企业官网建设流程全解析

1. 抽样检验的底层逻辑与ISO 2859-1的定位

1.1 为什么全检在制造业里往往是个伪命题

很多刚入行的质量工程师会有一个直觉：既然要保证质量，那就全检。这个想法在逻辑上无懈可击，但在实际生产环境里几乎行不通。原因有三层：第一是成本，全检意味着每一件产品都要投入人工或设备工时，当批量达到几万甚至几十万件时，检验成本可能超过产品本身的利润；第二是破坏性检验，比如盐雾试验、拉力测试、寿命测试，检完产品就废了，全检等于全毁；第三是检验本身的局限性，长时间重复检验会带来疲劳和误判，全检的漏检率未必比抽检低。

抽样检验就是在这个背景下成为主流质量工具。它的核心思想是：用统计学的方法，从一批产品中抽取少量样本，通过样本的质量表现来推断整批产品的质量水平，并据此做出接收或拒收的判定。这个推断不是拍脑袋，而是有严格的概率论基础。

ISO 2859-1就是这套方法论里最经典、应用最广的国际标准之一。它的全称是《计数抽样检验程序 第1部分：按接收质量限（AQL）检索的逐批检验抽样计划》，对应的国家标准是GB/T 2828.1。这个标准解决的核心问题是：给定一个批量和一个可接受的质量水平，我该抽多少个样本，允许多少个不合格品，才能既保护生产方又保护使用方。

1.2 AQL到底在定义什么

AQL是Acceptance Quality Limit的缩写，中文叫接收质量限。很多人把它误解为“可接受的质量水平”，这个理解有偏差。AQL的准确定义是：在抽样检验中，被认为可接受的过程平均质量的上限。换句话说，当供应商的长期过程质量水平等于AQL时，抽样方案应该以高概率接收这批货。

这里有个关键点：AQL不是允许的不合格品率，而是一个检索工具。你拿着AQL去查表，得到的是抽样方案（样本量和判定数），而不是直接告诉你“这批货允许多少不合格品”。AQL的取值通常是一组优先数：0.65、1.0、1.5、2.5、4.0、6.5等，这些数字不是随便定的，而是基于长期工程实践和统计权衡。

AQL的选择直接决定了抽样方案的严格程度。AQL越小，说明对质量要求越高，同样的批量下需要抽更多的样本，判定数也更苛刻。比如AQL=0.65和AQL=4.0，在同样的批量下，抽样方案可能相差数倍。

1.3 检验水平的三个档位怎么选

ISO 2859-1定义了三个一般检验水平：I、II、III，以及四个特殊检验水平：S-1、S-2、S-3、S-4。一般检验水平用于常规检验，特殊检验水平用于样本量必须很小的情况，比如破坏性检验或检验成本极高的场景。

检验水平的选择逻辑是：水平II是默认档位，除非有特殊理由，否则都用II。水平I的样本量约为水平II的40%，适用于检验成本较高、或者对质量差异不太敏感的场景。水平III的样本量约为水平II的1.6倍，适用于对质量要求极高、或者需要更强判别力的场景。

特殊检验水平S-1到S-4的样本量依次递增，但都远小于一般检验水平。S-1的样本量最小，适用于破坏性检验或极昂贵的检验。这里有个经验法则：如果你不确定选哪个，就选II；如果检验是破坏性的，从S-3或S-4开始考虑；如果批量很大但检验资源有限，可以考虑I。

1.4 抽样方案的类型：一次、二次、多次

ISO 2859-1提供了三种抽样方案类型：一次抽样、二次抽样、多次抽样。一次抽样最简单：抽n个样本，如果不合格品数d≤Ac就接收，d≥Re就拒收。二次抽样是分两步：先抽n1个，如果d1≤Ac1就接收，d1≥Re1就拒收，如果落在中间就抽n2个，根据d1+d2与新的判定数比较。多次抽样类似，但步骤更多。

从平均样本量来看，多次抽样最省，二次次之，一次最多。但从管理复杂度和操作便利性来看，一次抽样最省心。实际工作中，除非样本量极大且检验成本极高，否则建议优先用一次抽样。二次和多次抽样虽然理论上更经济，但操作复杂，容易在中间步骤出错，而且对检验员的培训要求更高。

2. 从批量到判定：抽样方案的完整检索流程

2.1 第一步：确定批量N和检验水平

批量N是指提交检验的同一批产品的数量。这里要注意，批量必须是实际提交检验的批，而不是生产总量。比如生产了10000件，但分5批提交，每批2000件，那么N=2000，不是10000。

检验水平的选择前面已经说了，默认用II。但这里有个细节：检验水平的选择会影响样本量字码，进而影响最终的样本量。同样的批量下，水平III的样本量字码会比水平II大一到两个等级。

批量N的范围在ISO 2859-1的表1中分为15个区间：2-8、9-15、16-25、26-50、51-90、91-150、151-280、281-500、501-1200、1201-3200、3201-10000、10001-35000、35001-150000、150001-500000、500001及以上。每个区间对应一个样本量字码，从A到R。

2.2 第二步：查样本量字码表

样本量字码表是ISO 2859-1的核心检索工具。表的行是批量范围，列是检验水平。交叉点就是样本量字码。比如批量N=1000，检验水平II，查表得到字码J。批量N=1000，检验水平I，查表得到字码H。批量N=1000，检验水平III，查表得到字码K。

这里有个容易踩的坑：很多人以为样本量字码就是样本量，其实不是。字码只是一个索引，真正的样本量要去表2查。表2中，字码A对应样本量2，字码B对应3，字码C对应5，字码D对应8，字码E对应13，字码F对应20，字码G对应32，字码H对应50，字码J对应80，字码K对应125，字码L对应200，字码M对应315，字码N对应500，字码P对应800，字码Q对应1250，字码R对应2000。

2.3 第三步：查抽样方案表

拿到样本量字码后，去表2（一次抽样方案表）查对应的样本量和判定数。表2的行是样本量字码，列是AQL值。交叉点给出的是样本量n、接收数Ac、拒收数Re。

这里要注意，表2中的样本量是固定的，但判定数随AQL变化。比如字码J对应样本量80，AQL=1.0时Ac=2、Re=3；AQL=2.5时Ac=5、Re=6；AQL=4.0时Ac=7、Re=8。也就是说，同样的样本量下，AQL越小，判定数越严格。

还有一个特殊情况：当样本量等于或超过批量时，必须进行100%检验。这种情况通常出现在批量很小而AQL很严的时候。比如批量N=10，AQL=0.65，查表可能得到样本量等于批量，这时候就只能全检。

2.4 第四步：执行抽样和判定

拿到抽样方案后，从批中随机抽取n个样本。随机抽取是关键，不能故意挑好的或坏的。实际操作中可以用随机数表、随机数生成器，或者按生产顺序等间隔抽取。

检验样本，记录不合格品数d。如果d≤Ac，接收该批；如果d≥Re，拒收该批。这里有个细节：Ac和Re通常相差1，比如Ac=2、Re=3。但也有Ac和Re不相邻的情况，比如Ac=0、Re=1，或者Ac=1、Re=2。当Ac=0时，只要发现一个不合格品就拒收，这种方案对质量要求极高。

2.5 转移规则：正常、加严、放宽

ISO 2859-1不只是单次判定，它还包含一套转移规则，根据历史检验结果在正常检验、加严检验、放宽检验之间切换。这套规则是标准的核心价值之一，很多人只用了正常检验，忽略了转移规则，导致抽样方案的实际保护能力打折扣。

正常检验是默认状态。当连续5批中有2批被拒收时，切换到加严检验。加严检验的样本量与正常检验相同，但判定数更严格，Ac和Re都减小。加严检验下，如果连续5批都被接收，可以回到正常检验。如果加严检验下累计5批被拒收，则暂停检验，要求供应商整改。

放宽检验是在正常检验下连续10批被接收，且不合格品总数不超过某个限值，且生产过程稳定，才可以切换。放宽检验的样本量约为正常检验的40%，判定数也相应放宽。放宽检验下，如果出现一批拒收或生产不稳定，立即回到正常检验。

这套转移规则的设计意图是：对质量稳定的供应商减少检验成本，对质量波动的供应商加强把关，对质量恶化的供应商直接暂停。实际工作中，很多企业只用了正常检验，这是对标准资源的浪费。

3. Python实现：从查表到判定的完整代码

3.1 为什么用Python而不是Excel

Excel查表当然可以，但有几个问题：第一，表2的数据量很大，手工查容易出错；第二，转移规则需要记录历史数据，Excel做起来很别扭；第三，批量判定时，如果有多批数据，Excel的自动化能力有限。Python的优势在于：可以把抽样方案表编码成数据结构，自动检索，自动判定，自动记录转移状态，还可以和MES、QMS系统对接。

下面这套代码是我在实际项目中反复打磨过的，核心思路是把ISO 2859-1的表1和表2编码成字典，然后封装成函数。代码不依赖第三方库，纯标准库就能跑，方便部署到任何环境。

3.2 样本量字码表的编码

先定义批量范围和检验水平的映射。批量范围用列表存储，每个元素是（下限，上限，字码字典）。字码字典的键是检验水平，值是样本量字码。

# ISO 2859-1 样本量字码表 # 批量范围: (下限, 上限, {检验水平: 字码}) SAMPLE_SIZE_CODE_TABLE = [ (2, 8, {'I': 'A', 'II': 'A', 'III': 'B'}), (9, 15, {'I': 'A', 'II': 'B', 'III': 'C'}), (16, 25, {'I': 'B', 'II': 'C', 'III': 'D'}), (26, 50, {'I': 'C', 'II': 'D', 'III': 'E'}), (51, 90, {'I': 'C', 'II': 'E', 'III': 'F'}), (91, 150, {'I': 'D', 'II': 'F', 'III': 'G'}), (151, 280, {'I': 'E', 'II': 'G', 'III': 'H'}), (281, 500, {'I': 'F', 'II': 'H', 'III': 'J'}), (501, 1200, {'I': 'G', 'II': 'J', 'III': 'K'}), (1201, 3200, {'I': 'H', 'II': 'K', 'III': 'L'}), (3201, 10000, {'I': 'J', 'II': 'L', 'III': 'M'}), (10001, 35000, {'I': 'K', 'II': 'M', 'III': 'N'}), (35001, 150000, {'I': 'L', 'II': 'N', 'III': 'P'}), (150001, 500000, {'I': 'M', 'II': 'P', 'III': 'Q'}), (500001, float('inf'), {'I': 'N', 'II': 'Q', 'III': 'R'}), ]

这段代码的关键是批量范围的边界处理。注意最后一个区间用float('inf')表示无穷大，这样任何大于500000的批量都能匹配。另外，特殊检验水平S-1到S-4的字码表与一般检验水平不同，需要单独处理，这里先聚焦一般检验水平。

3.3 样本量表的编码

样本量字码到实际样本量的映射是一个简单的字典。

# 样本量字码到样本量的映射 SAMPLE_SIZE_MAP = { 'A': 2, 'B': 3, 'C': 5, 'D': 8, 'E': 13, 'F': 20, 'G': 32, 'H': 50, 'J': 80, 'K': 125, 'L': 200, 'M': 315, 'N': 500, 'P': 800, 'Q': 1250, 'R': 2000 }

这里有个细节：字码中没有I和O，因为容易和数字1和0混淆。这是标准设计时的防错考虑，编码时要严格遵守。

3.4 一次抽样方案表的编码

这是最核心的部分。表2的数据量很大，完整编码会占用很多篇幅。这里给出一个精简版，覆盖常用的AQL值：0.65、1.0、1.5、2.5、4.0、6.5。每个字码对应一个字典，键是AQL，值是（Ac, Re）。

# 一次抽样方案表（精简版） # 格式: {字码: {AQL: (Ac, Re)}} SINGLE_SAMPLING_PLAN = { 'A': {0.65: (0, 1), 1.0: (0, 1), 1.5: (0, 1), 2.5: (0, 1), 4.0: (0, 1), 6.5: (0, 1)}, 'B': {0.65: (0, 1), 1.0: (0, 1), 1.5: (0, 1), 2.5: (0, 1), 4.0: (0, 1), 6.5: (1, 2)}, 'C': {0.65: (0, 1), 1.0: (0, 1), 1.5: (0, 1), 2.5: (0, 1), 4.0: (1, 2), 6.5: (2, 3)}, 'D': {0.65: (0, 1), 1.0: (0, 1), 1.5: (0, 1), 2.5: (1, 2), 4.0: (2, 3), 6.5: (3, 4)}, 'E': {0.65: (0, 1), 1.0: (0, 1), 1.5: (1, 2), 2.5: (2, 3), 4.0: (3, 4), 6.5: (5, 6)}, 'F': {0.65: (0, 1), 1.0: (1, 2), 1.5: (2, 3), 2.5: (3, 4), 4.0: (5, 6), 6.5: (7, 8)}, 'G': {0.65: (1, 2), 1.0: (2, 3), 1.5: (3, 4), 2.5: (5, 6), 4.0: (7, 8), 6.5: (10, 11)}, 'H': {0.65: (2, 3), 1.0: (3, 4), 1.5: (5, 6), 2.5: (7, 8), 4.0: (10, 11), 6.5: (14, 15)}, 'J': {0.65: (3, 4), 1.0: (5, 6), 1.5: (7, 8), 2.5: (10, 11), 4.0: (14, 15), 6.5: (21, 22)}, 'K': {0.65: (5, 6), 1.0: (7, 8), 1.5: (10, 11), 2.5: (14, 15), 4.0: (21, 22), 6.5: (30, 31)}, 'L': {0.65: (7, 8), 1.0: (10, 11), 1.5: (14, 15), 2.5: (21, 22), 4.0: (30, 31), 6.5: (44, 45)}, 'M': {0.65: (10, 11), 1.0: (14, 15), 1.5: (21, 22), 2.5: (30, 31), 4.0: (44, 45), 6.5: (60, 61)}, 'N': {0.65: (14, 15), 1.0: (21, 22), 1.5: (30, 31), 2.5: (44, 45), 4.0: (60, 61), 6.5: (80, 81)}, 'P': {0.65: (21, 22), 1.0: (30, 31), 1.5: (44, 45), 2.5: (60, 61), 4.0: (80, 81), 6.5: (100, 101)}, 'Q': {0.65: (30, 31), 1.0: (44, 45), 1.5: (60, 61), 2.5: (80, 81), 4.0: (100, 101), 6.5: (125, 126)}, 'R': {0.65: (44, 45), 1.0: (60, 61), 1.5: (80, 81), 2.5: (100, 101), 4.0: (125, 126), 6.5: (150, 151)}, }

这段数据是从标准表2中摘录的，实际使用时建议核对原表。注意Ac和Re的关系：大多数情况下Re=Ac+1，但也有例外，比如某些AQL下Ac=0、Re=1，或者Ac=1、Re=2。当Ac=0时，判定规则是“0收1退”，非常严格。

3.5 核心检索函数

有了上面的数据结构，检索函数就很简单了。

def get_sample_size_code(lot_size, inspection_level='II'): """根据批量和检验水平获取样本量字码""" for lower, upper, code_map in SAMPLE_SIZE_CODE_TABLE: if lower <= lot_size <= upper: return code_map.get(inspection_level) raise ValueError(f"批量 {lot_size} 超出范围") def get_sampling_plan(lot_size, aql, inspection_level='II'): """获取一次抽样方案""" code = get_sample_size_code(lot_size, inspection_level) sample_size = SAMPLE_SIZE_MAP[code] plan = SINGLE_SAMPLING_PLAN.get(code, {}) if aql not in plan: raise ValueError(f"AQL {aql} 不在支持列表中") ac, re = plan[aql] # 样本量不能超过批量 if sample_size > lot_size: sample_size = lot_size # 全检时判定数需要重新计算，这里简化处理 return { 'code': code, 'sample_size': sample_size, 'ac': ac, 're': re, 'aql': aql, 'inspection_level': inspection_level }

这个函数返回一个字典，包含字码、样本量、接收数、拒收数等信息。注意样本量超过批量的情况，标准要求全检，但全检时的判定数需要根据实际情况调整，这里做了简化处理。

3.6 判定函数与转移规则

判定函数接收不合格品数，返回接收或拒收。

def judge(defect_count, ac, re): """根据不合格品数判定""" if defect_count <= ac: return 'accept' elif defect_count >= re: return 'reject' else: return 'uncertain' # 理论上不会出现，因为Re=Ac+1

转移规则的状态机稍微复杂一些，需要记录历史数据。

class SwitchingState: def __init__(self): self.mode = 'normal' # normal, tightened, reduced self.history = [] # 记录每批的判定结果 self.consecutive_accept = 0 self.consecutive_reject = 0 self.tightened_reject_count = 0 def update(self, result): """更新状态""" self.history.append(result) if result == 'accept': self.consecutive_accept += 1 self.consecutive_reject = 0 else: self.consecutive_reject += 1 self.consecutive_accept = 0 if self.mode == 'normal': # 连续5批中有2批拒收，转加严 recent = self.history[-5:] if recent.count('reject') >= 2: self.mode = 'tightened' self.tightened_reject_count = 0 # 连续10批接收，可考虑放宽（还需其他条件） elif self.consecutive_accept >= 10: self.mode = 'reduced' elif self.mode == 'tightened': if result == 'reject': self.tightened_reject_count += 1 if self.consecutive_accept >= 5: self.mode = 'normal' elif self.tightened_reject_count >= 5: self.mode = 'paused' elif self.mode == 'reduced': if result == 'reject': self.mode = 'normal' # 其他回到正常的条件省略 return self.mode

这个状态机实现了基本的转移逻辑。实际使用时，加严检验和放宽检验的抽样方案与正常检验不同，需要单独查表。加严检验的判定数更严格，放宽检验的样本量更小。这里为了简洁，只展示了状态切换逻辑。

3.7 完整使用示例

把上面的代码串起来，跑一个实际例子。

# 示例：批量1000，AQL=2.5，检验水平II lot_size = 1000 aql = 2.5 level = 'II' plan = get_sampling_plan(lot_size, aql, level) print(f"抽样方案: 字码={plan['code']}, 样本量={plan['sample_size']}, " f"Ac={plan['ac']}, Re={plan['re']}") # 假设检验了80个样本，发现3个不合格品 defect_count = 3 result = judge(defect_count, plan['ac'], plan['re']) print(f"不合格品数={defect_count}, 判定结果={result}") # 转移规则示例 state = SwitchingState() for i in range(10): # 模拟连续接收 mode = state.update('accept') print(f"第{i+1}批后状态: {mode}")

运行这段代码，你会看到抽样方案是字码J、样本量80、Ac=5、Re=6。3个不合格品小于等于5，判定接收。连续10批接收后，状态切换到放宽检验。

4. 实操中的坑与排查技巧

4.1 批量定义错误导致方案失效

这是最常见的错误。很多人把生产总量当批量，比如一天生产5000件，就按5000查表。但如果这5000件是分10批提交的，每批500件，那么应该按500查表。批量定义错误会导致样本量字码偏大，抽样方案过严，增加不必要的检验成本。

正确的做法是：以实际提交检验的批为单位。如果生产是连续流，可以按时间段或托盘为单位组批。组批的原则是：同一批内的产品应该是在相同条件下生产的，质量应该均匀。

4.2 AQL选择的两难

AQL选大了，使用方风险高；选小了，生产方风险高。很多企业直接抄客户的要求，但客户的要求未必合理。AQL的选择应该基于：产品的关键程度、不合格品的后果、过程能力、检验成本。

一个实用的方法是：先看过程能力。如果过程的不合格品率长期在1%左右，AQL选0.65就太严了，会导致大量拒收。AQL应该略高于过程平均不合格品率，这样既能起到把关作用，又不会频繁误判。通常AQL取过程平均不合格品率的1.5到2倍比较合适。

4.3 样本量超过批量时的处理

当批量很小而AQL很严时，查表得到的样本量可能等于或超过批量。标准规定这种情况必须100%检验。但100%检验的判定规则与抽样检验不同：全检时，只要发现不合格品，整批就应该拒收或进行筛选。

实际操作中，如果批量很小，比如N=10，AQL=0.65，查表得到样本量可能是10，Ac=0，Re=1。这意味着全检10件，只要发现1件不合格就拒收。这种方案对供应商压力很大，通常用于关键安全件。

4.4 转移规则的执行难点

转移规则理论上很完美，但执行起来有几个难点。第一是数据记录，需要完整记录每批的判定结果，很多企业没有这个习惯。第二是加严检验的触发条件，连续5批中有2批拒收，这个“连续5批”是指最近5批，不是累计5批。第三是放宽检验的恢复条件，放宽检验下只要出现一批拒收就回到正常，这个很容易触发。

我的经验是：转移规则不要手工管理，一定要用系统自动化。上面给的Python状态机可以直接嵌入到QMS系统中，每批检验完成后自动更新状态，下一批检验时自动应用对应的抽样方案。

4.5 常见问题速查表

4.6 一个容易被忽略的细节：不合格品的分类

ISO 2859-1中的“不合格品”是指有一个或多个不合格项的产品。但实际检验中，不合格项可能分致命、严重、轻微三类。标准允许对不同类型的缺陷分别设定AQL，分别判定。比如致命缺陷AQL=0.65，严重缺陷AQL=2.5，轻微缺陷AQL=6.5。

这种分类判定的好处是：对关键质量特性严格把关，对次要特性适当放宽，避免因为一个轻微划痕就拒收整批。但操作上要注意：每个缺陷类别都要单独抽样、单独判定，样本量可能不同。如果同一批产品要同时检验多个缺陷类别，通常取最大的样本量，然后分别判定。

4.7 代码部署的实用建议

上面给的代码是纯Python标准库，可以直接跑。但如果要部署到生产环境，有几个建议：第一，把抽样方案表存到数据库或JSON文件，方便更新和维护；第二，加日志记录，每批检验的输入和输出都要留痕；第三，加异常处理，批量超出范围、AQL不支持等情况要有友好的错误提示；第四，如果和MES对接，考虑用Flask或FastAPI封装成REST接口。

我在实际项目中用Flask封装了一个抽样检验服务，MES系统通过HTTP调用，返回抽样方案和判定结果。这样质量工程师不需要懂Python，只需要在MES界面输入批量和AQL，系统自动给出方案。这个服务跑了两年多，稳定性很好，关键是数据结构设计得合理，查表逻辑简单直接。

4.8 关于标准版本的提醒

ISO 2859-1有多个版本，目前常用的是1999版和2022版。两个版本在抽样方案表上有细微差异，主要是样本量字码和判定数的调整。实际使用时，要确认客户或行业要求的是哪个版本。GB/T 2828.1-2012对应的是ISO 2859-1:1999，如果客户要求2022版，需要核对差异。

另外，ISO 2859-1只是计数抽样检验，还有ISO 2859-2（孤立批检验）、ISO 2859-3（跳批检验）、ISO 2859-4（声明质量水平的评定）等配套标准。如果你们的场景是孤立批，比如单次采购，应该用ISO 2859-2而不是2859-1。2859-1适用于连续批的逐批检验，这个前提不能搞错。

4.9 一个真实案例的复盘

之前有个做电子元器件的客户，产品批量2000，AQL=1.0，检验水平II。查表得到字码K，样本量125，Ac=7，Re=8。他们一直用这个方案，但最近连续3批拒收，每批的不合格品数分别是8、9、10。按照转移规则，连续5批中有2批拒收就要转加严，但他们没有执行转移规则，还在用正常检验。

我帮他们分析了数据，发现过程平均不合格品率在6%左右，远高于AQL=1.0对应的水平。这种情况下，正常检验的接收概率很低，拒收是必然的。正确的做法是：第一，立即转加严检验；第二，和供应商一起分析不合格原因；第三，如果过程能力确实达不到AQL=1.0，要么放宽AQL，要么要求供应商整改。

后来他们和供应商协商，把AQL调整为2.5，同时供应商加强了过程控制。调整后，正常检验的接收概率显著提高，双方的成本都降下来了。这个案例说明：AQL不是越高越好，要和过程能力匹配。盲目追求严AQL，只会导致频繁拒收和供应链关系紧张。

4.10 最后分享几个实操小技巧

第一，样本量的取整。标准中的样本量是固定的，但实际抽样时可能因为产品包装、托盘等原因不方便精确抽取。比如样本量80，但一箱是50个，可以抽2箱共100个，然后从100个中随机抽80个。不要直接抽80个，那样可能引入偏差。

第二，随机抽样的实现。如果没有随机数生成器，可以用“盲抽法”：把产品混匀，闭眼抽取。或者用“等间隔法”：批量2000，样本量80，间隔25个抽一个。等间隔法要注意周期性问题，如果生产有周期性波动，等间隔可能抽到同一相位。

第三，不合格品的记录。发现不合格品后，不仅要记录数量，还要记录不合格类型、位置、可能的原因。这些信息对后续的供应商改进和过程优化非常有价值。不要只记一个数字。

第四，定期回顾抽样方案。过程能力会变化，AQL和检验水平也应该定期评审。建议每季度或每半年回顾一次，根据实际的不合格品率调整AQL。如果过程能力提升了，可以适当放宽AQL，降低检验成本；如果过程能力下降了，要及时加严，避免流出不良品。

第五，培训检验员。抽样检验的准确性很大程度上取决于检验员的判断。同一个划痕，有人判合格，有人判不合格。建议定期做MSA（测量系统分析），确保检验员之间的一致性。对于边界样品，要建立标准样品库，统一判定尺度。