从 4小时到 100 秒：一名 NPI 工程师用 Agent 重构量测报告流程

一、我的工作：新产品导入里的"数据关卡"

我所在的部门负责新产品导入（NPI）。一款产品从试产到量产，中间会经历多轮巡检、首件检验——每次都会产生一份量测报告：几十到几百个尺寸点位，每个点位都要评估它的过程能力（CPK/PPK），判断是否在公差范围内稳定受控。

这些数据来自公司的 QMS 系统，导出来是一份 Excel：前 10 列是产品信息（机种、品名、料号、制程、机台号……），第 2~4 行是标准值与上下公差，第 5 行起是密密麻麻的量测值。我手上的典型样本是 200 多个量测点位、44 个尺寸组、210 列。

然后我要做三件事：

1. 在 JMP 里逐个点位拉过程能力分析图（正态分布图），把公差线带上；
2. 统计哪些尺寸的 CPK 不达标（<1.33 要预警，<1.0 要开改善单）；
3. 把这些图和数据拼成一份 PPT 报告，发给项目和客户。

这三步，手工做一次要 2~3 小时，而且很容易出错——漏掉某个尺寸、公差线带错、图表贴错页。更痛苦的是，它每周、每次试产都要重来一遍。

二、转机：把"流程"交给 Agent

我开始尝试用 Agent（AI 助手）来解决这件事。但一开始我很快就撞了墙——如果我只是跟它说"帮我做一份量测报告"，它要么胡乱猜文件结构，要么写出一堆跑不通的代码，要么直接卡在数据量大到处理不了。

真正让事情发生变化的，是我换了个思路：不让它"临场发挥"，而是和它一起把整套流程固化下来，沉淀成一个可复用的"技能"（Skill）。

这个技能叫 excel-flow-matching，核心设计是三件事：

① 流程匹配引擎，而不是硬编码。 技能启动第一步不是直接处理数据，而是先"看"文件：识别表头行、关键词列、规格行位置、量测列从哪一列开始，再结合用户的需求描述，用结构相似度 + 语义相似度（TF-IDF）算出 Top5 候选流程。目前内置 6 个流程，覆盖 QMS/MES 两种数据格式、图片与 PPT 两种输出。

② 流程必须由人确认，禁止自动跑。 匹配出结果后必须弹窗让用户选。这不是形式主义——当文件结构完全匹配时，5 个流程的匹配度都会显示 100%，此时只有用户自己知道要的是"只要图片"还是"完整报告"、"混搭风格"还是"全箱线图"。

③ 步骤由代码按配置顺序执行，模型只做"传话筒"。 一旦流程选定，后续每一步都在 YAML 里定义好：读取 → 清洗异常值 → 删空行 → 计算规格限 → 生成中间 Excel → 调用 JMP → 统计 → 生成 PPT。由执行器按顺序调函数，模型不得跳过、替换或自己写代码处理数据。

三、打通最后一公里：JMP 自动化 + PPT 自动装配

技能最难、也最有价值的部分，是把 JMP 和 PPT 串进自动化链路。

JMP 侧：我们把分析脚本写成 JSL 模板，技能自动替换其中的路径占位符，然后以子进程方式调用 JMP 执行——一次跑完 200+ 张正态分布图和 44 张箱线图，公差线、轴范围全部自动带入。这里踩过坑：JMP 装在非默认路径（D:\APP\jmp\jmp.exe），必须在配置里显式指定；数据量大时执行超时，把超时从 120 秒提到 600 秒才稳。

PPT 侧：用 python-pptx 自动填充模板——首页 CPK 统计表 + 三色饼图（≥1.33 / 1.01.33 / <1.0），第二页低 CPK 尺寸明细表（3 位小数，<1.0 红底、1.01.33 黄底），后面每个不达标尺寸一页 FACA 详情页并自动插图。表格行数不够时用 lxml 动态补行，一页最多 20 行自动分页。

一次典型的执行：200 个量测点 → 44 个尺寸组 → 18 页 PPT（1 汇总 + 1 明细 + 16 个 FACA 页），约 100 秒。相比手工 2~3 小时，效率提升 60~90 倍，而且不会漏尺寸、不会贴错图。

四、三种报告风格：一个参数解决的"众口难调"

报告做出来后，内部很快有了新需求：有人希望多点位尺寸看箱线图（能看出各点位分布差异），有人却觉得单点位也该统一成箱线图，还有人坚持"我就要看正态分布图，多一点位就把所有点位图都贴上去"。

于是我们把插图逻辑抽象成一个参数 chart_mode，一份代码支持三种风格： 1. 单点位→正态分布图，多点位→箱线图（标准版） 2.所有尺寸（含单点位）→箱线图所有尺寸→正态分布图； 3.多点位全部点位图都插入（≤6 点纵向堆叠，>6 点自动三列网格）

新增两个流程几乎没写新代码——只新建了两个 YAML 配置，把最后一步的参数改一下。这也验证了模块化设计的价值。

五、踩过的坑：一次"17 页 0 插图"的事故

自动化跑通后有一次翻车：我调整了 JSL 里图片的保存命名（加了中文后缀），但忘了同步 PPT 里查找图片的代码。结果生成的报告 17 张 FACA 页，一张图都没有，从外面看流程"成功完成"，问题只有打开 PPT 才发现。

这件事让我立了个规矩：每次改动后必须做全量验证。我们写了一个校验脚本，逐页提取图片、用哈希比对判断插的是正态图还是箱线图、数量对不对、位置对不对。最近一次完整验证是 3 种风格 × 16 页 = 48 页，全部通过、0 缺失 0 错配。

六、现实考验：内网、27B 模型、离线环境

技能在外网（WorkBuddy + 云端大模型）跑得很顺，但要推广到同事那里，遇到了更硬的约束：

• 同事在很多工序只能在公司保密区工作，电脑只连内网；
• 本地部署的大模型只有 27B，比云端模型弱一大截；
• 内网 无法在线安装插件、无法调用外部 API，依赖只能打包成离线 wheel 分发；
• 内网的 Agent 工具是开源的 OpenClaw，和 WorkBuddy 的技能机制不兼容。

弱模型暴露出的问题很具体：长指令丢上下文、跳过"执行前必须弹窗"、把匹配度算错、遇到复杂分支（比如 MES 双文件公差识别）就乱猜。

应对办法是把"需要模型动脑"的环节全部搬进程序：

1. 加命令行接口 --match-only，直接输出结构化 JSON（含精确匹配度），弹窗文案要求原样复制 JSON，禁止模型自己算分；
2. 主文档瘦身到只剩核心协议，复杂细节拆到 references/ 子文档按需读取；
3. 新增 check_env.py 一键诊断（venv、依赖、JMP 路径、模板、流程配置全项检查），报错先跑诊断，不让模型乱试；
4. 文档顶部写死 5 条"铁律"：禁止自写代码处理数据、弹窗 label 必须照抄、未确认不执行等；
5. 依赖打成离线 wheel 包随技能分发（注意：编译型 wheel 是 cp313，同事的 Python 必须是 3.13）。

一句话总结：让模型从"执行者"降级为"传话筒"，用工程手段兜住模型能力的下限。

七、收获与展望

回头看，这个技能带来的不只是"省时间"：

• 时间：单份报告 2~3 小时 → 100 秒，且可复现、可审计；
• 质量：流程固化后不会漏尺寸、错公差、贴错图；
• 复用：同事装好依赖就能用，不再依赖个人经验；
• 方法论：我摸清了一套"Agent 技能工程"的做法——流程匹配做入口、配置驱动做步骤、程序兜底做保障、结构化输出降低对模型的要求。

如果只能给 Agent 产品提一个改进建议，我会希望有"模型无关的确定性执行层"：技能能声明哪些步骤必须由程序强制完成，让同一份技能在 27B 本地模型和云端大模型上表现一致；同时原生支持离线/内网场景（插件与依赖可整体打包离线安装、核心流程不依赖在线 API），并推动跨平台的技能打包标准，让外网开发的技能能一键迁移到内网的开源 Agent 上。

对制造业同行，我的建议是：不要期待 AI 一次就能替你干完整件事，但如果你愿意花时间把自己的工作流程拆清楚、写成配置、配上验证，它能给你带来的复利远超预期。真正值钱的不是模型有多聪明，而是你把多少"自己的 know-how"沉淀进了它。