AI辅助调查生产批次偏差根因

原文要点

原模板的事实边界是：偏差由POST webhook进入，字段含偏差ID、批次ID、产品、描述与发现元数据；流程先规范化字段并生成会话ID，再由OpenAI调查代理按需要用HTTP工具读取MES/historian设备事件、eBR操作日志、EMS环境读数，并对历史已关闭CAPA做向量库RAG检索；输出解析为排序假设、证据、置信度和立即措施，写入PostgreSQL作为GxP导向留痕；低置信度发Slack转人工，达标则等QA批准，批准后PATCH回QMS并可建CAPA草稿。导读未给可导入文件、确切表列名、阈值数值或API路径。

这次做成什么

在本站做一个可隔离演练的最小版偏差根因分流台：不进真实QMS，不碰真实MES，用合成偏差JSON驱动一条 n8n 逻辑，练习“触发→归一化→AI假设→置信度分支→留痕/审批输出”的字段设计；原模板界面、节点名和列名需在你的n8n与QMS核对，本页不声称已复刻原工作流。

准备什么

• 一个可开测试webhook的n8n实例，允许新建临时凭据但不在生产环境启用写入
• OpenAI兼容模型凭据或本地mock模型；若没有向量库，先用本站合成CAPA片段代替RAG
• PostgreSQL测试库与Slack测试频道，或全部改成日志输出以避免外发
• 一份合成偏差输入，不含真实客户、批号可追溯到真人的信息或密钥

具体怎么做

1. 接入触发并定义字段映射

   在n8n新建手动/测试Webhook，POST body约定为 deviation_id、batch_id、product、description、detected_at、detected_by_role、severity。第一个处理节点只保留这些字段，补 session_id=deviation_id+detected_at 的哈希或时间后缀，补 investigation_status=received；得到一条统一JSON，任何缺字段都先进入manual_review而不是让AI猜。

2. 准备三类只读证据与假RAG

   不要先连真实MES/eBR/EMS。建三个HTTP Tool占位或三个Set节点，分别返回合成设备事件、操作日志、环境读数；历史CAPA用本站材料里的两段合成记录放到提示词上下文。AI代理提示词强制只输出JSON：hypotheses数组含rank、cause、evidence_refs、confidence、recommended_action，外加overall_confidence与needs_human。

3. 解析JSON并做置信度分支

   在OpenAI后加结构化解析/JSON校验：若解析失败、overall_confidence低于本站练习阈值0.70、或hypotheses为空，则走低置信分支：插入PostgreSQL状态low_confidence，发Slack测试频道“转人工”，webhook返回{accepted:true,route:manual}。达标分支不直接写QMS，先产生approval_token并进入等待/模拟审批；练习中用另一个测试webhook输入approve或reject。

4. 审批后的留痕与回写占位

   approve时把approved_root_cause、approved_actions、qa_decision_at写入同一调查表，再用HTTP占位PATCH到 sandbox-qms.local/deviations/{deviation_id}，body只含已批准字段；reject时更新状态rejected并发Slack。完成输出只回测试频道：偏差ID、采纳根因、措施数、CAPA草稿是否仅为draft。

可直接复制的材料

你是制药/制造质量偏差调查助手，但不得宣称已完成监管判定。只能基于用户提供的偏差字段、合成MES设备事件、合成eBR操作日志、合成EMS环境读数、合成历史CAPA片段推理。输出必须是单个JSON对象，不要Markdown，不要额外文字。结构：{"needs_human":boolean,"overall_confidence":0到1的数字,"hypotheses":[{"rank":1,"cause":"中文短句","evidence_refs":["mes:...","ebr:...","ems:...","capa:..."],"confidence":0到1,"recommended_action":"立即可执行且低风险的动作"}],"immediate_actions":["不超过3条"],"audit_note":"说明证据不足处"}。规则：证据不足就needs_human=true；不要编造未提供的设备、人员、时间；置信度只表示本次合成练习的一致性，不代表合规结论；所有引用只能来自输入证据编号。

{"deviation_id":"DEV-2026-0904-001","batch_id":"B-EX-1001","product":"示例口服液A","description":"灌装中段扭矩报警2次，首件复测合格但批记录第7步签名延迟","detected_at":"2026-09-04T10:22:00+08:00","detected_by_role":"QA巡检","severity":"medium"}

{"mes":["mes:E01 10:19 灌装线扭矩上限报警","mes:E02 10:21 操作员复位后继续运行"],"ebr":["ebr:S07 批记录步骤7签名时间10:35，晚于系统步骤完成10:24","ebr:S05 清场确认完整"],"ems":["ems:R201 温度22.1C，湿度45%，无超限"],"closed_capa":["capa:C-88 相似扭矩报警根因为夹具磨损，措施为班前点检","capa:C-91 签名延迟根因为交接班培训不足"]

-- 仅测试库，非原模板列名；原表列需按你下载/查看的工作流核对
CREATE TABLE IF NOT EXISTS public.deviation_investigations_practice(
  id bigserial primary key,
  session_id text not null,
  deviation_id text not null,
  batch_id text not null,
  route text not null,
  overall_confidence numeric(4,3),
  result_json jsonb not null,
  qa_decision text default 'pending',
  created_at timestamptz default now()
);
-- n8n环境占位：OPENAI_CRED=测试凭据；PG_CRED=测试库；SLACK_CHANNEL=#qa-practice；QMS_BASE=https://sandbox-qms.local；APPROVAL_WAIT=true

输入与输出示例

本站虚构演示，未调用原模板、OpenAI、Slack或QMS；数字只是让字段对应，非作者运行结果。

输入

POST 上面的合成偏差：DEV-2026-0904-001，批次B-EX-1001，描述为扭矩报警2次且步骤7签名延迟，detected_by_role为QA巡检。

对应输出

示意返回：{"accepted":true,"route":"manual","session_id":"DEV-2026-0904-001-202609041022","reason":"overall_confidence=0.62低于0.70或证据链不完整"}；同时在测试表生成result_json，包含两条假设：夹具磨损引用mes:E01/capa:C-88，交接培训不足引用ebr:S07/capa:C-91，Slack测试频道收到转人工通知。

做完检查这些

• 缺description或severity时，流程必须先标记manual_review，不能进入AI假设输出
• AI返回非JSON、hypotheses为空或任一confidence超出0到1，都判定为解析失败并转人工
• overall_confidence为0.69时只写测试表和Slack转人工，不产生approval_token或QMS PATCH
• 模拟审批reject后，测试表qa_decision=rejected，且不创建CAPA草稿、不发送完成摘要
• 所有证据引用必须能在本次输入的mes/ebr/ems/capa片段中找到，否则needs_human=true

容易卡住的地方

• 原导读没有给出确切PostgreSQL列名、阈值、QMS路径，照抄本站的practice表到生产会造成审计字段口径错误
• 把AI置信度当成合规结论会放大风险；它只应触发分流，最终根因需要QA批准
• 真实MES/eBR/EMS常有分页、时区和权限差异，先只读沙盒验证字段，再让代理调用工具
• 不要在提示词或Slack消息里放真实患者、客户姓名、密钥或未脱敏批记录