每天自动扫一遍质量数据，再把异常发到群里，技术上可能很快就能跑通。真正影响使用效果的，是这些消息是否可信、是否发给正确的人，以及收到之后有没有后续处理。生产质量巡检 Agent 应覆盖从发现到复验的工作链。
第一版不需要让 AI 决定停线或修改工艺。先让它做好数据核查、异常解释、责任定位与处理跟踪，已经能减少人工每天翻报表的重复工作。
扫描之前先定数据口径
企业需要明确批次范围、统计时点、质量指标、阈值来源和排除条件。例如，某车间数据尚未上传完整，当前合格率下降可能是统计时点问题；试验批与正式量产批，也不能直接套用相同判断。
阈值与排除规则应由品质和生产负责人确认，并保留版本。AI 可以解释异常和建议核查，但不应临时创造一个全厂通用阈值。
发现异常后先回查
| 初步信号 | 应继续核对 | 可能的处理 |
|---|---|---|
| 合格率突然下降 | 数据是否完整、是否同一口径 | 补齐后重新计算 |
| 某批次偏离历史 | 是否试验、换线或工程验证 | 按适用规则分类 |
| 同一设备多批异常 | 产品、工序和时间是否相关 | 提交关联证据供核查 |
| 同一异常反复出现 | 是否已有未完成处理单 | 更新原任务，避免重复分派 |
| 当前已恢复正常 | 是否完成措施与验证 | 由负责人确认是否关闭 |
这些步骤能减少无意义消息，也能让保留下来的异常更值得工程师关注。不能只靠让模型“判断是否重要”替代具体数据核查。
每条异常要带上处理所需信息
消息至少应说明异常对象、发生时段、采用指标、对照规则、已排除事项、需要负责人确认的动作和来源入口。标题不宜只写“发现质量风险”，应让接收人一眼判断是否属于自己负责的工作。
关联设备或供应商时，要避免把相关性写成责任结论。例如，“这几批使用同一台设备”是值得检查的事实，“设备导致不良”则需要进一步证据。
分派与回执属于正式流程
责任人来自企业明确的岗位与业务关系，不宜由模型凭姓名出现频率猜测。没有可确认责任人的异常，进入明确的待分派入口，由负责人处理。
收到消息不代表已经处理。流程可以区分已接收、排查中、待补资料、措施完成、复验通过等状态；具体状态沿用企业现有系统。提醒频率、升级条件和替代负责人由企业确定，避免 AI 在多个群里重复催促。
失败时保留真实状态
数据接口失败，应记录本次扫描未完成；通知发送失败，应保持待通知；任务创建超时，要查询是否已经创建成功再决定重试。否则一次暂时故障可能变成重复任务或虚假的“全部正常”。
扫描覆盖量与成功处理量也要分开。只扫描到部分车间时，报告应说明实际范围，不能给出全厂结论。业务负责人需要知道哪些工作已经完成、哪些仍需人工补查。
复验比关闭按钮更重要
处理人员填了“已解决”，还应根据任务性质核验措施与后续数据。AI 可以整理复验材料和提示缺口，最终放行或正式关闭按现行制度执行。
验收巡检 Agent 时，可以检查误报、漏报、重复分派、负责人匹配和后续完成情况。不要只用“发出多少条消息”证明效果，消息多可能恰恰增加负担。
从同一条流程沉淀可复用能力
批次识别、质量规则、数据读取与回执处理做好后，可以支持更多产品线，但每次扩展仍需核对工艺与责任差异。流程复用不等于把同一个阈值复制到所有现场。
规则来源见知识与实时查数分工，异常证据组织见8D助手，建设服务见企业 AI Agent。
更多同主题内容见企业 AI Agent 落地专题。
