MSA 测量系统分析

要解决什么问题

量产或实验室里，测量系统往往是质量判定的第一道关口：卡尺、天平、测试台、显微镜读数若重复性差、操作员间不一致或存在系统偏倚，后续的 SPC、CPK 都会建立在不可靠的数据上。MSA（测量系统分析）不是「算几个数」，而是一套从实验设计、数据收集到判定与改进的完整流程；对不熟悉标准方案的人，难点常在「该测多少件、几个人、几次」以及「数据怎么排成表」。

技能如何工作

本技能把流程拆成智能体引导与脚本执行两条线：

• 场景识别：通过问答确认量具类型、分析类型（Gage R&R、偏倚、线性、稳定性或综合）以及你对 MSA 的熟悉程度；不熟悉会走方案设计与采集指导，熟悉则可直接确认数据。
• 方案与模板：按分析类型给出推荐样本数、操作员数、测量次数与随机化要点，并参照 references/data_template.md 说明 Excel/CSV 字段（样本编号、操作员、测量次数、测量值）。
• 解析与分析：上传数据后由 parse_data.py 校验格式并提取结构，再按类型调用 gage_rr.py、bias_analysis.py、linearity_analysis.py、stability_analysis.py 等计算 EV/AV/GRR、偏倚显著性、线性关系或稳定性指标。
• 输出：generate_charts.py 生成均值图、极差图、贡献占比、偏倚线性图、稳定性控制图等；generate_report.py 组装单文件 HTML 报告（图表 Base64 内嵌），最后由智能体结合业务场景解读是否可接受及改进方向。

适用边界与注意点

• 依赖技能包内已声明的 Python 环境与脚本；数据格式不符合模板时不会强行分析，需先修正再跑流程。
• 结论解读应结合你的公差、过程变异与行业判定习惯，技能给出的是统计结果与常见判定参考，不能替代工艺或质量体系的最终决策。
• 交互说明面向中文用户；需要解释概念时可引用包内 references/msa_concepts.md 与 analysis_methods.md。