工业质检 Agent 解决方案
腾讯质检 × ADP，外观检测自我进化，长久稳定
面向工业质检场景，把制造现场的缺陷判断、成像调试，和深度学习里的标注、训练、评估方法做成业务 Skill。不会调模型的用户，也能用对话完成标注、训练数据质检、Badcase 分析和原因分析报告。
场景痛点
训模型只是开始，难的是让每条线都用得起来
痛点 01
工艺经验和算法经验对不上
现场知道缺陷怎么来的，算法知道模型怎么训；两边不在同一套方法里，方案就很难复用
- 制造 Know-how 靠口传
- 深度学习 Know-how 靠专家
- 换线换品难复用
Agent 提升
工艺经验算法经验业务 Skill方案复用
痛点 02
软件不是难买，是难用
传统视觉软件把能力放在界面和参数里，真正落地时卡在"会用、敢调、真能判断结果"
- 现场人员不会配
- 算法人员排不过来
- 问题判断靠经验
Agent 提升
对话式操作步骤代办参数解释结果判断
痛点 03
一个项目，绑住四类人
标注要统一标准，算法要看数据，工程要联调上线，项目经理要追闭环；缺一环，进度就慢
- 标注: 口径难统一
- 算法: 数据要复查
- 工程/PM: 闭环要跟进
Agent 提升
标注建议数据质检工程联调一人推进
痛点 04
原因分析报告难产
过去要专业人员边问边查，机械、成像、数据、算法都要懂；信息不全，报告就卡住
- 原因链条复杂
- 现场信息缺口多
- 改善动作难落地
Agent 提升
Claw 对话边问边补边分析边写质检改善动作
核心优势
基于传统AI视觉算法，把专家做事的方法，变成现场人员可执行的步骤
把两类经验留住
缺陷定义、工艺约束、成像经验来自制造现场；标注规则、模型选择、调参策略来自深度学习，一起沉淀成业务 Skill
把四类角色压进一个流程
标注、训练数据质检、Badcase 分析、工程联调和项目跟进由 Agent 拆解代办，让一个现场负责人也能往前推
分析报告不再等专家
Claw 模式用启发式对话补齐机械、成像、数据、算法线索，一边追问现场信息，一边形成原因分析和改善建议
客户案例
基于 ADP，聚焦人效提升、报告自动化、换型效率和质检稳定性
某 3C 结构件制造商电脑中框与键盘外观检测
- 把划伤、脏污、崩边等制造经验与模型训练经验沉淀为 3C 小缺陷质检 Skill
- Agent 提供标注建议、训练数据质检和 Badcase 分析，减少多角色来回沟通
- Claw 对话补齐成像、治具、缺陷标准线索，自动生成原因分析报告
1人推进闭环
-50%调试周期
3天新品导入
某锂电终端客户极耳计数与偏位复核
- 基于腾讯专用 Skill 打造极耳计数规则、重叠判断、成像角度和异常复核
- 现场人员用对话完成样本核查、计数误差分析和训练数据补齐
- 自动输出计数异常的原因分析报告，定位机械、成像或算法原因
99.6%计数一致性
5x复核效率
-70%人工复核
某零售酒品企业酒瓶标签、液位、瓶盖外观检测
- 基于腾讯 Skill 打造瓶型、标签、液位、瓶盖、喷码的零售酒品质检
- 新 SKU 上线时 Agent 自动复用相似方案，减少人工重新配置
- 异常过漏检样本可自动归类并生成补拍、复检和门店整改建议
15min换品配置
4类外观项目
-60%巡检人力
某生活植发连锁机构头皮图像质检与毛囊计数辅助
- 基于skill设计拍摄规范、图像清晰度、区域标注和毛囊计数
- Agent 自动检查图像质量、提示补拍，并辅助完成标注和数据归档
- Claw 对话边问边补全术前术后图像差异，生成可读的质检报告
2x图像复核
-50%资料整理
1份自动报告
某 3C 摄像头模组工厂镜头脏污、划伤、装配偏移检测
- 微小缺陷标注规范和光照成像经验封装成模组外观
- Agent 自动检查训练数据质量，发现漏标、错标和样本分布偏差
- 原因分析报告自动区分镜头脏污、光源波动、算法误判等原因
-45%错标返工
3x数据质检
1人常规迭代
场景能力
围绕质检项目从方案到上线的关键环节，把专家判断变成可执行任务
方案设计
根据产品、缺陷、节拍和验收目标，梳理点位、样本、算法路线和交付边界
数据准备
把缺陷口径、训练集数量、训练集/验证集划分和数据质检串起来，减少反复返工
模型迭代
Badcase 回流、样本补齐、训练策略、指标复测自动衔接，不会调模型也能推进常规迭代
诊断调优与发布运维
Claw 追问机械、成像、数据、算法线索，生成原因分析和调优建议，并沉淀上线检查项
两种落地模式
稳定、重复、标准清晰的任务走工作流；需要专家判断和信息补全的任务走 Claw + 业务 Skill。
工作流模式助力接口调用和稳定任务自动执行
Claw 模式协同业务 Skill 实现一人质检项目交付，边问边补