去年底，一家宁波的汽车零部件厂找到我们。他们给一家合资整车厂供冲压件，对方最近更新了供应商质量协议，要求每个零件批次都能追溯到：这批材料是哪个钢厂、哪一卷钢带、哪一天投料的、每道工序的工艺参数和操作员是谁。

听起来很基础对吧？但现实情况是——他们的原材料入库信息写在纸质台账上，冲压工序参数靠操作工手工记录在班组日志里，质检结果录入Excel后存在不同人的电脑上。要查一个批次的完整追溯链，得翻三四个人的记录，运气好也要两三天，碰到有人请假或者记录不全就直接断链。

客户的原话是——"再这样下去，明年就要从供应商名单里被剔除了。"

这篇文章记录我们怎么用AI Agent把分散在各处的质量数据串成一条完整的追溯链。不吹产品多好，只说做了什么、遇到了什么麻烦、最终效果怎样。

一、现场情况摸底

去工厂待了两天，跟采购、仓库、生产、质检各个部门挨个聊了一遍。情况比预想的更复杂：

这些条件意味着：不能搞复杂的系统集成、不能依赖现有系统的API（金蝶KIS没有WebAPI）、操作要简单（工人文化水平普遍不高）。

二、方案设计

最终方案不试图替换任何现有系统，而是在现有系统之上加一层"数据纽带"——用AI Agent把各个数据源串起来。

核心思路：以"批次"为主线的数据链

每个零件批次从原材料采购单号开始，沿着生产流程一路往下串联。关键设计要点：

数据流架构

从原料到成品的数据流向：

原材料质保书(扫描/PaddleOCR) 
  → 材料批次号+化学成分+供应商信息
    ↓
投料记录(扫二维码) 
  → 材料批次+投料时间+操作工
    ↓
冲压参数(Excel采集) 
  → 模具号+压力参数+速度参数+计数器
    ↓
工序质检(MES查询) 
  → 检具号+测量值+判定结果
    ↓
成品入库(ERP导出) 
  → 入库单号+数量+客户订单号
    ↓
AI Agent关联引擎 
  → 完整追溯链

三、实施过程

第一周：梳理数据源和定义追溯粒度

这周花的时间比预想的多得多。跟各个部门确认"追溯到底要追溯到什么级别"就争论了很久：

后来定了个折中方案：日常追溯按投料批次（约200-500个零件一批），出质量问题时可以缩小到模具腔号级别（16腔模具，每腔编号独立追踪）。

踩坑：追溯粒度不是技术问题，是管理问题。不同部门对"一个批次"的定义完全不同。必须先在管理层面达成共识再动手，否则开发完了发现"这不是我要的追溯粒度"。

第二周：搭建数据采集层

这周做了几件事：

原材料端：搭建了一个简单的扫描工位。来料时，仓管员扫描供应商二维码（或手动输入批次号），上传原材料质保书PDF。部署了PaddleOCR服务自动提取关键字段（供应商名称、材料牌号、炉批号、化学成分、出厂日期）。

说实话OCR提取准确率只有80%左右——因为每个供应商的质保书格式都不一样，有PDF扫描件、有照片、有传真件。后来加了人工复核环节：OCR提取结果显示在屏幕上，仓管员确认或修改后提交。

生产端：在车间关键位置部署了边缘AI网关，接了几个USB扫码枪。操作工在三个节点扫流转卡二维码：投料时（绑定原材料批次）、首件检验时（绑定工序参数）、完工入库时（绑定包装信息）。

系统端：写了一个轻量级的Excel定时采集脚，每5分钟检查车间电脑上的共享文件夹，如果有新的工序记录Excel就自动读取并解析。

第三周：数据关联和追溯查询

这部分是AI Agent的核心工作。数据源全部接进来之后，最大的问题是——同一个批次在不同系统中的"身份标识"是不一样的。

举几个具体例子：

AI Agent的处理策略是"多字段模糊匹配 + 时间窗口约束"：

AI Agent采用的是本地部署的小模型（Qwen2.5-7B量化版，在边缘AI网关的CPU上跑）配合规则引擎。规则引擎处理格式化和明确映射（比如日期格式统一、编码规则转换），LLM处理模糊推断（流转卡上潦草字迹猜测、不同表述的语义对齐）。

第四到五周：前端展示和验证

做了一个极简的追溯查询页面：输入零件批次号或流转卡号，显示出整条链路——材料来源 → 投料记录 → 工序参数 → 质检结果 → 成品去向。每个节点可点开看详情，数据来自哪个原始系统有标注。

用两周时间跑历史数据做验证。找了质检经理和车间主任一起，随机抽了20批零件，按新系统的追溯链人工交叉验证。验证结果：

✅ 16批完全正确（追溯链上的每个节点都跟原始记录一致）
⚠️ 3批部分正确（时间戳偏差在1小时以内，不影响追溯有效性）
❌ 1批断链（该批次的流转卡丢失，中间两个工序的数据没有采集到）

四、实际效果

系统上线至今运行了约4个月，几个关键数据：

追溯查询时间：从2-3天缩到约10分钟
输入批次号，系统自动展示完整链路，并标注每个数据节点的来源和时间戳。
流转卡丢失率：从约15%降到约3%
电子扫码替代纸质流转后，丢失情况大幅下降。但仍有少量工人嫌扫码麻烦，习惯性地先干活后补录。
半年内用追溯数据处理了3起客户投诉
2起确认非本方责任（原材料瑕疵来自供应商），1起内部追溯到具体工序和操作人，做了针对性培训。客户对追溯响应速度的反馈较好。
AI Agent自动匹配率：约82%
18%需要人工介入（主要是流转卡照片模糊、手写数字识别不准、跨日生产批次边界划分争议）。

五、遇到的问题和解决办法

问题1：工人扫码习惯养成难

工人习惯了干完活再填记录，新流程要求"干一步扫一步"，初期抵触情绪比较明显。几个阻力点：手上有机油，不想摸平板；觉得扫码浪费时间；忘了扫就后补，后补多了就干脆不扫。

解决办法：把平板架设在工位的必经之路上（伸手就能扫），配了支架和防护套（防油防摔）。每个班次设了一个"扫码监督员"（由班组长兼任），前两周每天统计扫码率并公示。第三周开始扫码率稳定在90%以上。

教训：操作流程改变需要通过物理环境和现场管理来推动，光靠培训没用。把扫码点设在工人"不得不经过"的地方，比任何宣导都有效。

问题2：供应商质保书格式千奇百怪

工厂有7家原材料供应商，每家质保书的格式都不一样——有A4打印版、三联单扫描件、批发市场的收据条、手机拍照的截图。OCR的召回率波动很大，好一点的厂家能到90%，差的不到60%。

解决办法：不追求通用OCR方案，而是针对每家供应商建立单独的字段提取模板。新供应商来料时，前3次的人工提取结果作为模板训练样本，后续自动匹配。目前对固定供应商的字段提取准确率能做到85%以上。

问题3：跨日批次的数据边界

汽车冲压件经常是"一批生产跨两天"——前一天晚上投料、第二天继续冲压。同一个流转卡号跨了两个日期，按日期查询时就会断在半路。

解决办法：AI Agent引入"连续生产判定"逻辑——如果同一流转卡号在两天都有数据录入，且中间间隔不超过12小时，自动合并为同一批次。超过12小时则拆分为两个子批次。

六、我的思考

质量追溯的本质是数据治理，不是技术系统。最花时间的不是写代码，而是统一各部门对"批次"的定义、梳理数据之间的关系、解决历史数据中的"脏数据"问题。技术只是把管理规则落地的手段。

不依赖系统对接的方案在中小工厂更实用。这家厂的金蝶KIS没有API、MES只能读不能写、供应商系统完全黑盒——如果非要搞系统集成，项目根本启动不了。用OCR+扫码+Excel采集这种"补丁式"方案虽然不够优雅，但能在不打扰现有系统的情况下把数据串起来。

AI Agent在"数据模糊匹配"场景比规则引擎灵活得多。最典型的例子：流转卡上手写的"15678批"和原材料质保书上的"炉批号2208-15678"，规则引擎没法处理这种省略书写，AI Agent可以结合上下文推断并输出置信度。但置信度低于阈值时必须有人工介入——不能完全信任LLM的推断。

"能查"比"查得准"更重要。客户最初追求100%的追溯准确率，后来发现只要80%能自动串起来、剩余20%能快速定位到"需要人工介入的环节"，追溯效率就已经从几天提升到了几十分钟。不要让完美主义阻碍项目启动。

上下游数据协同的压力在变大。整车厂对二级三级供应商的要求越来越严格，这家工厂的客户只是要求"能追溯"，但行业趋势是"数据自动提交"——即生产数据直接对接到客户的追溯系统。目前做的是内部追溯，但下一阶段一定是供应链协同追溯。

七、给你的建议

如果你的工厂也在面临客户追溯要求，几点经验供参考：

  1. 先搞定管理口径，再碰技术——组织各部门开个会，把"批次"的定义统一了。工厂里"同一天投料的同一款零件"就是一个可操作的追溯单元
  2. 从客户要求最严的产品线开始试点——不要铺开做，挑一条压力最大的产线先跑通，再横向复制
  3. 纸质流转卡先用二维码改造——不一定要上全套MES，打印带二维码的流转卡，手机或者扫码枪就能扫。成本低、见效快
  4. 接受"部分人为介入"的混合模式——前半年保持AI Agent自动匹配+人工复核的机制，把积累的人为复核数据拿来做模型迭代，逐步提高自动匹配率
  5. 历史数据的清理可以往后放——先确保新生产的数据完整可追溯，历史数据有精力再慢慢补。新账不欠比旧账全清更重要