SPC智能体Agent

如果SPC软件能像和豆包、chatgpt聊天一样问问我们SPC运行的检测的质量情况，会是什么的体验？

比如，你想知道供应给某个客户的产品的过程能力如何，不需要打开检测项目逐个查看CPK，也不需要导出excel整理。

一、只需要输入一句话：“看看一汽大众的过程能力”

系统就能自动查找相关的检测项目、汇总ppk cpk等数据，识别能力不足的项目。

其中，7个项目的Cpk、Ppk、Cpk.G均达到A级；轴肩定位长度、内圈外径的能力指标明显偏低；轴杆总长度也需要重点关注。

Agent不仅返回数值，还根据能力等级识别出需要优先处理的项目，并提供对应的检测项目页面链接。

这与传统SPC系统的使用方式有很大区别。

过去，质量工程师可能需要先筛选客户，再逐个打开检测项目，查看能力指数，最后整理成汇总表。

现在，这些查询和整理工作可以通过一句自然语言完成。

更重要的是，Agent知道这些数值来自SPC系统已有的统计结果，而不是由大语言模型自行编造或估算。

二、第二句：“对比一下供应给宝马的”

我们想看看供应给不同的客户的质量水平，Agent理解了上一轮的分析背景，知道我们要比较的是两组检测项目的过程能力。

于是，它继续查询宝马相关的8个检测项目，并将结果与上一轮一汽大众的12个项目进行比较。

从Cpk达到A级的比例来看，宝马相关项目更高。但宝马有25%的项目Ppk处于D级，一汽大众则为16.7%。

Agent没有简单地宣布哪一组更优秀，而是指出两组项目的能力表现各有差异，并识别出需要重点关注的项目。

其中，宝马相关的两个项目尤其值得关注：

• 制动盘端面跳动：Cpk为0.6943，Ppk为0.6600。
• 活塞销孔直径：Cpk为0.6225，Ppk为0.6148。

这两个项目的长期过程能力明显不足。

到这里，我们已经从一个客户的整体能力查询，自然过渡到了不同客户之间的质量表现对比。

而整个过程只用了两句话。

三、第三句话：看看这两个项目每天或者每周的Ppk

发现能力不足的项目后，质量工程师通常会继续追问：

这些项目是最近才变差的，还是一直如此？

于是我们输入：“宝马重点排查的两个检测项目的每天或者每周Ppk看看。”

Agent自动识别出上一轮提到的制动盘端面跳动和活塞销孔直径，进一步查询历史检测数据。

系统发现，这两个项目最近的检测频率大约每天一条数据。

由于单日数据量不足，无法可靠地计算每日Ppk，因此Agent明确说明按日统计的数据不足，并改用每周Ppk进行分析。

最终查询到了从2024年12月底至2026年11月初，共98周的历史结果。

分析发现：

制动盘端面跳动

98周中，有71周的Ppk处于D级，只有2周达到A级。长期趋势回归的P值为0.9759，没有发现显著的线性改善或恶化趋势。

活塞销孔直径

98周中，有41周处于D级、54周处于C级，没有任何一周达到A级。趋势回归P值为0.7085，同样没有发现显著的长期线性趋势。

这说明，两项检测项目的低能力表现并不是最近才出现的，而是在近两年的历史数据中长期存在。

Agent还提供了对应的历史Ppk折线图链接，方便质量工程师直接打开系统图表进一步核查。

这里体现了SPC Agent的另一个重要价值：

它不只是查询当前结果，还可以根据问题自动切换统计维度，从当前能力进一步追踪历史趋势。

过去需要打开历史分析、选择指标、设置时间分组、查看图表并进行趋势分析的工作，现在可以通过连续对话完成。

四、第四句话：详细分析一下活塞销孔直径

接下来，我们进一步缩小分析范围：

“详细分析一下活塞销孔直径。”

这一次，Agent不再停留于项目汇总和历史趋势，而是调用更详细的SPC分析结果。

首先，它查到了项目规格：

• 规格下限：19.9900 mm
• 目标值：20.0000 mm
• 规格上限：20.0100 mm

最近25个数据点的能力指标为：

能力指标	结果
Cpk	0.6225
Ppk	0.6148
Cpk.G	0.4849

三个能力指标均处于D级。

Agent进一步结合正态性检验、时间模型和历史趋势给出分析。

Anderson–Darling正态性检验P值为0.2968，当前样本没有提供足够证据拒绝正态分布假设。

时间模型识别为模型B，即位置相对恒定、变差不稳定。这提示质量工程师应重点关注过程波动的变化。

历史趋势方面，最近20周和20个月的Ppk均未表现出显著的线性改善趋势。

但最近20个25点滚动窗口的Ppk出现了统计显著的下降趋势。

这两种结果并不矛盾，因为分析窗口与统计方法不同。滚动窗口还存在数据重叠，趋势显著性需要结合具体计算方法审慎解释。

Agent据此建议重点检查测量系统、夹具定位、刀具磨损、加工补偿以及不同班次和设备的波动差异。

整个过程中，我们没有手动打开任何检测项目，也没有选择分析图表或设置统计条件，只是像平常聊天一样连续提出问题。

下面是我们测试使用的保存在SPC系统中的相关检测项目：

五、为什么这不是普通的AI聊天？

看到这里，可能有人会问：

把SPC报告复制给ChatGPT，不也能分析吗？

两者有一个本质区别。

普通AI聊天主要分析用户提供的数据。如果没有提供检测项目、规格、历史数据或控制图结果，它就无法直接知道企业当前的过程能力。

而斌果SPC Agent连接的是企业自己的SPC业务系统。

当用户提出问题时，Agent会判断需要哪些数据，寻找对应的系统查询功能，调用这些功能取得结果，再组织分析回答。

整个过程可以概括为：

理解问题 → 查找功能 → 查询SPC数据 → 分析结果 → 继续追问。

例如，在这次测试中，Agent先后完成了客户相关检测项目检索、能力指标汇总、跨客户比较、低能力项目识别、历史Ppk查询、趋势回归和单项目详细分析。

这些并不是同一个固定报表能完成的任务。

它们来自不同的业务查询和统计分析功能，由Agent根据用户的连续提问组织起来。

斌果SPC本身负责专业统计计算，包括Cpk、Ppk、控制图、正态性检验及历史趋势等。

AI负责理解问题、选择查询步骤、整合结果并解释统计意义。

我们没有让AI取代SPC统计引擎，而是让AI学会使用SPC系统。

六、SPC Agent真正改变的是使用SPC的方式

传统SPC系统往往有大量功能。

检测项目管理、控制图、过程能力、历史趋势、多维分组、统计检验、异常监控、分析报告……

这些功能对于专业质量工程师很有价值，但对管理人员或不熟悉系统操作的用户来说，找到正确的功能并不总是容易。

例如，一位质量经理想知道：

“最近哪些客户的过程能力比较差？”

他关心的是问题本身，而不是应该打开哪个菜单。

又比如，生产主管想知道：

“最近一个月哪些检测项目的Ppk持续下降？”

他需要的是需要关注的项目，而不是先学习如何设置历史分析条件。

SPC Agent提供了一种新的入口。

用户直接表达质量问题，系统负责找到相应的数据和分析功能。

而且，问题可以连续深入。

从企业整体质量水平，到客户、产品、检测项目，再到某个项目的规格、能力、控制图和历史变化，可以沿着同一条对话逐步分析。

这种交互方式尤其适合质量管理人员、生产管理人员，以及需要跨项目了解过程能力的工程师。

七、专业SPC能力仍然是基础

当然，SPC Agent并不是万能的。

它不能仅凭一个较低的Ppk，就断言某台设备发生故障；也不能仅凭一次统计检验，就决定是否停线或放行产品。

统计分析需要可靠的数据、合理的规格、适当的统计方法以及现场工艺知识。

斌果SPC Agent的定位，是帮助用户更方便地使用这些专业分析能力，而不是绕过它们。

在系统设计上，我们也明确了几个原则。

第一，查询遵循用户权限。 Agent只能查询当前登录用户有权限查看的数据，不会因为使用AI而绕过原有权限体系。

第二，Agent目前保持只读。 它可以查询和分析数据，但不会自行修改规格、删除检测记录或更改生产配置。

第三，统计结果来自SPC系统。 AI不负责凭空计算或生成业务数据，而是调用系统已有的统计分析功能。

第四，查询过程可以追溯。 系统记录模型交互、函数调用及返回结果，方便检查和排查问题。

对于有数据安全要求的制造企业，斌果SPC支持部署在企业自己的服务器上，并可根据实际环境配置兼容的AI模型接口服务。

八、让SPC从“人找功能”走向“系统理解问题”

这次测试从一句“看看一汽大众的过程能力”开始，经过四轮连续提问，最终完成了从整体能力到单项目详细分析的全过程。

其中涉及20个客户相关检测项目、近两年的周度Ppk数据，以及具体项目的规格、能力、正态性和趋势分析。

如果完全通过传统界面操作，用户需要在多个功能页面之间切换，分别设置查询条件并整理结果。

而通过斌果SPC Agent，用户只需要不断提出自己真正关心的质量问题。

我们认为，AI与SPC结合的价值，不是让系统多一个聊天窗口，也不是让AI生成一段看起来专业的质量报告。

真正的价值，是让专业SPC系统积累的检测数据、统计方法和分析能力，可以通过自然语言直接调用。

斌果SPC始终专注于专业SPC。AI Agent并不改变这一定位，而是让SPC变得更容易使用、更容易分析，也更容易服务于日常质量决策。

未来，质量工程师不仅可以看控制图、看Cpk，还可以直接向自己的SPC系统提问：

• “这个月哪些项目的能力下降了？”
• “哪条产线的波动最大？”
• “哪些项目最近出现了异常趋势？”
• “帮我找出需要优先改进的检测项目。”

问更多问题，来体验我们的SPC智能体

让数据真正回答问题，这就是我们正在探索的SPC Agent。