AIAgent在半导体制造中的

AI Agent正在成为半导体制造良率提升和产线自治的关键技术，它把分散在设备、工艺、量测环节的数据与决策串联成闭环。半导体行业对AI Agent的关注，来自制程复杂度上升、缺陷根因定位耗时、以及熟练工程师经验难以规模化复制这三重压力。

一、AI Agent不是聊天机器人，是能感知与执行的制造决策单元

半导体制造里的AI Agent，指部署在晶圆厂或封测厂环境中，能够自主感知设备状态、工艺参数、量测结果，并基于目标进行推理、规划、调用工具或API完成动作的软件实体。它和传统SPC系统、APC系统的区别在于：传统系统按固定规则触发报警或补偿，AI Agent则能根据上下文动态选择分析路径和应对策略。

一个典型的AI Agent包含四层：感知层接入设备日志、FDC数据、MES工单、量测报告；记忆层存储历史批次、机台履历、工艺配方版本；规划层用大模型或专用推理引擎做根因假设与任务分解；执行层通过接口调用EDA工具、配方管理系统或派工系统完成动作。部署方式可以是厂内私有化，也可以是边缘节点加中心推理的混合架构。

二、核心能力在于跨系统推理与闭环执行

AI Agent在半导体场景中真正有用的能力，不是生成一段文字，而是完成三件事。

第一是跨系统关联。晶圆缺陷往往同时涉及光刻机、刻蚀机、清洗机和量测机台的数据。AI Agent能自动拉取不同系统的时间戳对齐数据，把缺陷图谱和机台参数漂移关联起来。某电子厂假设场景中，化学机械抛光后出现微划痕，Agent在几分钟内比对了抛光垫寿命、 slurry流量和前一站清洗液浓度，给出三个可疑因子排序。

第二是动态规划分析路径。传统根因分析依赖工程师逐层排查。AI Agent可以根据中间结果决定下一步查什么。比如发现某腔体温度异常后，自动调取该腔体最近三次维护记录和同型号机台对比数据，而不是机械地跑完所有检查项。

第三是闭环执行与人工确认。Agent可以自动调整配方补偿值、触发复测、或生成派工建议，但关键动作需工程师确认。这种人在回路的模式在半导体行业更易落地，因为工艺变更通常受严格管控。

技术指标上，业界关注的包括根因定位时间缩短比例、误报率、以及Agent建议被工程师采纳的比例。部署方式多为容器化微服务，与现有MES、EAP、YMS通过API或消息队列集成。

三、应用场景覆盖前道、后道与设备维护

前道晶圆制造中，AI Agent可用于光刻套刻误差补偿。假设一家逻辑芯片厂，某批次套刻精度接近规格上限，Agent分析曝光机对准信号、晶圆形变历史和前层工艺数据，建议调整对准模型参数，并预测调整后效果。

后道封测中，Agent可用于测试程序优化。某电子厂假设场景，测试良率突然下降，Agent比对测试机日志、探针卡使用次数和温度曲线，识别出某测试项因探针磨损导致接触电阻上升，建议更换探针卡并重测。

设备维护方面，AI Agent可做预测性维护的决策层。假设一家功率器件厂，刻蚀腔体运行时间接近保养周期，Agent结合腔体壁沉积模型和最近晶圆缺陷率，判断是否需要提前保养，并给出保养后首片验证方案。这类应用不直接控制设备，而是把维护决策从固定周期变为条件触发。

四、落地建议：从单点闭环开始，避免大而全

半导体厂导入AI Agent，建议先选一个数据相对完整、影响面可控的场景，比如某道量测后的缺陷分类与根因推荐。不要一开始就做全厂调度Agent。

数据基础比模型选型更重要。时间戳对齐、机台ID映射、配方版本管理这三件事做不好，Agent的推理结果不可信。建议先花时间做数据治理，再谈Agent能力。

人在回路的设计要明确边界。哪些动作Agent可以自动执行，哪些必须工程师确认，哪些只做推荐，需要在系统设计阶段定义清楚。半导体行业对工艺变更敏感，自动执行范围过大会增加风险。

评估指标要务实。不要只看准确率，要看根因定位时间、工程师采纳率、以及误报导致的额外工作量。一个误报率高的Agent，即使技术先进，产线也不愿用。

五、趋势：从辅助决策走向产线自治，但节奏取决于数据成熟度

第一个方向是多Agent协同。未来晶圆厂可能同时运行多个Agent，分别负责光刻、刻蚀、量测区域，它们之间需要通信和协商。比如刻蚀Agent发现某腔体异常，通知光刻Agent调整后续批次优先级。

第二个方向是与数字孪生结合。Agent在数字孪生环境中先验证调整方案，再下发到物理产线。这能降低试错成本，尤其适合先进制程。

第三个方向是自然语言交互降低使用门槛。工程师可以用口语描述问题，Agent自动转化为查询和分析任务。但前提是底层数据模型和工具接口足够标准化。

半导体制造对AI Agent的接受度正在提高，但落地节奏取决于数据成熟度和组织对自动化的信任程度。先在一个场景跑通闭环，比铺开十个半成品更有价值。