红外光谱鉴别分析

要解决的问题

红外鉴别的核心动作是把待测样品的图谱与标准图谱逐峰比对，但人工比对有几个实际痛点：

• 允差判定枯燥且易漏：官能团区 ±5 cm⁻¹、指纹区 ±2 cm⁻¹ 的规则需要逐峰核对，峰多时极易遗漏超差项
• 谱图质量参差不齐：水汽（~3500-3800 cm⁻¹ 锯齿峰）、CO₂（~2349 cm⁻¹ 双峰）等环境干扰可能叠加在样品峰上，肉眼容易误判
• 图片分析精度有限：从图谱图片上读取波数本质是估算，接近允差边界时（偏差 4-6 cm⁻¹）难以给出可靠结论

核心工作流程

技能支持两种输入模式，按精度需求选择：

图谱图片模式（默认）：上传实验图谱图片，AI 通过视觉识别提取峰位与相对强度，与参考峰表对比，适用于快速筛查，结论为定性辅助判断。

结构化数据模式（精度更高）：提供实验与参考的 wavenumber-transmittance CSV 峰表，调用 scripts/ir_peak_analysis.py 做精确定量对比，输出 JSON 结果、Markdown 报告和超差峰汇总表。

分析按五个阶段推进：

1. 数据准备：确认图谱扫描范围覆盖 4000-400 cm⁻¹，加载参考峰表或药典标准编号
2. 质量初步评估：以 2851 cm⁻¹ 附近聚苯乙烯薄膜峰的半高宽评估分辨率，检查基线平直度与信噪比
3. 波数允差分析：逐峰配对计算 Δν，超出区域允差即标记超差峰
4. 相对强度比较：以最强峰归一化后比较匹配峰对的强度比
5. 干扰识别：检查水汽与 CO₂ 特征峰是否影响主峰判定

边界与注意事项

• 图片模式下的波数提取是估算值，边界情况需注明"建议结构化数据验证"
• 多晶型药物同一化学结构可能呈现不同光谱，不一致时需考虑晶型因素
• 制剂样品需评估辅料干扰
• 判定依据以用户提供的标准峰表为准，建议注明药典标准编号；当前基于 2020 年版，引用其他版本需在报告中注明