数据与 AI · 制造质量分析 MVP · 原名 Interm
制造质量分析助手自然语言驱动的质量分析
在网页分析台上传一份或多份 CSV，用自然语言描述日期范围、产线或车型。本地 Ollama 解析并回显筛选条件，随后由系统筛选记录、计算不良率与候选因素；多数据源可分别分析并对比结果。
模型负责理解问题与解释证据，统计由确定性工具完成。日期筛选支持“上旬 / 中旬 / 下旬”等常见表达；LangGraph 串联问题解析、Python 统计、知识检索与报告生成。统计结果先展示，模型解释随后补充；若解释超时，已完成的统计仍可查看。报告保留筛选条件、样本量、执行记录、引用来源和人工确认状态。网页演示使用模拟生产数据，候选因素用于安排排查优先级，不代表已证实的因果关系。
项目看点
- 01统计先行
筛选条件确认后先展示确定性统计，模型解释随后补充。
- 02过程可查
保留筛选条件、执行轨迹与知识来源。
- 03人工判断
候选因素是排查线索，结论仍需结合现场确认。
- 项目形态
- 制造质量分析 MVP
- 主要输出
- 统计指标 · 候选因素 · 知识证据
技术栈与分工
- 流程编排
- Python · LangGraphOllama 解析条件，LangGraph 组织分析步骤
- 统计分析
- Pandas · DuckDB处理记录、计算指标与候选排序
- 分析界面
- Streamlit提供数据源配置与分析交互
- 知识检索
- RAG检索知识库并为分析结论保留来源
从问题到报告
- 01描述问题
输入时间范围、产线或车型
- 02解析条件
由本地 Ollama 提取条件，不使用规则回退
- 03统计先行
筛选记录并计算指标，完成后立即展示
- 04检索与解释
查找知识证据，再补充模型解释
分析范围与数据说明
- 工具范围
- Pareto、Cpk 与 SPC 作为独立分析模块；自然语言主流程聚焦不良率计算与候选因素排序。
- 演示口径
- 网站页面使用模拟生产记录，报告中的数字用于展示分析过程，不代表真实产线结果。
质量分析助手 · 完整操作录屏
从自然语言问题到统计结果、候选因素与可追溯报告。
演示数据为模拟生产记录；候选因素用于排查参考，不代表已证实的因果关系。
