AI 对话分析
一、功能定位
AI 对话分析是产线军师的统一交互入口。它把用户的自然语言问题转换为可执行的业务分析流程，让用户不需要先理解报表目录、指标模型或底层数据结构，也能围绕生产经营问题直接获得答案。
它面向的不是泛化闲聊场景，而是制造业中高频出现的查询、对比、诊断和决策支持问题。
二、系统如何理解问题
产线军师在对话中会持续识别和补足以下信息：
- 业务对象：产线、工段、工序、工位、设备、产品、工单、班次
- 观察指标：产量、OEE、良率、不良率、节拍、停机、故障、SPC 等
- 时间范围：今天、昨天、本周、上周、最近 7 天、指定班次或指定区间
- 分析维度：整线汇总、按设备拆分、按工序对比、按班次分布
- 分 析意图：查结果、看趋势、做对比、找异常、追原因、要建议
这意味着用户不必一次性把问题说完整，系统可以在多轮对话中逐步补齐语义上下文。
三、适合提问的问题类型
| 类型 | 说明 | 示例问题 |
|---|---|---|
| 结果查询 | 查询某个对象在某段时间内的关键结果 | 昨天 A 线产量和良率是多少？ |
| 趋势判断 | 观察指标随时间的变化方向和波动幅度 | 最近 7 天 OEE 是上升还是下降？ |
| 对比分析 | 比较不同时间、不同产线、不同工序之间的差异 | 本周和上周相比，哪条线变化最大？ |
| 异常识别 | 快速定位波动最大的对象或异常最明显的环节 | 最近三天哪道工序的节拍波动最明显？ |
| 原因追踪 | 从结果继续追问影响因素和可疑原因 | 上周良率下降 2%，主要原因是什么？ |
| 行动建议 | 在已有分析基础上生成下一步排查方向 | 现在应该先排查哪台设备？ |
四、为什么系统有时会先澄清问题
在制造分析场景里，同一句话往往可能对应多种口径。为了避免给出看似完整但含义错误的结论，产线军师会在必要时先澄清问题。
常见澄清场景包括：
- 对象不明确：你说的是整线、工序，还是设备
- 指标口径不明确：你要看上线数、下线数，还是合格产出
- 时间范围不明确：你说的“昨天”是自然日还是夜班归属日
- 拆分维度不明确：你希望看汇总结果，还是按设备 / 班次展开
澄清不是额外负担，而是保证分析口径一致的重要机制。
五、系统会输出什么
产线军师的输出通常不是一句回答，而是由多种信息组合而成：
- 结论摘要：先给出最核心的判断
- 关键数据：呈现支撑结论的指标结果
- 图表表达：按场景自动组织趋势图、分布图、对比图
- 异常提示：标记波动、偏差或异常集中的位置
- 分析解释：说明变化来自哪里、为什么值得关注
- 建议动作：给出下一步排查方向或优先级
这种回答方式更接近真实业务沟通，而不是单纯把一个数值返回给用户。
六、多轮追问如何形成分析链路
AI 对话分析支持围绕同一问题持续追问，例如：
- 昨天产量怎么样？
- 哪条线波动最大？
- 波动主要发生在什么班次？
- 是哪道工序拉低了整体表现？
- 现在优先应该查什么？
在这个过程中，系统会保留会话上下文，把前一轮确认过的对象、时间和分析范围延续到下一轮，减少重复输入。
七、适合哪些用户
- 管理层：快速查看核心结果、变化趋势和异常摘要
- 生产主管：快速定位产线、班次、工序的波动来源
- 质量 / 工艺 / 设备工程师：通过追问逐步进入原因分析和处理动作
八、与普通聊天机器人的区别
产线军师的 AI 对话分析强调的是“围绕业务问题组织分析”，而不是“围绕语言生成组织回答”。它的差异主要体现在：
- 懂工业语义：能 识别制造对象、指标和时间表达
- 懂业务口径：优先基于统一定义和专业能力得出结果
- 懂分析路径：可以先看结果，再追原因，再给建议
- 懂治理边界：当问题不清或证据不足时，会优先澄清或收敛
如果需要进一步判断哪些问题最适合交给产线军师、哪些场景需要额外前提，可参考 能力边界与适用问题。