Inspection Record Digester

将现场拍摄或扫描的检查记录表格（质量巡检、设备点检、体系审核）进行视觉识别、结构化、合并清洗与分析，产出 Markdown 分析报告与 CSV 结构化数据。

检查记录表格识别整理

一、技能定位

把"现场拍下来 / 扫进来的检查记录表格图片"变成"可分析的数据 + 一份整理结论"。

它不是一个 OCR 工具，而是一个闭环：视觉识别 → 结构化 → 合并清洗 → 分析 → 双产出（MD 报告 + CSV）。

核心价值在于三点：

1. 多张凌乱表格 → 一份合并、去重、格式统一的数据集；
2. 从记录里提炼结论（合格率、异常归类、趋势、TOP 问题），而不只是把字认出来；
3. 内置强制识别复核，防止把看不清的手写 / 畸变字段误当作可信数据。

二、适用场景与边界

适用（三类典型检查记录表，通用不绑质量域）：

• 质量巡检记录表（工序检 / 首检 / 巡检 / 终检）
• 设备点检 / 保养记录表
• 体系审核 / 内审检查表

输入介质： 纸质拍照、扫描件、屏幕截图、PDF 页面图片均可，支持一次投喂多张。

不适用：

• 用户已经持有结构化数据（Excel / CSV / JSON）→ 这类直接用其他分析技能，不必走识别流程；
• 表格完全无法辨认且无任何样本可参照 → 应如实告知用户，请其补拍或提供底稿，绝不编造；
• 需要对接实时数据库或业务系统 → 超出本技能范围。

三、输入形式

用户以图片形式投喂（在对话中直接贴图，或说明图片所在目录）。投喂时最好顺带说明：

• 这些表属于哪一类（巡检 / 点检 / 审核，或混合）；
• 关注的分析范围（如"只要 A 线 7 月的数据""只看设备异常"）。

如果用户未说明类型，Agent 应在识别后、合并前与用户确认归类，不要自行假设。

四、Agent 执行指引（关键流程）

严格按以下六步执行，不得跳过第 3 步的强制复核：

1. 收图：接收用户投喂的图片，确认表类型与关注范围。
2. 识别：用 Read 工具逐张读取图片，按 references/table-schemas.md 的字段定义，把每张表整理成结构化记录。每条字段标注识别置信度（高 / 中 / 低）。
3. 强制复核（防幻觉核心）：对低置信字段或关键字段缺失的行，列出具体疑点请用户确认或修正。绝不准擅自填充、猜测或"补全"看不清的内容。详见 references/recognition-review.md。
4. 合并清洗：将多张表的结构化记录合并，统一单位 / 日期格式，标记重复行与异常值（如合格率 >100%、日期超出范围）。
5. 分析 + 产出：将经用户确认的结构化数据写入一个 JSON 文件，调用分析引擎：

   text

   python scripts/digest.py <结构化数据.json> --out <输出目录>
   

   引擎按表类型分别分析，并在输出目录生成 report.md（分析报告）与 records.csv（结构化明细）。
6. 呈现：把报告要点转述给用户，并提示产物路径；如用户需要可在对话中直接展示关键结论。

识别动作由 Agent 的视觉能力完成，不要在脚本里重复造 OCR。digest.py 只处理"已经结构化、经用户确认"的数据。

五、三类表字段 Schema

完整字段定义、取值规范与识别要点见 references/table-schemas.md，摘要如下：

• 巡检表（inspection）：日期 / 产线工序 / 检验项目 / 标准 / 实测 / 判定(合格·不合格) / 不良现象 / 责任人
• 点检表（check）：日期 / 设备编号 / 点检部位 / 点检项目 / 状态(正常·异常) / 异常处理 / 点检人
• 审核表（audit）：条款 / 检查内容 / 证据 / 符合性(符合·不符合·观察) / 不符合描述 / 严重度

六、分析维度

完整计算口径与呈现规则见 references/analysis-dimensions.md，覆盖四类：

• 合格率 / 符合率：按项目 / 产线 / 设备 / 条款分组统计
• 异常 / 不符合归类：按现象 / 部位 / 条款维度聚合
• 趋势：按日期看不良率 / 异常数变化
• TOP 问题：高频不良 / 设备 / 条款排行

七、识别复核机制（防幻觉核心）

• 每张图识别时，对模糊、手写、表格线缺失、拍照畸变的字段，置信度标"低"；
• 所有"低"置信字段在进入分析前必须列给用户确认，用户修正后才纳入；
• 若整张图无法可靠识别，直接说明并请补拍，不产出误导数据；
• 详见 references/recognition-review.md。

八、交互示例

用户：（投喂 5 张巡检记录照片）这是上周 A 线巡检表，帮我整理下。

Agent：已识别 5 张，归为"质量巡检记录表"。有 3 处需你确认：

1. IMG_02 第 3 行 实测值 疑似 10.05 还是 10.5？（手写潦草）
2. IMG_04 第 1 行 责任人 无法辨认；
3. IMG_05 第 6 行 判定 涂改，看不清合格 / 不合格。 请确认这 3 处，我再把 5 张合并分析。

用户：1 是 10.05；2 是 张伟；3 是不合格。

Agent：收到，已修正并合并 5 张共 87 条记录。正在生成报告与 CSV……（调用 digest.py）产出已生成：report.md / records.csv。A 线本周巡检合格率 92.3%，主要不良为"尺寸超差"（TOP1，占比 41%）。

九、相邻技能与联动（纯提示，不强制）

• 特殊特性识别（special-characteristic-manager）：巡检发现的不合格若涉及关键/重要特性（CC/SC），提示用户升级处理；
• 质量文件管控（quality-document-control）：审核检查表产出的记录，提示纳入文件管控与归档；
• TPM / OEE（tpm-equipment-management / oee-analysis）：设备点检发现的异常，可衔接设备管理与效率分析；
• NPI / IPD（npi-quality-gate / ipd-consultant）：审核或阶段 gate 发现的问题，可回链到对应项目阶段。

十、TRACE 自评

维度	评分	说明
Trust（信任度）	8	强制识别复核，不编造看不清的字段
Reliability（可靠性）	9	六步流程固定，清洗阶段统一格式、标记异常
Adaptability（适配性）	9	三类表通用 schema，可扩展新表型
Convention（惯例性）	9	符合材料投喂式混合范式，双产出惯例
Effectiveness（有效性）	9	直接产出可分析数据集 + 结论，落地可用
合计	44/50	达标（≥40，单维≥6）

十一、注意事项

• 识别结果以用户复核为准，Agent 不得把低置信内容当作事实；
• 单位 / 日期统一在合并清洗阶段处理，并在报告中说明采用的统一规则；
• 产出 CSV 编码为 UTF-8（含 BOM），确保 Excel 中文正常；
• 本技能不绑定任何特定企业或商业符号，保持通用。