Agent Skills
返回列表
📊

DOE 实验方案生成器

数据分析 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @engicool/doe-experiment-design。

技能介绍

问题背景

在多因子工艺或产品测试中，工程师常需要先确定实验顺序。若因子和水平较多，全组合会迅速膨胀；若实验次数受限，又需要在主效应、交互效应和分辨率之间做权衡。手工排表容易遗漏组合，也不便于导入 pandas、Minitab 或自研分析脚本。

工作方式

该技能把 DOE 方案生成收敛为几个明确参数。全因子模式输入 --factors、--levels 和 --output，即可得到完整组合矩阵；部分因子模式面向 2^(k-p) 设计，输入 --base-levels、--num-factors、--resolution，用于在实验次数受限时保留更合适的主效应估计能力。脚本会输出 JSON 摘要，并导出包含 Run、Factor_A、Factor_B 等列的 CSV。水平通常用 0、1、2 等数值编码，方便后续做编码转换或回归分析。

适用边界

适合需要快速生成标准实验方案、核对实验次数，并把结果交给下游分析流程的场景。部分因子设计目前仅支持 2 水平；分辨率 III 对主效应估计更受限，选择时需结合因子重要性和交互效应预期。输出路径为当前工作目录下的相对路径，自定义因子名称需要在 CSV 或后续分析中维护。

使用场景

  • 工艺工程师在调试温度、压力、浓度三参数时，需要生成 3 因子 2 水平全因子实验表并导出 CSV。
  • 研发负责人在预算只允许 16 次试验时，要生成 6 因子 2 水平分辨率 IV 的部分因子方案。
  • 数据分析师准备用 pandas 做回归前，需要把因子水平编码成 Run、Factor_A 等列的标准实验矩阵。
  • 质量工程师在多参数失效分析中，要按 2^(k-p) 设计缩小试次数并保留主效应估计能力。

适合人员

  • 负责工艺参数筛选的工艺工程师，需要快速确认全因子实验次数。
  • 做多因素工艺试验的 QA/QE 工程师，需要输出可导入分析软件的标准 CSV。
  • 使用 pandas 做效应分析的数据分析师，需要数值编码的因子矩阵。
  • 主导失效分析的测试负责人，需要在有限预算下选择分辨率合适的 2 水平部分因子。