分析与优化

文档状态：当前科学策略。本文件说明如何按工程问题选择方法，以及当前数值实现的边界。算法可以升级，核心价值和证据原则不随算法改变。

本文定义分析准入、运行比较、真实配方运行优化、候选原因验证和序贯优化的科学与实现边界。数值实现、回放协议和方法晋级条件均应能够由开发者和方法评审者独立复核。

分析流程概览

Ingot 按以下顺序执行分析：

1. 先确认数据来自同一次真实运行，而且条件、过程和质量结果能够对应；
2. 比较满足可比条件的运行，识别差异和证据缺口；
3. 把通过准入的真实配方运行直接组成优化观察，不要求先建立实验；
4. 在安全边界和已观察覆盖范围内给出下一配方建议；需要因果确认或外推时，才另行设计受控验证。

系统不会因为模型更复杂就优先使用它，也不会把历史相关性直接写成确定原因。

方法选择原则

Ingot 不从算法出发，而从工程师正在做的决定出发：

复杂方法不天然优于简单方法。样本少、覆盖差或变量混杂时，正确动作可能是补数据、做一个辨识实验或拒绝回答，而不是训练更复杂的模型。

分析准入

任何模型之前先确认一次运行是否具备可信证据：

• 运行已经完成；
• 实际可控条件存在，不能由计划值静默替代；
• 过程数据和所需特征可用；
• 目标与安全结果具有数值、单位和来源；
• 场景声明的分析必需上下文已经解析；
• 配置、特征和检验版本明确；
• 数值有限且运行—质量关联唯一。

不满足条件的运行仍保留在数据质量报告中。排除原因本身是接线和流程改进的证据。

诊断就绪度与混杂披露

系统用 readiness.mode 表示当前证据最多支持哪种分析：

• descriptive-only：只能看数据覆盖、缺失和趋势，不能生成候选原因；
• exploratory：可以显示初步候选排序，但稳定性还不够；
• candidate-ranking：候选排序经过样本外和稳定性检查，但仍不是已确认原因。

无论处于哪一级，候选原因都必须经过受控重复验证才能升级为因果结论。响应还会列出本次比较中同时变化的条件、组间不平衡，以及已知但没有测量的影响因素，避免把它们误写成确定原因。

接口层保留更严格的统计边界：第一版 sensitivityAssessment.status 固定为 not-estimable。当前输出是标准化系数或模型重要性，不是带相应置信区间的风险比，因此不计算定义不成立的 E-value。监控只记录就绪模式和结构化阻断原因，不把人工填写的自由文本写入指标标签。

描述与比较

第一层分析优先采用可复核方法：

• 中位数、MAD、分位数和样本量；
• 同产品、工艺规范、设备或工装条件下的匹配比较；
• 按阶段对齐后的轨迹差异、首次偏离和计划/实际偏差；
• 缺失率、异常率、覆盖率和时间漂移；
• 效应大小及区间，而不只报告显著性标签。

这层回答“哪里不同”，不直接回答“谁导致了结果”。

上下文与候选原因

设备、材料、工装、批次和维护状态先作为追溯与分层变量。只有数据条件允许时才估计其影响：

1. 检查每个水平的样本数、缺失率和时间分布；
2. 检查主要控制条件下的因素重叠；
3. 根据问题使用匹配、方差分量、混合效应、时间趋势或正则化模型；
4. 使用重采样、时间外验证或稳定入选率检查结论是否稳定；
5. 把结果标成稳定关联、混杂关联或证据不足；
6. 对需要因果确认的重要候选另行安排能够辨识它的受控验证。

模型不能从没有重叠的数据中分离完全绑定的因素。例如所有 A 模具都只生产 A 材料时，不能仅凭历史数据区分模具效应和材料效应。

配方运行与优化观察

日常生产中的每次配方运行就是一条候选优化样本，但只有同时具备运行边界、实际参数、必要过程上下文和有效质量结果时才进入模型。优化任务按产品、设备和声明的上下文筛选运行，不以单一工艺规范版本锁死范围，因此可以比较同一优化范围中的不同配方。正常生产运行始终按生产运行处理，不要求工程师重新归类；被排除的运行及原因继续保留。

至少需要三条有效运行和两种不同实际配方才能生成下一配方建议。建议只能位于安全边界和已观察参数包络内，带预测区间与证据范围，由工程师在正常生产流程中确认。建议使用独立的追加式记录，不持有实验标识、实验运行计划、审批状态或设备下发指令；新增真实运行会改变输入快照并触发新的候选，而旧建议不会作为待执行实验污染下一轮优化。

因果验证与实验设计

候选原因只有经过适当干预后才能升级。实验设计至少考虑：

• 明确的原假设、目标和最小有意义效应；
• 对照条件和实际可控变量；
• 重复运行以估计过程噪声；
• 设备、工装、材料批次或时间段的区组；
• 在现场允许范围内随机化或轮换顺序；
• 停止、失败和安全回退条件；
• 独立确认运行。

单点或单区组结果最多形成干预支持。连续工艺操作域还需要边界、重复和必要的交互作用验证。

经典 DOE 预览

优化任务可在需要受控验证时生成可编辑的运行计划：全因子、部分因子、中心复合设计（CCD）、Box–Behnken 和拉丁超立方。生成器只使用任务中已定义且带允许范围的可控变量，固定随机种子并返回区组、重复、运行顺序以及部分因子的别名结构。

预览不是实验批准，也不会向设备写入参数。工程师仍须明确对照运行、目标、停止规则和回退方案；提交前的检查清单会一次显示可修复的问题，正式创建仍由同一组服务端规则复核。

下一配方选择

方法按问题规模和数据条件选择：

• 因素较少且需要清楚估计主效应与交互时，优先使用经典 DOE 或响应面；
• 候选集合离散、现场约束复杂时，可以使用受约束候选排序或最优实验设计；
• 实验昂贵、响应带噪、变量维度有限且需要逐次决策时，使用高斯过程与贝叶斯优化；
• 机理关系明确时，将物理特征、可行域或经过标定的先验加入模型；
• 变量过多而样本很少时，先做工程筛选，不让优化器在不可辨识空间盲搜。

系统支持两个意图：

• 持续优化配方：从真实配方运行中寻找下一份更有希望且仍处于观察覆盖内的设置；
• 验证假设：工程师明确需要因果确认时，选择能够最大程度区分候选原因的受控条件。

当前 GP / 贝叶斯优化策略

当前 Optimizer 面向昂贵、带噪、少样本、多目标和有约束的配方优化；正式受控验证复用同一数值内核，但保持独立审批边界。

质量既取决于设定值，也取决于设备实际实现的轨迹，因此当前实现支持两阶段代理：

控制设定 x
  ├─ GP₁: x → 真实过程特征 z
  └─ GP₂: [x, z] → 质量目标 y 与安全结果 c

训练时使用实测过程特征；评估新设置时先预测过程特征，再评估质量与安全结果。只有在有效观察中具有足够共同覆盖的特征才进入模型。

当前目标策略包括：

• 小于等于或大于等于规格；
• 目标值与容差；
• 合格区间；
• 多目标及权重；
• 参数硬边界和线性约束；
• 作为额外模型输出的质量或安全结果约束。

Platform 还会在调用 Optimizer 前选择与项目上下文匹配、无开放冲突且已激活的机理声明：硬约束和多变量禁止组合进入候选可行域，软约束用于候选排序；输入、声明版本和知识快照哈希随实验固化。已激活的 mechanism-as-feature 仿射模型会作为声明式派生特征进入 GP，并冻结模型与融合定义版本及哈希；Bayesian prior、残差模型和其他输出融合模式尚未接入推荐主链。

当前达到规格的推荐路径先用 GP 后验强制执行结果安全概率门槛，再根据可见观察选择方法。正则化线性响应面是默认方法。样本达到最低容量后，对线性面与二次面做配对留一预测，并比较归一化的目标排序误差；只有二次面的改善连续三个扩展历史都超过一个标准误才升级，证据不明确时保留简单线性面，不再按维度、单变量相关系数或固定权重混合做决定。信息优先的模型辨别只属于工程师显式选择的验证假设路径。只有非线性证据成立且可见观察达到每个原始控制量至少六条，GP 后验达标概率才接管选点。声明式机理特征必须同时满足模型容量和配对预测证据；不满足时从代理模型中移除。方法选择只读取已经揭示的观察和候选参数，不读取候选结果，也不按数据集名称分支。GP 继续提供目标预测、区间和安全概率；验证假设路径则优先提高目标不确定性和关键变量可辨识度。具体门槛、正则化系数及模型版本是必须重新回放和冻结验证的实现选择，不是产品原则。

安全与冷启动

模型约束不能取代设备联锁和工程安全规则。

• 参数硬边界在候选生成前后都必须检查；
• 安全关键结果要求声明最低可行概率；
• 有结果安全约束时，冷启动必须具有经过检验的安全基线；
• 初始探索限制在批准的候选区域或安全基线附近；
• 工程师在执行前可以拒绝建议并记录未建模约束；
• 推荐失败、模型不可用或漂移超限时回退到批准策略。

只有正式受控验证中的待执行参数作为 pending points，避免重复安排尚未得到结果的验证条件。日常配方建议不进入实验待执行队列；相同输入快照返回同一建议，新增生产运行后才形成新建议。

不确定性与停止

系统展示预测区间、可行概率、模型版本和使用的数据范围。预测区间必须通过历史回放和在线结果检查覆盖率，不能因为标注为“95%”就被视为已经校准。

停止可以由以下证据触发：

• 已经达到目标并完成独立重复确认；
• 预期改进或信息价值低于批准阈值；
• 候选空间中没有满足安全条件的点；
• 数据漂移或模型失配使建议不再可信；
• 工程师判断继续实验的成本高于预期价值。

LLM 的位置

LLM 适合：

• 解析工程师问题和页面上下文；
• 调用结构化、授权的系统工具；
• 汇总记录、解释统计结果和生成实验草案文字；
• 明确说出数据不足和结论边界。

LLM 不负责：

• 直接生成数值工艺设定；
• 替代确定性统计与约束计算；
• 在没有来源记录时补造事实；
• 把候选关联提升为确定原因。

可重复性

Optimizer 保持无业务状态。每次计算由变量、目标、约束、有效观察、待执行点、策略版本和随机种子完整定义。Platform 保存输入快照、内容哈希、输出、批准记录和最终结果。

历史回放必须按时间逐步揭示结果，禁止模型提前看到未来运行。任何算法升级都要与工程师历史顺序、适用的传统 DOE 和简单基线比较。

正式序贯验证执行失败关闭的方法准入：当前策略版本、机理知识快照和机理模型快照对应的最新一份历史回放必须已经独立复核并通过，且当前优化器模型版本必须实际出现在该回放轨迹中，Optimizer 才能声称该方法适合节省验证次数。日常下一配方建议不作这一效率声明，只能使用通过数据准入的真实运行、停留在安全边界与观察包络内，并始终要求工程师确认。受控在线验证还要通过影子校准、回退演练和在线停止信号等更严格准入。

仓库验证边界

仓库不内置验证数据、历史协议或结果文件。自动化测试只覆盖算法契约、约束、确定性、失败关闭和历史回放不读取未来结果。具体场景的效果比较由使用者在仓库外完成，可按自身目标比较随机、空间填充、线性/二次响应面和当前优化策略。

当前限制

机理知识的当前实现、无知识降级模式和后续融合边界见机理知识设计。

• 已使用受控的非公开生产历史数据完成导入到研发观察的内部链路验证，但正式无泄漏历史回放和前瞻在线价值验证尚未完成；
• 真实生产数据、参数分布、验证数据和派生结果不进入公开仓库；
• 预测区间仍需在真实项目中持续校准；
• 物理特征存在，但经真实数据标定的灰盒先验仍在演进；
• 跨产品、设备和场景迁移必须等待明确适用范围和第二场景验证；
• 高维、强漂移、质量反馈很慢或主要原因未测量的场景可能不适合直接使用 BO；
• 没有受控实验时，系统只能辅助形成原因候选，不能证明根因。