行业参考 · 制造 · 质量 · 证据 E1
某芯片制造商把流片缺陷检测交给 WorkBuddy 搭建的自动化流程（匿名）
这是公开报道的其他企业案例，不是 Alan 交付的项目。内容由 AI 收集整理，以原文为准。
企业遇到的问题
流片与产线缺陷检测高度依赖人工，样品需要多个小团队逐个查看，难以快速规模化。
概要
央广网报道：一家未具名芯片制造商在流片与产线做缺陷检测，过去靠高速相机拍摄、人工逐张查看，流片环节至少需 3-5 个小团队盯样品；现在拍完直接进入 WorkBuddy 搭建的自动化流程，受访者称成本约为过去人力成本的十分之一。
原文写明的事实
- 原文写「一家芯片制造商」（未具名）在流片和产线做缺陷检测，过去靠高速相机一张张拍、人一个个看，流片环节至少需要 3 到 5 个小团队专门盯样品
- 受访者「某智能体团队工作人员」晏栋称：现在拍完直接进入 WorkBuddy 搭建的自动化流程，识别模型由 WorkBuddy 构建，流程也由它体系化串起来
- 同一受访者称：流片环节过去至少要有 3 到 5 个小团队专门检查每个样品，现在用这套系统，成本大约是过去人力成本的十分之一
- 同篇给出平台口径（汤道生）：WorkBuddy 今年 3 月上线，企业版落地 50 多个行业，覆盖中国企业 500 强中的 50%、100 强中的 60%，开放平台伙伴与开发者超 5 万家，上架技能超 20 万
- 原文举例「一家连锁茶饮品牌」（未具名）门店遍布全国、消费者覆盖规模近 10 亿，每天有数百亿甚至上千亿条数据要做分析
- 营销团队要从中圈出最近 30 天对某个品类有偏好的人群，再对 1000 万人同时做企业微信和短信触达，不能发漏、不能发重，还要及时送达
- 某企业营销智能体产品负责人叶忠凯称：背后是全域智能营销平台，底下有 CDP 客户数据平台和 FA 融合分析平台，负责海量消费者数据接入、治理、计算和分析，再往上是 AI 层；客户积累的营销经验被沉淀成「增长场景」，AI 策划活动时调用的是这些行业知识而不是大模型通识
怎么做的
- 输入：高速相机拍摄的样品图像
- 处理：拍完直接进入 WorkBuddy 搭建的自动化流程，识别模型由 WorkBuddy 构建
- 数据：流片与产线样品图像（规模未披露）
- 动作：自动识别缺陷，替代人工逐个查看
- 输出：缺陷检测结果，成本约为原人力成本的十分之一（企业方口述）
如果你也想做：复制评估
AI 初评，供参考。具体能不能做，要看你企业的数据、流程和人。
- 难度：高（需要开发 Skill / MCP / API）
- 需要的能力：图像缺陷识别
- 需要接的数据/系统：产线相机与检测设备
- 仍需人工的环节：未披露人工复核方式
- 风险：把「WorkBuddy 构建识别模型」扩写成具备工业视觉质检能力；以成本倍数替代质量指标
- 原文没披露的：企业匿名；无检出率、漏检率、误检率；模型构建方式不明
原文只有企业方口述的成本对比，没有检出率、漏检率与产线稳定性数据，能否在别家产线复制需实测确认。
来源
证据说明：央广网报道，但企业匿名、信息来自第三方智能体团队工作人员