Industry RAG
Definition品質異常客訴分析 RAG 是什麼
品質異常客訴分析 RAG 是把歷史異常紀錄、8D 報告、SPC 資料與客訴處理經驗，變成可即時檢索的知識庫，讓現場與品保用問的就查到對策與出處。
Key Takeaways
- RAG 全名檢索增強生成，先從自家品質文件檢索再生成答案，比純問 AI 更不會亂編。
- 把散在 Excel、8D、紙本的異常經驗集中成單一入口，新人也查得到老師傅的判斷。
- 每個答案都帶原始 8D 或工單出處，品保可回溯佐證，不是黑箱。
- 適合高雄岡山螺絲扣件、工具機廠這類異常樣態重複、老師傅經驗難傳承的場景。
- 導入費用依規模約新台幣 25～60 萬元，重點在文件清理與檢索準確度而非模型本身。
Pain高雄岡山的真實痛點
高雄岡山是全台螺絲、扣件與工具機的核心聚落，一條產線一天可能跑出上千種規格。當同一種螺牙成形不良或鍍層剝落的異常再度出現，現場往往靠資深師傅的記憶判斷，經驗一旦離職就斷鏈。
情境範例岡山扣件廠客訴重工的三小時
我們是岡山一家約 120 人的扣件廠，去年一筆外銷客訴回來，客戶說滾牙尺寸偏移。品保翻了三年前類似的 8D 報告翻了快三小時，因為檔案散在五個資料夾、命名又亂，最後靠一位快退休的老師傅才想起是熱處理爐溫飄移，那次重工加運費損失約新台幣 42 萬元。
痛點不只是找不到，而是相同異常一犯再犯。異常知識沒有沉澱成可查詢的資產，每次都像從零開始，SPC 管制圖也只是掛在牆上，沒和歷史對策連起來。
這正是我常協助的題目。賴家榮，甫東科技創辦人、SAIP 台灣首席 AI 長、SGS AI 認證；16 年帶團隊為超過 500 家企業做過系統與 AI 導入；服務高雄、台南、屏東、嘉義的中小企業主管與第一線團隊；開發時用 Claude AI、Codex、Antigravity 三工具分工，把老師傅的判斷邏輯留在廠裡。
SolutionRAG 解法：痛點→做法→可量化效益
RAG 的價值在於把模糊的經驗查詢變成可量化的流程改善。以下把岡山扣件與工具機廠常見的品質痛點，對應到具體 RAG 做法與可量化效益。
| 痛點 | RAG 做法 | 可量化效益 |
|---|---|---|
| 歷史 8D 散落找不到 | 把 8D、異常單、客訴信件切分後建向量索引，用自然語言檢索 | 查找時間由約 3 小時降到約 3 分鐘 |
| 相同異常重複發生 | 檢索類似異常時自動帶出根因與有效對策清單 | 重複異常件數約降 30～50% |
| SPC 圖與對策脫節 | 把管制圖異常樣態與歷史處置關聯檢索 | 異常反應時間由數小時縮到約 30 分鐘內 |
| 老師傅經驗難傳承 | 把口述判斷邏輯錄入問答庫，新人用問的查 | 新人上手週期約縮短 40% |
| 客訴回覆慢又不一致 | 依客訴類型檢索標準回覆與佐證出處 | 客訴首次回覆由約 2 天縮到約 4 小時 |
SOP標準導入流程 SOP：Claude × Codex × Antigravity
以下內容基於 2026 年 7 月各工具版本。三工具分工的邏輯是：Claude AI 負責語意理解、文件切分與答案生成的品質控制；Codex 負責寫檢索程式、資料串接與批次處理；Antigravity 負責把流程包成品保現場好用的介面與整合。三者分工才能兼顧準確與可維運。
1異常文件盤點Claude AI
輸入三年內 8D、異常單、客訴信件清單
動作用 Claude 分類文件類型並標出敏感資訊
產出文件盤點表與清理範圍
負責角色品保主管
常見地雷把過期或錯誤版本 8D 也收進來，污染答案
2文件清理與去識別Codex
輸入原始異常檔案
動作寫腳本批次轉檔、統一命名、遮蔽客戶名
產出乾淨可用的語料
負責角色IT 或工程師
常見地雷客戶名與報價未遮蔽，外洩商業機密
3切分策略設計Claude AI
輸入清理後語料
動作依 8D 步驟與異常代碼設計切分粒度
產出切分規則文件
負責角色品保工程師
常見地雷切太大檢索不準，切太碎失去上下文
4向量索引與檢索Codex
輸入切分後段落
動作建向量庫、寫檢索與重排程式
產出可查詢的檢索服務
負責角色工程師
常見地雷只用關鍵字比對，同義異常詞查不到
5生成與出處控制Claude AI
輸入檢索結果
動作設計提示詞要求答案必帶 8D 出處、查無資料要說不知道
產出帶出處的回答規則
負責角色品保工程師
常見地雷沒限制就亂編，品保無法採信
6現場介面與整合Antigravity
輸入檢索與生成服務
動作做成平板可用的問答介面並接 MES
產出現場可操作的查詢工具
負責角色IT 與現場主管
常見地雷介面太複雜，產線人員不願用
7試運行與維運Claude AI＋人工
輸入現場實際查詢紀錄
動作每週檢視答錯案例並補語料、調提示詞
產出維運手冊與更新機制
負責角色品保主管
常見地雷上線後沒人維護，知識越用越舊
關鍵在末步的維運機制，RAG 不是一次上線就結束，異常樣態會變、產品會改，知識庫要有人固定回頭補。
Flow一張圖看懂導入流程
1需求釐清
2文件清理
3切分策略
4向量索引與檢索
5生成與出處控制
6介面與整合
7試運行與維運
若看不到圖，以下純文字步驟表資訊等價，可依序照做。
| 階段 | 重點工作 | 產出 |
|---|---|---|
| 需求釐清 | 確認要解決的異常查詢與客訴場景 | 需求與範圍文件 |
| 文件清理 | 轉檔、統一命名、去識別化 | 乾淨語料 |
| 切分策略 | 依 8D 步驟與異常代碼設計粒度 | 切分規則 |
| 向量索引與檢索 | 建庫、寫檢索與重排 | 檢索服務 |
| 生成與出處控制 | 限制答案帶出處、查無要說不知道 | 回答規則 |
| 介面與整合 | 做現場問答介面並接 MES | 查詢工具 |
| 試運行與維運 | 檢視錯誤、補語料、定期更新 | 維運手冊 |
Case我踩過的坑：一次差點失敗的導入
情境範例岡山工具機廠語料太髒的教訓
我在岡山一家工具機零件廠做導入，前期太急著上線，把品保近五年的異常 Excel 直接倒進去，沒做版本清理。結果現場一查主軸振動異常，系統把三個已作廢的舊對策當成有效答案吐出來，差點讓技師照錯的參數調機。試運行第二週我們才發現答錯率高達約 35%，主因就是語料裡混了作廢版本與重複檔。
講師的建議
修正做法是回到源頭先做文件治理：用 Codex 寫腳本標出重複與作廢檔案，由品保主管人工確認有效版本，只把最終核准的 8D 收進語料；並在生成端要求每個答案標註報告日期與版本，現場一眼看得出新舊。重做後答錯率降到約 6%。教訓很清楚，RAG 準不準，八成決定在資料乾不乾淨，不是模型多強。
Checklist獨家資產：品質異常客訴 RAG 導入自我檢核表
導入前先用這張檢核表自評，八項都能打勾再上線，可大幅降低答錯與外洩風險。這是我帶團隊實際使用的清單。
Checklist
- 三年內 8D 與異常單已盤點並確認版本有效
- 客戶名、報價等敏感資訊已完成去識別化
- 切分粒度已依 8D 步驟或異常代碼設計並測試
- 檢索能處理同義異常詞，不只關鍵字比對
- 答案一律帶原始出處與報告日期
- 查無資料時系統會明確回覆不知道而非亂編
- 現場介面在平板或產線終端實測可順利操作
- 已指定維運負責人與每週更新語料的機制
FAQ常見問題 FAQ
常見問題 FAQ
導入品質異常 RAG 大概要花多少錢與多久？
費用依文件量與整合深度而定，中小型扣件或工具機廠常見範圍約新台幣 25～60 萬元，時程約 2 到 4 個月。多數成本落在文件清理與檢索調校，不是模型授權。建議先從單一產線的異常查詢試點，驗證有效再擴大，可控制初期投入並快速看到成效。
我們的 8D 都是紙本或掃描檔，也能做嗎？
可以，但要先數位化。掃描檔需經過 OCR 文字辨識轉成可檢索文字，紙本則要先掃描。這一步雖然費工，卻是讓歷史經驗變成活知識的必要投資。實務上會先挑近三年、發生頻率高的異常類型優先數位化，兼顧成本與效益，不必一次全部處理。
RAG 會不會把錯誤或作廢的舊對策當成正確答案？
會，若語料沒清理就很容易發生。防範方法是在文件治理階段標出並排除作廢版本，只收經品保核准的最終 8D，並要求每個答案標註報告日期與版本，讓現場能判斷新舊。定期維運時也要移除過期內容。資料治理做得好，這個風險就能有效控制。
現場產線人員不太會用電腦，介面會太難嗎？
介面設計是導入成敗關鍵，所以會做成平板可操作、用自然語言問答的形式，像問人一樣打字或語音即可。不需要學複雜系統，查詢結果直接顯示對策與出處。導入時會請現場人員實測並依回饋調整，確保產線願意用，而不是做了沒人碰。
這套系統會不會取代品保工程師？
不會，它是把重複查找與記憶的工作交給系統，讓品保工程師專注在判斷與改善。RAG 提供的是帶出處的參考答案，最終決策仍由人做。實務上導入後工程師省下大量翻檔時間，能投入更有價值的根因分析與預防，是輔助而非取代。
異常知識庫的資料安全怎麼保障？
資料安全從去識別化開始，客戶名與報價等敏感資訊在建庫前就遮蔽。系統可部署在廠內或私有雲，不外流。存取採權限控管，不同角色看到不同範圍。導入時會依企業資安政策設計架構，並留下稽核紀錄。對外銷客訴敏感的扣件廠，這一環尤其重要。
CTA下一步：三種開始的方式
無論你是岡山的螺絲扣件廠還是工具機零件廠，品質異常與客訴知識的沉澱都不該再靠老師傅的記憶。以下提供三種務實的起步方式，依你目前的準備程度選擇。
先下載這份品質異常客訴 RAG 導入自我檢核表，八項自評看看自家準備到哪裡
下載檢核表想聊聊自家異常文件現況與可行做法，預約 30 分鐘免費諮詢
預約 30 分鐘諮詢要幫整個品保與現場團隊做系統性培訓，來談企業內訓報價
詢問企業內訓報價
圖片來源 Image Credits
quality-inspection-manufacturing-line.jpg｜封面：品質異常與客訴分析 RAG 讓現場品保即時查到對策｜https://www.pexels.com/photo/8386440/worker-tablet-factory-fasteners.jpg｜岡山扣件廠品保人員以平板即時查詢歷史異常對策｜https://www.pexels.com/photo/9052803/cnc-machine-shop-inspection.jpg｜工具機產線現場以 RAG 知識庫比對 SPC 異常樣態｜https://www.pexels.com/photo/6611929/
本文為賴家榮 AI 教學中心原創教學內容；想讓團隊學會用 AI，歡迎看AI 課程或預約授課 →
代表圖片來源：圖片來源：Pexels
