从"翻质保书"到"扫一下就知道"：一家电子厂用AI Agent做来料质检自动化

年初，苏州一家电子线束厂的品管负责人老张找到我们，说了一个让他头疼了大半年的问题：

"每天十几个供应商送货，每批货都带着厚厚一摞质保书。我们IQC（来料检验）的人手就那么3个人，一张一张核对参数、翻历史记录、手写检验报告……一天蹲在收货区根本出不来。"

更要命的是，去年有一批端子送错了规格——图纸上标的是0.5mm厚的铜片，供应商发了0.3mm的。IQC当时没仔细看质保书上的规格参数，直接签了字。等产线上料发现压接不紧的时候，已经做进去了一批半成品。那次报废直接赔了8万多。

这篇文章就记录我们是怎么帮他们解决的——不是简单买个扫描枪或者上套MES，而是用AI Agent把来料检验的流程串起来，让机器做重复劳动，让人做判断。

一、现场情况摸底

去现场蹲了两天，把来料检验的全流程走了一遍：

• 供应商数量：27家活跃供应商，每月到货约400批，平均每天15-25批
• 物料种类：端子、连接器、线束、塑胶件、PCB板、包装材料等6大类
• 当前流程：送货 → 签收 → 收纸质质保书 → IQC查规格 → 抽检/全检 → 手写检验报告 → 录入Excel → 入库
• 痛点：
  • 纸质质保书每月积攒一厚摞，查找历史记录要翻半天
  • 每个IQC对检验标准的理解有差异，同一供应商同一物料，不同人检的结果可能不同
  • 检验报告靠手写，字迹潦草的时候后期录入经常出错
  • 供应商的历史表现没有量化数据——"这个供应商靠不靠谱"全凭感觉
  • 偶尔有急料来不及检就被产线催着上了，出了事才追责
• IT现状：有ERP系统（金蝶）但没用MES，IQC做完检验后在Excel里录一遍，再由文员录入ERP

这其实不是简单的"上套系统"就能解决的问题。来料检验涉及：文档OCR识别、视觉比对、历史数据分析、决策判断、ERP数据同步——五个环节串在一起，每个环节都有不同的处理逻辑和规则。用传统的软件开发方式，每个环节写一个独立模块再集成，周期长、改起来也麻烦。

我的想法是：用AI Agent做编排层，把OCR、视觉检测、规则引擎、ERP对接这些能力串成一个自动工作流。

二、方案设计

整体架构

最终方案分四层：

┌─────────────────────────────────────────────────┐
│                   用户交互层                       │
│   IQC平板APP（扫码+确认） + 看板（实时状态）        │
├─────────────────────────────────────────────────┤
│                AI Agent 编排层                    │
│   来料接收Agent → 质保书解析Agent → 检验决策Agent  │
│   → 结果输出Agent（推送ERP+生成报告）              │
├───────────────────┬─────────────────────────────┤
│    感知层（边缘AI网关）    │    数据层              │
│  • 高拍仪OCR（质保书）    │  • 供应商数据库         │
│  • USB工业相机（外观检）  │  • 检验标准库           │
│  • 扫码枪（物料批次）     │  • 历史检验记录库        │
└───────────────────┴─────────────────────────────┘

边缘AI网关的角色

在IQC工位部署了一台边缘AI网关，跑了三个服务：

• OCR服务：用PaddleOCR解析质保书上印刷体内容（规格参数、批次号、检测值、日期），提取结构化数据
• 视觉检测服务：对接USB工业相机，对端子/连接器等物料做外观尺寸粗检——不是代替精密测量，而是快速检查有没有明显的外观缺陷（变形、氧化、毛刺）
• Agent运行时：跑AI Agent，负责编排整个检验流程

选择把AI Agent跑在边缘网关而不是云端，主要是考虑延迟——每次扫描质保书希望在2-3秒内出结果，云端OCR+Agent编排的网络往返可能到5-8秒。而且工厂网络偶尔会断，本地运行保证断网也能继续工作，断网期间的结果缓存在本地，网络恢复后自动同步。

AI Agent的工作流

AI Agent采用了多Agent协作模式，每个Agent负责一个环节：

Agent 1: 来料接收Agent
  输入: 扫码枪扫描送货单条形码
  动作: 查ERP获取采购订单信息 → 匹配供应商+物料编码
  输出: {供应商, 物料编码, 订单数量, 批次号}

Agent 2: 质保书解析Agent  
  输入: 高拍仪拍摄的质保书图片
  动作: PaddleOCR提取关键字段 → 与检验标准库做参数比对
  输出: {规格参数是否匹配, 关键检测值, 异常标记}

Agent 3: 检验决策Agent
  输入: Agent1+Agent2的输出 + 供应商历史质量评分
  动作: 
    - 如果规格参数不匹配 → 标记"退换"
    - 如果参数匹配但供应商历史评分较低 → 建议"加严检验"
    - 如果参数匹配且供应商历史表现好 → 建议"免检/减量抽检"
  输出: {检验结论, 检验等级, 建议抽样数}

Agent 4: 结果输出Agent
  输入: 检验结论 + IQC确认
  动作: 生成检验报告PDF → 推送ERP更新库存状态 → 发送企业微信通知
  输出: 闭环

三、实施过程

第一阶段：质保书OCR调优（2周）

本以为OCR是最简单的环节——扫描文档提取文字而已。结果27家供应商的质保书，格式五花八门：有的大厂有自己的模板，有的小厂直接在A4纸上手写一张表格，还有的是一式三份的复写纸，字迹模糊得连人都要辨认半天。

PaddleOCR对印刷体识别效果不错，但遇到了几个具体问题：

• 表格定位：同一个参数在不同供应商的质保书上出现在不同行列位置。我们给每个供应商建了个模板配置——指定"批次号在第几行第几列"、"规格参数在哪个区域"。这样OCR解析按模板对齐。新供应商第一次来料时走"模板注册"流程，配一次后面自动走。
• 复写纸识别：一式三份的复写纸对比度太低，PaddleOCR识别率不到60%。解决方案是先做CLAHE图像增强再送OCR，提升到约82%。剩下的模糊字段走人工复核。
• 手写数字识别：有些小厂的质保书关键参数是手写的。试了PaddleOCR的手写体识别，对规范书写识别尚可，但对潦草的数字（比如6和8、0和O）错误率较高。我们的处理方式是：对手写数字区域做灰度投影分割，单字符识别后加形态学校验——比如"厚度0.3mm"如果识别出两个差别很大的值，就标红要求人工确认。

教训：OCR不是"一拍就认"的，至少在来料检验这个场景里，不同来源的文档质量差异巨大。花时间给每个供应商配模板是绕不开的苦活。

第二阶段：AI Agent流程搭建（3周）

多Agent的编排我们用了LangGraph，每个Agent是一个节点，节点间通过状态图传递上下文。

核心的决策逻辑在检验决策Agent里。我们设计了一个简单的评分模型：

供应商质量评分 = 
  近3个月批次合格率 × 0.4
+ 近3个月交货准时率 × 0.2  
+ 同类物料历史问题数扣分 × -0.2
+ 质保书数据完整性 × 0.2

根据评分和当前物料类别决定检验等级:
- 评分 ≥ 90 且 物料为C类（辅助材料）→ 免检（直接入库）
- 评分 ≥ 80 或 物料为B类（重要零件）→ 减量抽检（正常AQL的50%）
- 评分 < 80 或 物料为A类（关键零件）→ 正常/加严检验
- 上一批有问题 → 强制加严检验

这个评分模型是初版，实际跑了一个月后发现几个问题：

• 新供应商没有历史数据，评分全是0，导致永远进免检（不符合逻辑）。我们给新供应商设了默认分70，且必须连续3批合格才能升级到减量抽检。
• 批次合格率只按"合格/不合格"算太粗：一批来料1000个端子，外观轻微不良2%和批次规格全错，都记为"不合格"但严重程度完全不同。后来加入了缺陷等级权重——致命缺陷直接扣到0分，轻微缺陷按比例扣分。
• 质检员"手动降级"的问题：系统判定需要正常检验，但IQC因为产线催料，擅自改成免检。我们加了权限控制——只有品管主管能豁免检验等级，且每次豁免记录留痕。

第三阶段：视觉粗检上线（1周）

在IQC工位上放了一台USB工业相机，固定俯拍角度，装了一个可调节亮度的环形LED灯。操作流程：IQC把来料样品（一般3-5个端子/连接器）放在相机下的定位板上，系统自动拍照并运行YOLOv8n模型做外观缺陷检测。

视觉检测的目标不是代替卡尺和投影仪做精密测量——对于需要精确到0.01mm的尺寸，还是靠传统量具。视觉模块解决的是"一眼能看出来的问题"：端子有没有明显变形、连接器针脚有没有弯曲、有没有氧化变色、有没有毛刺。

训练模型的数据来自过去一年IQC退回的不良品照片+网上收集的端子/连接器外观样例。约800张图片，做了数据增强后到3000张。模型用YOLOv8n-seg做缺陷分割，对变形和弯针的检出率约90%，误报率初期约12%（主要把反光误判为刮痕），经过调整光源角度和增加训练样本后，误报率降到约7%。

第四阶段：ERP对接和试运行（2周）

这一步花的时间比预期的长。金蝶ERP的接口文档比较老，有些接口没有提供批处理能力——一次只能提交一个检验结果。如果一批来料有10种物料，就要提交10次。在AI Agent里加了批处理队列，用事务性提交保证要么全部成功要么全部回滚。

另一个麻烦是：金蝶里的"物料编码"和IQC手里的"供应商物料号"不是一一对应的。同一个物料，采购部用金蝶编码，供应商用自己的编号，IQC又按供应商编号来管理。我们建了一张映射表，让AI Agent在收到送货单时自动做匹配——匹配不上的标黄由人工指定。

四、实际效果

系统上线跑了3个月后，我们统计了一些数据：

五、遇到的问题和解决办法

坑1：质保书批次号和实物批次号对不上

有次AI Agent发现质保书上的批次号"B20251201"和供应商送货单上的批次号"B20251201-1"不一致，但人工一看其实是同一批货，只是供应商打单时多加了后缀。解决方案：在AI Agent的匹配逻辑里加了模糊匹配（去掉连字符和空格后再比较），如果模糊匹配上了就标记"需人工确认"而不是直接"不匹配"。

坑2：IQC一开始很抵触

"以前我一单检40分钟是认真负责，现在5分钟就完了，老板会不会觉得我工作量不饱和？"——这是个真实的心态问题。我们专门和品管主管商量，把IQC的考核指标从"检验批次数量"改为"拦截不良品数量+异常检出率"，让大家看到系统帮他们做的是重复劳动，不是替代他们。同时保留了人工复核环节，所有AI Agent的结论都可以被IQC否决——这是信任建立的关键。

坑3：高拍仪光线不均匀导致OCR识别率波动

第一天用的普通高拍仪，发现质保书边缘的文字识别率比中间低。原因是高拍仪的LED补光集中在中心区域。换了带均匀面光源的高拍仪解决。另外操作台上方有顶灯，质保书表面会反光——后来在IQC工位拉了个遮光帘。

坑4：视觉检测的"同一个端子放歪了"误报

YOLO模型训练时大部分样本都是正位摆放的。实际操作中IQC放样位置偏差较大，角度一偏就误判为变形。加了定位槽板固定摆放位置，同时在预处理阶段加了仿射变换校正。

坑5：断电断网场景没考虑够

有次仓库断电，边缘AI网关靠UPS撑住了，但高拍仪和工业相机用的USB hub没有独立供电，断电重启后相机设备号变了（从/dev/video0变成/dev/video1），OCR和视觉服务启动失败。解决方案：在网关启动脚本里加了udev规则固定USB设备号，同时给相机接独立供电USB hub。

坑6：ERP接口限流

金蝶API有每分钟200次调用的限制。平时够用，但月末集中入库的时候（一天入库几十批）会触发限流。AI Agent的队列里加了指数退避重试，并且在每天高峰期（上午10-11点集中到货）提前把检验结果缓存起来，错峰提交。

六、个人的思考

这个项目做完，有几个让我印象深刻的体会：

AI Agent在工厂落地，最合适的角色是"流程编排"而不是"替代人"。传统的自动化做不了灵活判断——规格参数匹配不上，是直接退货还是让步接收？这需要有上下文理解。AI Agent的优势就在这里：它能把OCR、视觉、规则引擎、ERP这些各司其职的工具串起来，根据上下文做不同的决策分支。

数字化最难的地方，往往不在技术，在"把模糊的规则变成确定的数据"。来料检验做了这么多年，很多规则是在IQC脑子里或者写在墙上歪歪扭扭的作业指导书里。比如"这个供应商的端子公差要严一点"，在系统里就得把它量化成具体的阈值和校验规则。梳理这些规则花的时间比写代码多一倍。

"先跑起来再优化"在工厂场景里行不通。在互联网产品可以灰度发布、边跑边修，但在工厂里，IQC环节出错直接影响产线投料。系统上线前，我们把AI Agent的每个决策分支都"模拟跑"了一周——用历史数据回放的模式，每批来料同时走人工和AI两套流程，对比差异，有分歧的拉上品管一起讨论。等差异率降到约5%以下才切到正式模式。

数据积累是持续优化的燃料。前3个月积累的供应商质量数据，已经开始反哺到采购决策了——采购部在评新供应商时，会参考AI Agent生成的质量评分历史。这不是我们当初设计的功能，但数据多了自然就有这种衍生价值。

七、给你的建议

如果你的工厂也在考虑来料检验数字化，几点实际建议：

1. 先梳理供应商质保书的格式多样性——如果大部分供应商的质保书是标准印刷模板，做OCR门槛很低；如果以小厂手写为主，OCR投入产出比要谨慎评估
2. 别上来就想全自动化——把"决策辅助"作为第一步：AI Agent给出结论建议，IQC确认后才执行。等大家建立了信任，再逐步开放自动执行权限
3. 供应商质量评分模型要持续调——我们的初版评分只看合格率，后来发现单一指标会"骗人"。把权重、缺陷等级、时间衰减等因素加进去后结果才合理
4. QC工位的物理环境别忽视——光线、空间、操作台高度、设备走线……这些细节决定了系统能用 vs 好用的区别
5. 把IQC当合作伙伴——他们是来料检验最懂的人，系统的规则定义、阈值设定、异常判断都需要他们的经验输入。系统让他们少做重复劳动、多关注真正有风险的问题，这才是双赢