（来源：中新赛克）

一块 MEMS 芯片从晶圆制造到封装测试，历经数十道工序，每道工序的测试数据以 TB 级增长。当某批次良率出现异常波动时，质量工程师需要从成百上千个参数维度中逐一排查。一位资深工程师曾耗时五天，翻遍十几个工序的测试日志，才锁定导致 Bin 分类偏移的根因——某温度补偿参数在第三周出现了 0.3% 的渐进性漂移。

这家企业是中国最早的 MEMS 传感器本土企业之一，科创板上市，具备从芯片设计到封装测试的全流程 IDM 能力。随着产能持续扩张，TB 级测试数据与有限的质量分析人力之间的矛盾日益尖锐。该企业选择与中新赛克携手，以中新赛克 AI-WorkForce 为底座，打造 " 质检分身 " ——一个能实时诊断、自主进化的 AI 质量分析智能体。

▲ 芯片制造车间概念图

两百条规则，从脑子里搬进模型里

一位在产线干了十五年的质量工程师退休后，接任者面对密密麻麻的测试数据无从下手。老师傅脑子里存着两百多条判读规则——哪些参数组合意味着晶圆边缘缺陷，哪些波动模式预示封装应力异常，这些经验从未被系统性记录。

中新赛克团队的第一步，是将隐性经验显性化。通过多源数据治理，将散落在 MES、CP 测试机台、良率管理系统中的数据归集、清洗、对齐，构建统一质量数据资产库。在此之上，利用 RAG（检索增强生成）技术，将两百多条判读规则、历史缺陷案例、工艺标准转化为模型可理解的知识，再通过 SFT（监督微调）让模型习得判读逻辑。

关键在于，这些规则不是被简单写入规则引擎，而是被转化为模型权重——系统能够基于上下文动态推理，而非机械匹配。两百条判读规则从老师傅的脑中迁移到模型权重里，经验从此不再随人员流动而流失。

三层穿透：让 0.3% 的漂移在第一周现形

传统质检依赖固定阈值——参数超出设定范围即报警。问题在于，芯片制造中的很多缺陷并非突变，而是渐进性漂移：某个温度补偿参数每周偏移 0.05%，连续数周累积到 0.3% 才触发报警，此时异常已扩散到多个批次。

" 质检分身 " 核心能力分为三层

第一层 · 离散点判断 AI 实时监控每颗芯片关键参数，基于历史数据建立动态基线，采用 SPC 统计过程控制计算置信区间—— 0.3% 的漂移在第一周就会被捕捉到。

第二层 · Bin 分类分析 AI 自动对芯片进行 Bin 分布统计与异常归类，识别异常 Bin 并关联到对应工序。

第三层 · 根因分析基于 Agentic RAG 架构，AI 自主拆解复杂质量问题，多步骤检索历史案例与工艺文档，逐步推理出完整根因链路，每条结论附带数据来源链接，确保可追溯。

工程师只需描述现象—— " 某批次 CP 测试 Bin3 占比异常升高 " —— AI 便能在数秒内完成多维交叉分析，直接给出可能的根因方向。

越用越准：工程师的每次修正都在训练 AI

上线三个月后，AI 根因分析建议被采纳比例

这并非模型自身变聪明了，而是系统内置了反馈驱动的持续进化机制。当 AI 输出诊断结果后，工程师对结论进行确认或修正。每一次反馈通过 RLHF（人类反馈强化学习）回传至模型训练管线，调整参数组合的权重分配。同时，新发现的缺陷模式、新判读规则持续纳入 RAG 知识库，实时检索调用。系统不是部署即定型的静态工具，而是随使用不断进化——产线上每出现一个新问题，AI 的诊断能力就扩展一分。

▲ 质检分身智能体架构

让 AI 长在质检流程里

" 质检分身 " 的构建并非另起炉灶。中新赛克 AI-WorkForce 以轻量化嵌入方式，将智能体无缝接入企业现有的 MES 和良率管理系统，工程师在熟悉的工作界面中即可调用 AI 能力。

AI 辅助数据检索、异常初筛、报告草拟人做决策

AI 自主执行从监控到根因推送全流程人负责监督修正

回到开头那个场景：一位资深工程师耗时五天才找到的温度补偿参数漂移问题，" 质检分身 " 在半天内定位并推送预警。这不是实验项目，而是每天都在产线上运转的日常工作。

欢迎致电 400-100-8102 转 1

咨询 中新赛克 AI-WorkForce