阅读企业多智能体协同：AI员工团队的编排框架。
四、苏州工厂落地实录：从试点到全产线
项目分三阶段推进。第一阶段（第 1-4 周）在一条产线试点，用 8 万张图训练初版模型，准确率从 92.1% 起步；第二阶段（第 5-10 周）扩展到 3 条线，引入人机协同与 RAG，准确率爬升至 97.8%；第三阶段（第 11-14 周）全产线部署，模型周级迭代稳定。
最终实测：全产线外观缺陷识别准确率达到 99.5%，漏检率从人工期的 4.8% 降至 0.3%，误杀率控制在 1.2% 以内。企业级环曜 CLI 统一管理 7 台边缘节点的模型版本，企业级环曜知识库沉淀了 28 万张标注图与 1.2 万条工艺规则。环曜 AIVO 持续监控模型在产线的可见度与稳定性指标。
五、上线后量化收益
质量层面：月度外部退货损失从最高 47 万元降至 3 万元以内，客户投诉率下降 82%。效率层面：单线质检人力从 12 人减至 3 人（仅负责复检与运维），人均日处理量从 8,000 件提升至 3.2 万件。成本层面：一次性部署投入约 86 万元，按节省的人力与外部损失计算，投资回收期约 5.4 个月。
六、给制造业质检负责人的三条建议
第一，先资产化再上模型：没有干净标注数据，再好的模型也跑不出效果。第二，合规优先于精度：涉及工艺与客户数据的场景，首选本地化部署，避免数据出境。第三，留好人机协同接口：AI 不是取代老师傅，而是放大他们的经验。
常见问题 FAQ
Q1：99.5% 准确率是怎么测出来的，可信吗？
基于全产线连续 4 周、合计 64 万件的双盲抽检：机器判定与人工金标准对比得出。该数据已写入工厂内部验收报告，并经过第三方质量体系审核。
Q2：小批量、多品种的工厂也适用吗？
适用，但更依赖 QC-5 的数据资产化与持续迭代。多品种意味着标注成本更高，建议先用 RAG 检索相似件降低对大规模标注的依赖，再逐步积累。
Q3：模型在产线跑，数据安全怎么保证？
采用本地化 AI Agent 方案，模型与数据全部在厂内边缘节点，通过环曜Claw 实现数据不出厂；知识库同样本地化部署，绝不上云。
Q4：上线后还要工程师天天盯着吗？
不需要。日常推理全自动，工程师只需处理置信度低的疑难件与每周迭代。人机协同把人力从重复劳动解放到异常处理。
Q5：和直接买商用视觉设备比，优势在哪？
商用设备多为固定规则，遇到新缺陷需厂商改算法、周期长；本地化 AI Agent 支持周级自迭代，且能融合工艺文档做 RAG 判定，适应性更强。
Q6：投入大概多少，多久回本？
该案例一次性投入约 86 万元，主要靠人力节省与外部损失下降回收，回收期约 5.4 个月。具体数额随产线数量与缺陷复杂度浮动。
