工厂质检员用AI查工艺规范：从翻手册到秒回答的转变

【写在前面】

去过工厂的人都知道，质检员工位旁边通常有一摞厚厚的文件夹：工艺规范、检验标准、异常处理流程……

新品上线要查参数、客户投诉要查标准、设备异常要查处置方案。每次查一个数据，平均翻3-5分钟。一天下来，光是“翻手册”就要花掉半小时以上。

我们帮一家电子制造工厂做了一个小工具：质检员用自然语言提问，系统从工艺文档中检索答案，并标注出处。从“翻手册”到“秒回答”，这篇文章记录了这个过程的实现思路。

【场景还原：质检员的一天】

张师傅是某电子厂SMT产线的质检员。他的日常工作之一是核对PCB板的焊接参数是否在工艺规范内。

以前的操作流程是：

第一步：收到待检板

第二步：回忆或询问“这块板的锡膏厚度标准是多少？”

第三步：翻工艺手册（约300页），找对应机型

第四步：找到参数，对照检查

第五步：记录结果

每一步平均耗时：翻手册找参数这一步，最快2分钟，最慢15分钟。

张师傅说：“我不怕干活，怕的是找东西。”

【问题拆解：为什么“翻手册”这么慢】

传统工艺文档管理有三个痛点：

痛点一：文档分散

工艺规范存在不同文件夹里，有的PDF、有的Word、有的纸质版，每次要确认“哪一版是最新的”。

痛点二：检索低效

手册是“按章节组织”的，但质检员是按“机型+参数名”来查询的。这两种索引方式不匹配。

痛点三：无出处追溯

同事口头告诉的参数，不敢完全相信。必须找到原文确认，但找原文又要花时间。

核心矛盾：知识的组织形式（按章节），和使用方式（按问题查询）不一致。

【解决方案：给手册配一个“AI检索助手”】

我们的思路是：不改变原有的文档管理习惯，而是在文档上面加一层“智能检索层”。

核心流程如下：

第一步：文档准备

• 收集所有工艺规范PDF，统一存放在一个文件夹
• 按机型+工序命名文件，便于后续维护

第二步：知识库构建（RAG）

• 将PDF文档切分成段落（按“章节+表格”为切分单位）
• 对每个段落生成向量索引，存入向量数据库
• 同时保留原始文本和来源文件名

第三步：问答检索

• 质检员输入自然语言问题，如“A型号PCB的锡膏厚度标准是多少？”
• 系统将问题转为向量，在知识库中检索最相关的3-5个段落
• 将检索到的段落 + 原始问题，一起提交给大模型生成答案
• 答案末尾自动附上来源（如“摘自《SMT工艺规范_v3.2》第12页”）

架构示意（纯文本）：

第一层：用户提问（企业微信/Web界面）

↓

第二层：RAG检索服务

• 问题向量化
• 向量相似度检索（Top K=5）
• 召回相关段落 ↓ 第三层：大模型生成
• 拼接“问题+召回段落”
• 生成带出处的答案 ↓ 第四层：返回结果

在具体实现上，我们采用了ZGI作为RAG知识库的底座平台，以下能力均基于该平台快速落地。

【落地效果】

经过2周的开发和1周的试运行，效果如下：

效果一：查询时间大幅缩短

• 原来：翻手册平均需要3-5分钟
• 现在：AI回答平均需要5-8秒

效果二：准确率达到可用水平

• 首批覆盖3个机型的工艺规范，共86份文档
• 人工抽检100个问题，答案准确率约98%（来源可追溯）

效果三：员工接受度高

• 上线第一周，质检团队20人全部主动使用
• 日均查询量从第1天的30次增长到第5天的150次

张师傅的评价是：“以前翻手册像大海捞针，现在问一句就知道，还能看到是哪页写的，放心。”

【可复制的落地建议】

如果你的工厂或企业也想做类似的知识库问答，可以按以下路径推进：

第一步：选择一个高价值场景

• 什么岗位“找信息”的成本最高？（质检、维修、客服、售后）
• 什么文档的查询频次最高？（工艺规范、维修手册、FAQ）

第二步：准备高质量文档

• 先整理10-20份核心文档做试点
• 确保文档是PDF或Word格式，可复制文本（扫描件不可用）

第三步：搭建最小可用系统

• 用现成的RAG框架或平台快速搭建原型
• 先覆盖一个业务场景，跑通后再横向扩展

第四步：持续优化

• 收集“回答不准”的bad case
• 优化文档切分策略、调整检索参数（Top K、相似度阈值）

【写在最后】

“翻手册”不是一个高大上的问题，但它真实存在于无数工厂和企业的日常工作中。用AI解决这类“信息查找”类问题，技术门槛其实不高，ROI却往往很可观——每天帮每个质检员省下30分钟，一个20人的团队一年就是几千个小时。

RAG知识库把“找信息”这件事，从“人找文档”变成了“文档找人”。而我们需要做的，只是把文档准备好，然后问一句。

本文基于真实的工厂场景实践整理，希望能为同样面临“文档难查”问题的团队提供一些参考。欢迎技术同行交流讨论。