# 【质量管理】Agentic AI × 制造业质量管理新范式 > **合规声明（生成式 AI 服务）**：前述特定亚马逊云科技生成式人工智能相关的服务目前在亚马逊云科技海外区域可用。亚马逊云科技中国区域相关云服务由西云数据和光环新网运营，具体信息以中国区域官网为准。 > > **完整资料：如果想了解更多内容可以访问:https://events.amazoncloud.cn/china-summit-on-demand/ > > **免责声明**：本摘要仅为便于您了解峰会内容而提供，我们不对其完整性及准确性作出任何保证，且不构成任何建议或结论。相关内容仅供参考，实际内容以峰会回放视频为准。 ## 一、基础信息 - **会议类型**：专题演讲 - **Persona**：通用业务用户 - **时间信息**：6月23日 | 16:00 - 16:30 - **标题**：【质量管理】Agentic AI × 制造业质量管理新范式 - **PDF 资料**：有 - **视频回放**：有 ## 演讲人信息 ### 会议信息 - **地点**：上海世博中心（2026 亚马逊云科技中国峰会） - **日期**：2026年6月23日（Day 1） - **时间**：16:00 - 16:30 - **会议类型**：专题演讲 - **面向 Persona**：通用业务用户 ### 客户 / 合作伙伴演讲人 - **曹宇**（北京能科瑞元数字技术有限公司）：产品应用中心总监 ## 二、会议资料 PDF 转录内容 --- Page 1 --- 2026年6月23日-24日 上海·世博中心 --- Page 2 --- Agentic AI × 制造业质量管理新范式 基于 Amazon Q + Bedrock AgentCore 的8D 报告智能生成实践 曹宇 能科科技 云产品应用中心 总监 --- Page 3 --- Agenda 行业痛点 01 8D 报告为什么要写7天 方案架构 02 Amazon Q + Bedrock AgentCore 现场 Demo 03 10分钟完成一份 8D 报告 落地效果 04 量化价值收益 合作模式 05 ISV 经验分享 --- Page 4 --- 01 行业痛点 质量报告为什么要写7天？ --- Page 5 --- 质量问题处理全过程 IATF 16949 强制要求 · 质量问题整改的标准化工具 D1 D2 D3 D4 D5 D6 D7 D8 → → → → → → → 组建团队 问题描述 临时遏制 根因分析 永久纠正 验证措施 预防再发 总结报告 涉及角色：质量工程师 · 工艺工程师 · 研发工程师 · 质检人员 跨部门协同是 8D 成败的关键：每一步都需要不同角色参与和审核 0.5~2 3~7 核心痛点：一份完整的 8D 报告，简单问题需要 天，复杂客诉需要 天。 处罚/索赔 报告交付延迟 = --- Page 6 --- 传统质量问题处理的三大困境 ⏱ 📂 🔗 质量问题定位耗时长 协同断层 知识散落 根因分析难 部门专业协调繁杂 预防纠正措施落地慢 Ø 老工程师离职 = 经验清零 Ø 过分依赖资深质量工程师等人 Ø 涉及多部门多角色协作，结果 Ø 非结构化数据多：客户投诉、 经验来分析问题和定位根因 过分依赖部门间数据传递 问题记录单、处置记录单、维 Ø 分析海量生产数据，发现工艺 Ø 节点不透明、责任不清晰 护记录单等 参数、设备状态与质量缺陷之 Ø 闭环周期 7~90天 Ø 新人重复踩坑，同样问题重复 间的隐性关联 Ø 简单问题 0.5~2天 犯错，艰难定位最优的处置方 Ø 区分相关性与因果关系，避免 Ø 复杂/客诉 3~7天 案和预防纠正措施 伪相关陷阱 --- Page 7 --- 02 方案架构 Amazon Q + Bedrock AgentCore + MCP --- Page 8 --- 我们的答案:AI Agent + Amazon Q 质量工程师只做两件事 — 描述问题、确认验证。其余全部交给 AI. 🤖 📚 💬 AI 驱动报告生成 统一知识入口 飞书驱动全程流转 Ø LLM 自动检索历史案例 Ø RAG 语义检索引擎 Ø 自动通知推送 Ø 生成 8D 报告初稿 Ø 团队知识标准化管理 Ø 验证任务卡片 Ø 工程师只需审核确认 Ø 个人经验可被调用 Ø 审批流程自动化 Ø 编写时间压缩90%+ Ø 知识不随人员流失 Ø 系统驱动替代人工 --- Page 9 --- Amazon Q Desktop 5 MCP SERVER 能科 QMS 1 能科 QMS 6 2 SKILL:能科 8d -report MCP Server 能科 QMS Service 3 知识 4 MCP 飞书 MCP Server 飞书 Bedrock AgentCore 7 runtime QMS 飞书客户端 ① 用户通过 Amazon Q Desktop 开始操作，描述产品缺陷问题，触发质量报告生成流程。 ② Amazon Q 调用 Skill（能科 8d-report），分析用户描述的缺陷信息，结合历史相似报告复用与 LLM 推理，生成完整的 8D 报告内容。 ③ 通过查询 Spaces 获取团队质量知识库，同时查询本地 PC 获取个人质量相关文档，作为报告生成的上下文知识来源。 ④ 配置 MCP 服务器地址，分别连接飞书与 QMS 两个 MCP 服务，获取可用工具列表，用于后续数据操作与通知推送。 ⑤ 飞书 MCP Server 与能科 QMS MCP Server 在 Amazon Bedrock AgentCore Runtime 中统一托管运行，提供标准化的 MCP 工具调用接口。 ⑥ 能科 QMS MCP Server 调用 QMS Service 接口查询历史数据。能科 QMS 系统基于 Amazon EKS 高可用部署架构实现高可用与弹性伸缩。相关中间件与数据服 务采用亚马逊云科技云托管产品。 ⑦ 报告生成完成后，Amazon Q 通过飞书 MCP 向飞书客户端推送完成通知及报告下载链接，完成业务闭环。 --- Page 10 --- 技术架构全景 用户层 USER LAYER 服务层 SERVICE LAYER Amazon Q Desktop — 智能工作台入口 Bedrock AgentCore Runtime — LLM 推理+Agent 编排 Skill: 能科 8d-report — 垂直行业技能 MCP Server — 飞书 & QMS 连接器 Spaces 团队知识库 — RAG 语义检索 Amazon EKS — QMS 高可用部署 本地 PC 文档 — 个人经验案例 飞书 MCP — 通知与审批流转 数据流向 用户描述 Q 调用 AgentCore RAG 检索 MCP 推送 人工确认 AI 出具 → → → → → → 缺陷 Skill LLM 推理 历史案例 飞书通知 验证 8D 报告 --- Page 11 --- 为什么选这套技术架构？ Amazon Q Bedrock AgentCore MCP Protocol ✦ 桌面端智能工作台，零学习成本 ✦ 托管 Agent Runtime，免运维 ✦ 标准化连接器协议 ✦ Skill 机制 = 行业能力即插即用 ✦ 多模型切换（Claude/Nova） ✦ 飞书/QMS 一次开发永久复用 ✦ Spaces = 团队知识统一管理 ✦ 内置 RAG + 知识库管理 ✦ AgentCore 托管 MCP Server ✦ 本地文档检索无需上传 ✦ 多步骤编排，适配 8D 流程 ✦ 新系统接入只需新增 MCP --- Page 12 --- 03 现场 Demo 10分钟完成一份 8D 报告 --- Page 13 --- Demo:10分钟完成一份 8D 报告 ① ② ③ ④ ⑤ ⑥ 描述缺陷 AI 检索+生成 飞书推送 人工确认 AI 出具 8D 通知完成 用户在 Amazon 自动通过飞书 LLM 检索历史案例 质量工程师确认 自动生成最终报告 飞书推送完成通知 Q 中 MCP 生成 8D 报告初稿 改进效果 归档 QMS 给相关方 输入产品问题 推送验证任务 人工 AI AI 人工 AI AI 人工操作仅 ① ④ 两个环节 检索、分析、编写、通知、归档 — 全部 AI 自动完成 --- Page 14 --- 04 落地效果 量化价值收益 --- Page 15 --- 量化价值收益 90% 60% 质量定位/根因分析/问题处置整体时间 人力成本降低 7天 → 6小时 资深工程师 → 普通人员 80%+ 5% 异常响应速度提升 问题复发率降至 4~24小时 → 10~60分钟 30% → 5% --- Page 16 --- 目标客户画像 🚗 📱 🏭 新能源汽车供应链 消费电子 / 半导体 大型制造集团 Ø IATF 16949 强制 8D 报告 Ø 高精度质量要求 Ø 已上云多工厂协同 Ø 供应商数量多、频次高 Ø 缺陷分析复杂度高 Ø 统一质量标准需求 Ø 主机厂对时效要求极严 Ø 需多维度数据建模 Ø 跨工厂知识共享 Ø 报告延迟直接面临索赔 Ø 根因追溯链路长 Ø 集团级质量报表 --- Page 17 --- 05 合作模式 经验分享 --- Page 18 --- 能科 × 亚马逊云科技：ISV 合作共赢 能科提供行业 know-how，亚马逊云科技提供平台+渠道，共建制造业 AI 质量新范式 能科科技 亚马逊云科技 ✦ 制造业 10+ 年行业经验 ✦ Amazon Q 智能工作台 ✦ 100+ 中大型企业客户 ✦ Bedrock + AgentCore AI 平台 ✦ QMS / MES / PLM 全栈产品 ✦ EKS 高可用基础设施 ✦ IATF / ISO 合规性深度适配 ✦ Marketplace 标准化交付 ✦ 质量域专业 AI 模型 ✦ 全球合作伙伴渠道 --- Page 19 --- Thank You! --- Page 20 --- Agentic AI × 制造业质量管理新范式 扫描上方二维码 填写调查问卷 ## 三、会议回放视频转录内容 好，非常感谢大家，我是来自能科科技的曹宇 然后，我这边今天跟大家分享的主题其实是来自于能科一贯的在工业制造领域的一些沉淀 包括结合到亚马逊云科技的一些 Amazon Q 或者加 AgentCore 这样的一些 AI 的服务能力 我们在这个产品质量管理的这个生产的一个 AI 的一个实践，跟大家分享一下 今天会有几个大的议题，首先大家看看其实我们在整个的，尤其是我们的制造业领域里面 我们整个的一个尤其质量管理的这个环节里面，我们会碰到一些问题 首先第一个就是，我们的现在的包括我们的电动汽车或者我们的一些出海的电子产品 或者是我们交付到了一些工业产品，其实我们有很大的一部分是要做到质量追溯或质量管理的 那其实对于我们的这个生产厂家来说要做到这个全流程的一个质量管理 其实它是需要有一套完整的方法论和这个一些合规的一些要求 比如说我们针对这个汽车的在欧洲的对于这个 IATF 的一些质量管理的要求 那我们怎么去在我们的整个的生产制造的流程过程中间或者产品交付的过程中间 怎么去用这个质量管理的方式，然后让我们的产品不断的去提高我们的产品的质量 以及说我们做到我们产品出现质量问题的时候 怎么去发现我们产品质量的问题和根因的分析以及去杜绝我们下次再犯同样的错误 那这个工作的涉及到的一些人包含来说我们的每一个这个质量的部门里面的质量工程师 甚至我们的产品设计里面的工艺的工程师以及我们的研发的工程师以及最后到我们的出厂之前的自检的人员 那整个环节里面涉及到这么多的人员 那我们其实有一套这个标准的方法论，叫做 8D 的一个方法论 那这里面包含来说我们怎么去解决我们的质量的管理问题 首先第一个就是我们要去当我们的客户反馈说我们的产品出现了一些质量问题的时候 我们需要去组建我们的整个的一个质量的追溯以及根因分析的一个团队 然后我们要去理解客户对于产品质量的这个问题的描述 他到底准不准确或者是说他到底能不能准确的描述到我的产品哪里有问题 然后第三步就是我们要去做一些临时的这种遏制的措施 比如说我的产线上确实是有一些 比如说我的这个很简单的这个车床的刀头如果出现了这种损耗 那他会导致我的产品交付质量是一定问题的 那我这时候会出现找到这种临时的遏制的措施 然后第四步就是我们会去根据我们现有的这个产品的历史数据 以及我们的这个客户的质量的这个报告去做我们的根因分析 然后给出下一步我们永久去解决这个问题的一些根本的方式 然后呢当然这个方式是需要经过验证的 就我们有一些验证的措施证明我们的方式是有效的 然后呢我们通过这个方式来确保说我们下次不会再发生同样的一些问题 然后最后会出一份完整的一些总结和报告给到我们的比如说 质量监督局或者是当地的一些合规的一些要求 所以这个就是 这个我们整个质量管理的一个很大的一个工作量 那如果说这个报告最后如果说 当出现大批量的产品质量问题的时候 如果没有及时的去向当地的这个监管部门去提交 这样的一个报告的时候其实我们可能会面临到 同样的面临到一些处罚或者是一些这种索赔的这个情况发生 所以对我们的这个 制造业的企业客户那个 那个厂家来说其实不希望发生这样的事情 那我们正常如果碰上这种大批量的产品质量问题的时候 我们完成一份报告 可能会需要 半天甚至 更多天的一些时间如果是处理这种 大批量的客户投诉的话可能这个报告会发生到七天 甚至更长的时间去来完成那个报告 所以其实对于我们的这个 厂家来说其实要处理这个事情需要花大量的这个人力 和精力去应付这样的事情 那其实对于我们这个能科这样的一个合作伙伴来说其实 做了十多年的这个 制造业的这些的一些客户来说其实我们有一整套的这个 对于这个质量管理的一些 自己本身的行业的沉淀然后我们再基于说 我们用一些 AI 的方式能够把这一块的东西能够去做提效 为客户去提供说我们能够快速的去生成 这种质量报告的这个生成那样的一个 一个实践 OK 那我们在整个这种传统质量 刚才我们提到这么多的事情要做 但是 真正要处理质量问题其实我们在核心的点上面 还是归纳为三点吧 那第一个就是说 我们的产品质量如果是 出现了一些我们可能之前没有碰到的问题 那我们怎么去定位这个产品的质量的 的根本的点在哪里 那我们可能需要有大量的这种 那种资深的这个质量的工程师去做他的 产品质量的分析工艺的分析 然后我要去 在我的产线里面去找到我这个海量的生产数据去分析我的整个 过程中间是不是会有这种 不合理的这样数据的产生 然后我要去在我的各个系统里面去找我的相关的这种 关联性的分析 然后呢去找到真正的能够构成我们产品质量交付的一个 核心的根本原因 那 第二个就是说我们在整个过程中间刚才我也提到 我们要去跨团队去跨不同的部门去找到 这个合适的人以及找到这个合适的关联关系去找到这个 问题的根因呢 这个上面其实有一个很大的一个协调的一个问题我要 我的质量工程师我要去协调我的工艺工程师要去协调我的质检人员 甚至我要去协调我可能我的物流过程中间的这个物流的东西 是不是造成我的这个产品交付上有问题 那这里面其实就会有大量的这个协调的工作以及说我的 各部门之间的这个数据的壁垒以及说我的 这个 工作职责的不清晰 所以这也是我们会造成说 去造成 去提交这样的一个质量报告的时候其实是会有大量的这种 协调性的工作 然后第三个就是其实 我们之前做质量分析的时候其实大量的依赖于我们的这个 经验丰富的老的这种质量工程师他能够 在他的这个日常的积累里面能很快找到说 这种情况可能会出现在什么样的一些原因上面那 他的这个 离开或者说他的这种离职会导致说我们可能整个 质量上管理上的这个一个非常大的一个空缺 所以我们一般 客户说对于这种 有非常有经验的这种质检员或者质量工程师其实都会投入大量的这个金钱去培养或者是留住他 那还有第二个就是说 我们以前很多的传统制造业的这个客户在记录产品质量数据的时候可能都是工程师手写的 用各种各样的这种不同的格式记录下来的东西 包含说甚至我们可能接到客户投诉的时候可能也是随手记录的东西 那这些 表单这些质量的这些数据我们怎么去 把它融会贯通能够真正起到我们做根因分析的时候量的一些数据的一些基础 那 最后一个就是说我有新人进来我可能新人的学习的这个 这个时间会比较长他可能要踩很多的坑 去才能 达到说我们资深工程师这样的一个 这个经验的能力能够很快的去定位这个故障点哪里 所以这是我们说在 整个质量管理过程中间其实我们所有的 客户我们所有的厂商其实都面临到现在 怎么去解决做三大的这个核心的一些困境 那对能科我们希望说 用 AI 的方式能够帮他们去加速或者去 提效这部分的内容 ok 那 这个其实我们第二部分我会跟大家介绍就是我们现在如果是说要做一个质量管理我们现在 用像亚马逊的 AgentCore 去开发一些 Agent 再加上我们的 Amazon Q 的前端 去给我们的质量的这个 质检人员或者是我们的质量工程师能够提供到一个 全端统一的一个界面的一个入口去完成我们整个质量的 报告那这里面其实主要是三大核心的一些功能第一个就是说我们使用 大模型去完成我们整个 所有的历史数据的一些案例的这个 检索和学习然后呢 用大模型的方式去按照我们标准的这个质量报告的方式去生成我们的质量报告的一些初稿 然后呢我们人工只要完成一些 基础关键信息的审核之后呢其实我们就可以提交这个报告那整个的这个 过程我们可以将这个 效率提升到90% 以上 那 第二个就是很核心的关键点就是我们用这个 刚才提到的 Amazon Q 里面我们可以去做一些知识库的管理我们可以把个人的知识库以及公司里面积累下来的一些共享的文件 去作为我们整体的一个知识库的一个入口 那所有的团队的成员 可以把自己的经验以及说公司历史积累下来的经验作为整个 我们的知识的一个沉淀 然后去为我们整个未来的 质量的管理的这一部分去做我们的知识积累 然后呢即使人员的流失或者是 新的这个质量的这个人员入职的时候他也能很快的去掌握到整个 质量的这一部分的报告的生成 那 同时我们会把这一部分的工作和我们的日常的这个 办公的协同软件比如说飞书 比如说微信我们去做一些集成我们可以在我们的飞书里面去自动的去 收到说我们的这个 Amazon Q 产生的这个初版的报告会推送到我们的飞书的相关的工作群里 那在整个工作群里面可以自动的看到说我们的报告的一些初稿 最后由 相关人员完整审核之后其实就可以 最后去 确认这个报告的生成 甚至我们整个的一个大致的一个架构 那这里面其实我们 前端还是说用我们的 Amazon Q 的 网页版也好或者 Desktop 版也好我们 在前面其实是集成了我们自己的 能科的这个 8D report Skill 然后呢我们将我们的个人的 文档的文件以及公司的文件我们会存放到不同的 比如说公司的 共享的东西我们会放到 Spaces 里 我们的共享空间里然后我们个人的这个 每一个质量的管理工程师手里面需要出报告的人里面会自己有 自己的这个 一些经验的积累会放到我们自己 local 的文件夹里 然后呢我们会去设置这个 飞书和我们的 QMS 系统就质量管理系统的对应 MCP 的 server 然后去做 Amazon Q 的这个集成 那后端其实就是我们会 再往后端其实就是我们的其实 这里面我画的是能科自己的一个质量管理系统 因为能科本身是做工业软件的 所以呢同时我们会在 飞书的客户端里面去做相应的这个机器人的这个设置和部署 去完成整个 链路的打通那当然我们整个 像我们的这个 Skill 或者是我们的一些 AgentCore 的 AI Agent 的一些开发我们是用 AgentCore 去完成的 那这里面是整个一个 大致的一个我们采用 亚马逊云科技这一块的这个 AI 的服务能力去完成我们整个应用系统的构建 那 大致再解释一下吧其实我们在用户层刚才提到了 我们用户层其实 所有的用户的入口当然都是在 Amazon Q Desktop 上面 那 这里面会配置我们的 8D 质量报告的一个 Skill 里面会约定说这个报告的模式以及报告的 需要去处理的一些 数据的格式以及说我们的这个业务的流程 然后呢我们的 Spaces 就是我们的空间里面会存放整个公司里面共享的这个知识文档 以及说我们的一些相关的这个 呃 非结构化的一些数据 然后本地的文档里面会存放我们自己个人的一些经验以及我们自己的一些 可能真正的这个报告它有一些自己独特的一些工作的要求 那后端呢就是说我们用这个 Bedrock 去开发了我们的这个大模型的推理加 Agent 的一些编排 然后我们也在 飞书和这个我们的质量管理系统里面去做了 MCP 的连接器 然后同时我们在 呃这个 应用侧呢我们的 AI 准备侧呢其实我们用了 EKS 去做了高可用的部署 不会出现单点的问题 OK 那这整个 数据其实就相对来说比较简单哈从 呃 Q 的前端去我们的用户去做一些这个产品质量的描述 然后呢这个产品质量描述完之后其实 我们的 Q 就会调用我们的 8D 的 Skill 去完成整个 这个 呃 故障的这个 筛选和 我们历史的一些 相关的这个质量数据的一些 呃调用然后去做我们的整个的推理 完成最后出稿之后我们会第一次推送到我们的飞书的 相关的这个用户群里 那我们的相关的这个质量的管理的审核的这个用户组里面会看到 一个 报告的一个初稿那当然这个初稿可能会是不同的格式有可能是 Word 有可能是 Excel 的 那 人工去完成确认之后其实我们只要点击确认在飞书的点击确认后台我们就会由这个 我们的这个 Q 的后台去完成整个报告的生成 那这些相对于一个比较简单的一个数据流 那其实我们为什么要选这个事呢因为 现在刚才提到的其实很多 在没有像这个 Q 之前可能只有像这个 Kiro 啊或者是这个 其他的一些这种 IDE 的这样的一些界面其实很多的我们的质量管理员或者是我们的一些相关的这个 呃质量的这个人员他对于这个 呃 IDE 的这个客户端其实 他并不是那么 使用的很习惯所以他希望更有一些 更接近于说我们像这个飞书或者是这样的一个 呃办公协同的这样的一个方式去提供一个工作的一个接口所以我们当时选择 Q 的这样的一个方式其实就是能够满足他们这样一个 对于这个日常办公需求的这样一个入口了 那 Skill 的东西其实就像那样是我们把能科自己的能力 这么多年在工业制造上面的一些积累的这个经验 变成了我们这个 Skill 然后去交付到这个客户的这一侧 然后呢我们也帮客户在完成整个 呃基于这个质量管理我们利用 Q 本身自己的这个 Spaces 去完成整个企业的这个 呃知识的统一管理 对 然后呢可能个人有个人自己的办公的一些需求有自己的一些 这个呃定制化的一些要求所以他的本地的文档不需要跟大家共享的时候其实可以放在本地的文件夹里 那 第二部分其实我们为什么用 AgentCore 的原因其实第一个我们就是 想肯定用全托管的方式然后呢我们可以去到 降低大家的对于这个运维的这个压力那 同时呢在 这个 Bedrock 这边呢其实我们可以去调不同的模型那我们可以去用 呃 Nova 我们也可以用 Claude 我们现在也可以用像 DeepSeek 之类的一些模型 根据客户自己的需求 然后呢第三个就是本身这里面 Bedrock 本身也自带了像 Q 也本身自带了自己的知识库的能力 我们也不需要去为客户去额外的去构建一些知识库的这个能力 OK 那最后一个就是我们现在就是说 用这个 我们的 MCP 的协议说我们希望是 所有的未来我们除开质量管理之外的一些其他的业务场景 我们也用标准的这种协议去做连接我们也能够去对接我们的 飞书啊之类的这样一些协同办公的软件包含我们自己能科的 呃质量管理系统或者是一些第三方的管理系统 那这个时候都是能够做到一次性开发给大家重复使用 OK 那如果说要在我们新增加的一些 系统除了质量管理系统或者有比如说 我们要在里面加入物流管理系统或者加一些这个 ERP 那我们也可以同样用这种 MCP 的协议方式能够很快的去将我们整个的业务的需求接入到整个系统里 OK 那这个因为 Demo 的这一部分呢其实我们在线下的能科的展台里是有一套现成 Demo 系统 大家如果有兴趣可以到那个展台里面大家可以去做一些现场的演示 那我在这里就不去放这个视频了 OK 那其实我大概可能那个 Demo 里面其实会大家体验到就是说 一份报告其实 我只要一句话比如说我假设我的某某产品 我的客户投诉说我某某产品的这个 我的油漆的这个附着力 时间不够久比如说我原来正常应该是你的 产品质量说明书里说可以这个产品这个油漆可以是附着 12个月那我现在可能三个月开始脱落了 那只要这么一句很简单的一个话 那 交到这个 Q 里面之后 Q 就会开始帮你自动去做整个产品质量报告的一些分析 它会在 10分钟20分钟之内就会出一份初版的报告出来 那这份报告其实经过人工审核之后呢其实 就可以在很快的时间里面去交到一份最终的根因分析和预防措施以及说我们怎么去 杜绝这样的情况再发生了将一份报告那 在整个五六个环节里面其实我们 人工介入的其实只有第一个和第四步我们就完成提交和确认剩下的全部交由 AI 来完成 所以对于整个 我们现在看到是我们在客户落地的场景来看其实 我们通常做一个 大批量的就是出现这种批量的质量问题的时候从报告的一个7天的时间 我们能够将这个报告的时间缩短到6个小时我们在一天之内就可以完成整个报告的提交 那我们原来可能需要去大量的去聘用这种资深的质量工程师 那我们现在可能用一些普通的员工就可以完成整个质量报告的生成 然后对于这种异常的响应速度如果说我们有一些临时的一些质量的这种 突发的质量的批量性的质量报告的这个异常的时候 其实我们能够很快速的去定位到我们这个 故障的根本原因在哪里我们能够在 可能在一个小时之内就能够将我们的这个临时的这个遏制的措施能够提交出来 能够让我们的这个产品不会说 在生产过程中间的导致的这个产品质量会一直的 去影响我们后续的产品的交付 那同时我们能够将这个产品 产品质量导致的这个问题的 复发的这个概率从百分之三十降到百分之五 那其实这个就是一个很大的一个进步了 对于我们的这个 产品的这个 生产厂家来说如果我的 导致一个产品重复出现这个质量问题的这种根因能够 明确下来 比如说有一个明确的一个 永久的这个预防发生的一个措施之后呢其实对于我们的产品的 成本 生产成本以及这个质量管控成本来说是一个大大的一个降低 ok 那 对于我们刚才提到的这一些 呃 需求来看其实我们现在总结来说 呃我们可能会面临到比如说在 三大的一个目标客户场景哈第一个就是说我们现在 中国的很多的这个新能源车 要出海在海外投产然后要去面临到当地的一些合规的 要求 所以呢那这里面 这是一个对于我们的 新能源车出海尤其包括了整个供应链出海的过程中间其实是一个很好的一个场景 那第二个就是 我们的消费电子半导体其实现在中国也有很多的消费 呃电子需要去出海那在这过程中间 他对于这个产品质量的这个追溯比如说我们的手机 出现一个产品质量问题说我们怎么回溯说我们整个产品生产过程或者运输过程中间 到底哪里出了问题 对这是一个很好的一个客户的一个应用场景 然后第三个就是说我们现在一些大型的这种 制造集团比如像 呃这个 我们传统的一些大型的像什么集装箱啊或者是一些大型的这个 呃 传统的制造业客户那他们现在很多其实也在海外建厂也在 海外去布他们的生产线那对于说我们怎么去 做他的 全球的质量协同的管理 因为对于可能不同的地区 语言版本也不一样这个 当地的合规的要求也不一样那所以 怎么去能够解决这个全球协同的问题 然后还有说我要跨区域的质量分享我的怎么去做 呃全球的这种统一的质量标准的设定 对以及最后我们说 呃每年的这种集团级的一些质量报告的一些汇报生成 那这都是需要说我们原来需要大量的人工去完成的 现在我们可以通过 AI 的方式去能够 大大的去提高大大部分的效率 ok 那 说到最后一局就是为什么是能科能干的一个事 哈因为能科 其实能科在成为亚马逊云科技的 partner 之前能科其实一直是 呃 专注于做我们的工业领域的这个 呃 这一部分的这个合作伙伴那 其实我们积累了大量的这种 工业的客户包含来说我们刚才提到装备制造汽车 以及呃 多种多样的这种 呃工业化的一些客户 所以 那我们有大量的这种行业经验的积累 同时我们有自己的一些质量管理系统 我们有自己的 MES 系统 然后我们还有一些物流管理系统 所以包括 PLM 的产品线 所以其实对于客户的整个产品生产制造的 这个 过程其实能科有非常非常多的这个经验的积累 那同时 我们自己也会在做一些这个产品质量域的一些 AI 的模型 我们在做一些垂域的这个行业的一些模型 能够基于这样的一些能力 去为我们的工业的客户去提供说刚才类似一套的质量管理 这样的一些 AI 的一些服务的一些能力 那当然其实作为亚马逊云科技的合作伙伴 我们其实 也会 深度的集成说这个亚马逊云科技的像这些 Amazon Q 或者 AgentCore 或者是 Bedrock 这样的一些服务的能力 为我们的客户 去打造这种集成的一些解决方案 OK 那我们最终其实是想说 我们和亚马逊云科技的一些合作 能够真正的为我们的这个制造业的客户 能够提高这个生产效率和我们的这个降本增效吧 其实说完了四个字就是 OK OK 那 今天的分享就到这 谢谢大家