良率根因 AI 问答助手｜工业AI分析工具
这个工具解决什么问题
在制造场景里，模型的解释性往往比那零点几个百分点的准确率更重要。
> 良率掉了先别开会：把多张表拼成「证据包」，再让 AI 回答，且必须引用里面的数字。
输入数据格式
数据文件 defect_counts.csv，列顺序为：批号、缺陷类型、数量。
示例首行：B03,颗粒污染,78
示例输出（真实运行结果节选）
============================================================================== 良率根因 AI 问答报告 2026-10-07 23:00:30 ============================================================================== 一、证据包：良率概览（本地统计） ------------------------------------------------------------------------------ 总体：20 批，投入 21300，产出 20526，平均良率 96.37% 按设备（按良率升序） 设备 批数 良率 与均值差 偏差合计 EQP-03 5 92.05% -4.32 21.58 EQP-02 5 97.66% +1.29 -6.47 EQP-05 5 97.80% +1.43 -7.17 EQP-01 5 98.60% +2.24 -11.19 （偏差合计 = 良率差 × 批数：正值=低于均值的累计损失，负值=高于均值的盈余； 用它把「差得多」和「差得广」放在同一把尺子上比。） 按班次 晚班 5 批 良率 94.83%（与均值差 -1.54） 早班 8 批 良率 96.31%（与均值差 -0.06） 中班 7 批 良率 97.50%（与均值差 +1.13） 按产品 P-A 9 批 良率 95.03%（与均值差 -1.34） P-B 6 批 良率 97.69%（与均值差 +1.33） P-C 5 批 良率 97.80%（与均值差 +1.44） 二、证据包：缺陷构成与交叉分布 ------------------------------------------------------------------------------ 颗粒污染 合计 361（占全部缺陷 66.4%） 图形缺陷 合计 124（占全部缺陷 2
适用场景
· 良率异常复盘、客诉追溯、月度质量会准备、改善专项选题 · 偏差合计为正是损失、为负是盈余；先看它再决定资源往哪投
怎么用
python yield_rootcause_qa.py
首次运行会自动生成示例数据并输出完整报告。 把示例数据换成你自己的（保持列名一致）后重新运行即可。
方式二：环境变量
set DEEPSEEK_API_KEY=你的密钥 # Windows export DEEPSEEK_API_KEY=你的密钥 # Linux / macOS
方式三：命令行临时指定（不落盘，适合共用电脑）
python yield_rootcause_qa.py --token 你的密钥
接口根地址与模型名也可用 DEEPSEEK_BASE_URL / DEEPSEEK_MODEL 覆盖， 换供应商时只改根地址即可 —— 请求体会话结构是 OpenAI 兼容格式。
输入数据
yield_by_lot.csv（批号/日期/产品/设备/班次/投入/产出）+ defect_counts.csv（批号/缺陷类型/数量），问题写在 questions.txt（脚本自带示例）
输出内容
· 证据包：总体良率、按设备/班次/产品的良率与与均值差、偏差合计（把「差得多」和「差得广」拉齐） · 缺陷构成与「缺陷×设备」交叉分布、最低良率批次清单 · AI 段：逐问回答，按「问题 / 证据 / 结论」三段，并写明引用了哪张表的哪些行
没有 Token 也能用（离线模式）
离线也能跑：证据包与「仅凭统计就能下的结论」全部输出
配置 Token 后，报告里的 AI 段落会自动补全；调用失败时也不会中断， 本地计算部分照常输出，只是在报告里标注 AI 段失败原因。
依赖
无。仅使用 Python 标准库（urllib / json / csv / math / re 等）， 不需要 pip 安装任何包，Windows / Linux / macOS 均可运行。
可调参数与计算口径
脚本顶部集中了主要阈值与常量：DATA_CSV="yield_by_lot.csv"、DEF_CSV="defect_counts.csv"、QA_TXT="questions.txt"、REPORT_TXT="yield_qa_report.txt"、USAGE_CSV="ai_usage_log.csv"、TEMPLATE_JSON="deepseek_config.json"。改完直接重跑即可，不必改动计算逻辑。
会生成哪些文件
运行后除控制台输出外，还会生成：yield_by_lot.csv、defect_counts.csv、questions.txt、yield_qa_report.txt、ai_usage_log.csv、deepseek_config.json。
工具中出现的字段与提示
- EQP-03 的损失集中在哪几批
- 当前良率的主要损失来自哪里？请按影响幅度排序。
- 哪些批次应该优先复判或隔离？给出批号。
- 如果要安排一次专项改善，你会先动哪个环节，为什么？
- 内置默认值
- 配置文件 %s
- 配置读取失败 %s：%s
- 环境变量 DEEPSEEK_API_KEY
- 输入token
- 输出token
- 合计token
- 估算费用
- 颗粒污染
- 图形缺陷
- 缺陷类型
下载与文件清单
压缩包内包含：主程序脚本、示例数据文件、示例输出报告、中文说明文档，以及同主题 AI 提示词一套。解压后按说明运行即可，示例数据可直接试跑。
主程序文件：yield_rootcause_qa.py。
本站工具免费下载，无需注册。工具为 Python 脚本，Python 3.8 及以上环境可直接运行，核心功能尽量不依赖第三方库。
常见问题
输入数据要准备成什么样？
按 示例首行中的列顺序准备即可，共 3 列：批号、缺陷类型、数量。列为空或格式不符时结果会失真，建议先用示例数据试跑一遍。
阈值可以改成我们自己的标准吗？
可以，脚本顶部已把主要阈值与常量集中声明，按自己产线的标准修改后重跑即可，不需要改计算逻辑。
附赠的提示词怎么用？
把提示词与自己的数据一起交给大模型，可以让它按同一套口径帮你改写分析流程或扩展报告字段。
示例数据能直接跑吗？
可以。示例数据与主程序在同一压缩包内，解压后直接运行即可看到完整输出，确认无误再替换成自己的台账。
同分类的其它工具
本工具归在 工业AI与智能分析工具包，全部工具见 工具资源包下载页。
