目录
🎬 云泽Q ：个人主页
🔥 专栏传送入口 : 《C语言》《数据结构》《C++》《Linux》《蓝桥杯系列》《笔试算法》《AI赋能》《STM32》
⛺️遇见安然遇见你，不负代码不负卿~
前言
大家好啊，我是云泽Q，欢迎阅读我的文章，一名热爱计算机技术的在校大学生，喜欢在课余时间做一些计算机技术的总结性文章，希望我的文章能为你解答困惑~
一、之前是怎么管的
我在一家精密零部件厂做质量工作。日常状态是这样的：
-
检验记录靠纸质：来料检、过程检、完工检，每批手写记录表，月底再录入 Excel。查一条记录翻半天。
-
不合格品靠口头跟：产线挑出不合格品，放在隔离区，通知谁谁来看------然后就没有然后了。没人跟踪处置结果。
-
客户投诉靠翻聊天记录：质量经理问"上次客诉的原因是什么"，只能去翻微信聊天记录，截图拼凑时间线。
-
纠正措施写了就忘：8D 报告写完改完就归档，下次同样的问题又出现。
我把这些痛点全部梳理了一遍，决定用飞算 JavaAI 的智能引导功能，一次性搭建一个质量检验与客诉追溯系统，把「发现→处置→关闭」的闭环搬到线上。
二、业务流程梳理
整个质量管理的核心，是围绕「不合格品」的闭环处置。画了一张业务流转图：
这张图把工厂质量管理的「人---机---料---法」闭环全部串起来了。我把这个流程输入给飞算 JavaAI 的智能引导，它自动拆解出了质检员、生产/工艺、客服、质量经理四个角色的操作节点和看板需求。
三、飞算 JavaAI 智能引导实录
我用的是最新版飞算 JavaAI 插件，开启了智能引导模式。
我的 Prompt：
Step 1｜确认需求
AI 对 Prompt 做了完整拆解：四种角色（质检员、生产/工艺、客服、质量经理）、八大功能模块（Dashboard、检验记录、NCR 处置、客诉追溯、纠正措施、趋势统计、质量门禁仪表盘），以及五段轨道流转的业务闭环模型。确认后进入下一步。
Step 2｜接口设计
AI 自动生成了12个接口方案，并且支持自定义优化。
Step 3｜表结构设计
MySQL DDL 自动生成了主外键关联和索引设计，特别是 NCR 表的五段轨道状态字段（discovered→isolated→reviewed→disposed→verified），每个阶段都有时间戳和责任人字段。
Step 4｜生成计划
列出了完整的文件产出计划：后端项目架构设计，以及 8 个功能模块；前端项目页面设计、 4 个通用组件、NCR 五段轨道独有组件、路由和 Pinia Store 结构。还标注了每页的数据依赖关系------哪些页面用 Inspection Store、哪些用 NCR Store。
Step 5｜源码生成
跑完 100% 进度条，完成了后端 SpringBoot 项目， 前端的 Vue 3 + Vite 5 + Pinia 的完整工程。零错误生成。
四、我搭建的质量追溯看板
整个系统围绕质量闭环设计，来看看每个核心功能模块。
工作台大盘
Dashboard 是质量经理的"日看板"------四张指标卡一看就知道今天生产质量状况，合格率趋势图能快速定位异常波动。
检验记录
来料检、过程检、完工检统一录入，每批记录含抽检数、缺陷数、合格率。三种检验类型用标签页切换，方便质检员快速录入。
NCR 不合格品处置
这是最核心的页面。每个 NCR 用五段轨道展示处置进度，已完成节点绿色打勾、当前节点蓝色高亮脉冲、未完成灰色。每段轨道可展开查看详情------评审结论、处置方案、复检报告，支持附件上传。
客诉追溯
客诉登记后自动关联对应的 NCR 和检验记录，形成完整的追溯时间线。质量经理打开客诉详情，就能看全"什么时候检的、谁检的、不合格项是什么、怎么处置的、为什么没拦截住"。
纠正措施跟踪
每项纠正措施关联客诉，从原因分析→措施制定→执行→验证全流程跟踪。8D 报告以折叠面板展示，不会占用主列表空间。
质量趋势统计
三张图表覆盖质量分析的三个维度：检验量趋势、合格率波动、缺陷类型分布，自动按月/周聚合。
| 场景 | 原来 | 现在 |
|---|---|---|
| 发现不合格品 | 贴红标签放隔离区，口头通知 | 系统开 NCR，自动分配处置轨道 |
| 查历史检验记录 | 翻纸质本子，或翻 Excel 表格 | 筛选+搜索，3 秒定位 |
| 客户投诉调查 | 翻微信聊天记录拼时间线 | 客诉→NCR→检验，一键追溯 |
| 纠正措施跟踪 | 8D 报告写完了事 | 系统跟踪执行进度和验证结果 |
| 质量趋势分析 | 月底人工汇总 Excel 图表 | 系统自动生成趋势图 |
六、人机协作反思
这次搭建质量追溯系统，我做了一个很重要的取舍：没有把 AI 当成黑盒，而是作为骨架生成器。
-
飞算 JavaAI 做的事：30 分钟内完成 8 个页面、5 个状态 Store、数据层、NCR 五段轨道组件的技术方案设计 + 工程落地。
-
我做的事：
-
NCR 时间线模型设计：五段轨道怎么流转、每个阶段需要什么字段、如何判断前置阶段已完成------这是质量管理领域的专业知识，AI 可以辅助但无法替代。
-
数据样本层设计：8 条检验记录、4 项 NCR、3 件客诉、4 项纠正措施，数据之间的关联关系必须体现真实业务逻辑。
-
UI 配色与易用性：白色底 + 品控绿 + 红色异常的双色系区分，洁净实验室风的整体视觉。
-
如果让我纯手写这套系统，从搭建工程到页面完善至少需要一整天。用飞算 JavaAI，从构思到产出可用原型大约用了 2 小时。更重要的是，它的智能引导帮我梳理了连自己都没想清楚的流程细节------比如 NCR 的五段轨道中，评审阶段应该有评审团队和结论字段，验证阶段应该有附件证据链。这些在聊天框里被 AI"反问"出来的细节，完善了我的设计思路。
写在最后
质量管理这件事，说大不大------一个不合格品不及时处置，可能产线下周还在用同一批有问题的料。说小也不小------一次客诉追溯不下来，可能丢了一个大客户。关键不在于用不用 AI，而在于把流程固化下来，让每个环节都有迹可循。
飞算 JavaAI 的智能引导，让我从"想做一个系统"到"看到可用的页面"之间的时间无限缩短。更重要的是，它让我可以把精力集中在业务流程设计 和数据可靠性上------这才是质量管理的核心。
结语
