产线异常因果知识库

## 传统故障库漏掉的那一层

现场拿到一个异常现象——UHT 产线胀包、碳酸饮料含气量不足、糖果返砂——打开故障库，往往只有一张扁平表：现象对应一个原因，命中就是命中，不命中就得翻旧案例、打电话问老师傅。更麻烦的是排故结束后的知识去向：这次排除了什么、验证了什么、概率该怎么调整，大多停在个人经验里，下次同样的异常仍从头再来。

## 从故障表到因果链

技能把每条异常组织成 现象 → 工段 → 因果链 → 证据 → 排查动作 的结构，scripts/reason.py 是推理引擎，核心命令是 query：

• 候选原因按后验排序：每条链标注 cause_type（物理/设备退化/控制/人为），先验必须带 probability_source（本厂历史/行业基准/专家评估），不写无出处的数字
• 证据可现场采集：evidence 含 param/observed/normal_range/collect，没有采集方式的条目过不了质量闸门
• 贝叶斯排除：query --eliminate 把实测判否的原因置零、存活项重归一化，输出「先验→后验」的变化
• 执行顺序独立：候选原因回答“可能是什么”，troubleshooting_path 按成本与停机升序回答“先查什么”
• 红线不放行：带 compliance_gates 的条目（无菌灌装染菌、杀菌温度波动等）红线置顶，AI 只给排查方向，放行归人

沉淀侧同样有纪律：add 新条目要过五道闸门（因果类型必填、概率有出处、至少一条可采集证据、禁用“设备老化”式万能原因、同现象概率和≈1）；case 回写案例并重校准概率，状态从 draft 逐级晋升到 validated。analyze 还能直接吃客诉/检验表（xlsx/csv），先清洗（去空、去重、归一、脱敏）再统计，对 Top 异常联动因果引擎并产出 PDF 报告。

## 边界与纪律

它聚焦食品/饮料/乳品/休闲食品/糖果产线的鉴别诊断，不做参数级深排——F₀ 积分、均质压力、温度场这类问题应路由到 food-quality-diagnosis；设备维修、工艺选型、污水与蒸汽系统在转介清单里，遇到边界技能会明确拒绝，而不是硬凑答案。

几条纪律值得记住：没有实测证据不 --eliminate，否则真因会被挤到后排；非 common:true 的跨品类条目只借机理不借概率，须用本厂案例校准后才能作排序依据；结论可信度看三项——status、probability_source、证据是否可采集，三者都弱的条目只当采数清单。