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路径，它把大模型的推理能力与设备控制、工艺知识、检测数据打通，让工厂从“自动化”走向“自主化”。

一、什么是半导体制造里的AI Agent

半导体制造是典型的复杂巨系统。一条12英寸晶圆产线通常有上千道工序，涉及光刻、刻蚀、薄膜沉积、离子注入、清洗、量测等环节，每道工序又对应几十到上百个工艺参数。传统做法是靠SPC统计过程控制和工程师经验来调机，问题在于数据量大、变量耦合强、响应速度慢。

AI Agent在半导体场景下，可以理解为一个具备感知、推理、决策、执行闭环能力的软件智能体。它不只是跑一个预测模型，而是能主动读取设备日志、量测结果、MES工单状态，结合工艺知识库做出判断，再通过接口向设备或MES下发调整建议，甚至直接闭环控制。和传统APC先进过程控制相比，AI Agent的差别在于它能处理非结构化信息，比如工程师的调机笔记、设备报警文本、缺陷图片描述，并且能跨工序做关联推理。

二、技术原理与关键能力

拆开看，半导体制造中的AI Agent通常依赖几项底层能力。

1. 多源数据接入与语义对齐

设备端的SECS/GEM数据、量测端的CD-SEM和膜厚数据、缺陷检测的ADC分类结果、MES里的批次历史，格式和频率都不一样。Agent需要先把这些数据映射到统一的工艺对象模型上，比如把某个腔体的RF功率、气体流量、腔体压力和时间戳对齐到同一片晶圆上。

2. 工艺知识图谱与RAG检索

半导体工艺窗口窄，很多规则写不进代码。业界常见做法是构建工艺知识图谱，把设备手册、故障代码、历史调机案例、FMEA文档做成可检索的知识库。Agent在推理时通过RAG调取相关片段，避免大模型凭空编造工艺参数。

3. 工具调用与闭环执行

Agent能调用MES的工单接口、APC的参数下发接口、EDA的缺陷复判接口。假设某道刻蚀工序的CD量测值偏移超过阈值，Agent可以先检索历史相似批次，判断是腔体状态漂移还是光刻来料问题，再决定是建议工程师复检还是直接触发APC补偿。

4. 多Agent协同

半导体产线里不同工序目标会冲突。刻蚀Agent想保CD均匀性，薄膜Agent想保厚度，量测Agent想减少抽检频次。多Agent架构下，它们通过共享的产线状态做协商，避免单点优化导致整体良率下降。

三、制造业应用场景

场景一：某电子厂晶圆代工厂的刻蚀工序调机

假设一家做逻辑芯片的晶圆厂，刻蚀后CD量测频繁出现批次内漂移。传统做法是工程师翻历史数据找相似腔体状态，耗时长且依赖个人经验。部署AI Agent后，Agent实时读取腔体匹配信息、OES光谱和上次清洗后的累计RF小时数，在量测结果出来前就给出腔体健康度评分，并推荐下一步的补偿参数。工程师从“救火”变成“审核建议”。

场景二：假设一家功率半导体企业的缺陷根因分析

功率器件对缺陷敏感，但缺陷检测设备每天产出大量ADC图片。很多工厂的ADC分类准确率不够，需要人工复判。AI Agent接入ADC结果后，把缺陷类型、发生工序、设备腔体、前后批次良率做关联，自动生成根因假设，比如“某腔体在清洗后第3到第5批次容易出现微尘缺陷”，并推送给设备工程师做PM提醒。

场景三：假设一家化合物半导体厂的MES工单调度

化合物半导体小批量多品种，换线频繁。AI Agent读取设备可用状态、光刻板寿命、特气库存和交期优先级，动态调整工单排序。和传统排程软件不同，Agent能处理“某台涂胶机今天下午湿度偏高，建议把高精度层优先排到另一台”这类非结构化约束。

四、选型与落地建议

不少企业在上AI Agent时容易踩两个坑：一是只买大模型不做数据治理，二是期望Agent直接替代工程师。

实操上建议分三步走。

第一步，先锁定一个高价值窄场景。比如就做刻蚀腔体健康度评分，或者就做ADC复判辅助。场景越窄，数据对齐越容易，验证周期越短。

第二步，把工艺知识显性化。让资深工程师把调机规则、故障处理SOP、历史异常案例整理成结构化文档。没有这层知识库，Agent的推理会飘。

第三步，保留人工确认环节。半导体产线对误动作容忍度极低，初期让Agent只给建议不直接下发参数，等准确率稳定后再逐步开放闭环权限。

选型时可以关注几个点：是否支持SECS/GEM和OPC UA接入、是否有半导体行业知识模板、是否支持私有化部署、是否允许工程师用自然语言追加规则。目前业内已有累计3200余家终端在各类制造场景中验证过AI Agent的工程化能力，其中120余家客户覆盖15+行业，半导体是其中对实时性和准确性要求最高的方向之一。

五、趋势展望

1. 从单工序Agent走向跨工序良率Agent

未来Agent会打通光刻、刻蚀、薄膜、量测的数据墙，做全流程良率归因。比如把光刻套刻误差和刻蚀CD偏移联合建模，提前预测电性参数漂移。

2. 设备端边缘Agent

随着设备算力提升，部分推理会下沉到设备边缘。Agent在腔体控制器层面做毫秒级响应，只把异常摘要上传到MES，减少数据搬运延迟。

3. 人机协同的工艺知识飞轮

工程师每次审核Agent建议时，系统会记录采纳或修改行为，反哺知识库。用得越久，Agent对特定产线的工艺窗口理解越准，形成越用越聪明的闭环。

半导体制造的复杂度决定了它不会一夜之间变成无人工厂，但AI Agent正在把工程师从重复调参和跨系统找数据中解放出来，让良率优化从“事后分析”变成“事前预测”。这个方向值得制造和IT团队持续投入。