用 AI Agent 给晶圆厂算产能：从0到1搭建 FabCapacityAgent 全记录
·
用 AI Agent 给晶圆厂算产能：从0到1搭建 FabCapacityAgent 全记录
一个制造部工程师的 AI 实践：不依赖 LangChain，纯 Python 手搓 PTA Agent 框架，
实现晶圆厂产能的实时监控、瓶颈诊断、预测规划。附完整源码和架构设计思路。
github:https://github.com/BumbleBee-ZDS/FabCapacityAgent
写在前面：为什么我要做这件事
一名半导体晶圆厂的制造部工程师，日常工作就是管产线、盯产能。
说实话，产能这件事在 Fab 里是个"老大难"：
- 工序多：一片晶圆从投片到出片，要经过光刻、刻蚀、沉积、离子注入、扩散、CMP、量测、清洗等几百道工序，任何一道卡住，后面全堵
- 设备贵：一台 EUV 光刻机动辄上亿美元，OEE 每掉 1 个点，一个月就是几百万的损失
- 变量多：PM（预防性维护）、Down（宕机）、Setup（换线）、产品切换……影响产能的因素多到让人头大
- 决策靠经验：很多产能规划还是靠"老师傅"拍脑袋，Excel 拉一拉，经验估一估
2026 年，全球半导体进入扩产超级周期。SEMI 数据显示，2026 年全球 300mm 晶圆厂设备支出预计达 1330 亿美元，中国新增 12 英寸产能占全球 77%。产能管理的重要性前所未有。
中国信通院在《工业智能创新发展报告（2026年）》中明确提出："智能模型 + 数字孪生 + 智能体"将构成未来工业系统架构。
于是我想：能不能用 AI Agent 来替代这些重复性的产能计算和分析工作？
不是那种花里胡哨的大模型聊天机器人，而是真正能感知产线数据、分析瓶颈、给出决策建议的智能体系统。
于是我用 Python + Streamlit 搭了一个 MVP——FabCapacityAgent。今天把整个设计思路和实现过程分享出来。
一、需求分析：Fab 产能到底要算什么？
在动手写代码之前，我先梳理了 Fab 产能管理的核心场景：
1.1 三大核心场景
| 场景 | 痛点 | 期望 |
|---|---|---|
| 实时监控 | 设备状态、WIP 分布靠人盯，反应慢 | 自动采集、异常告警、一目了然 |
| 历史分析 | OEE 趋势、Cycle Time 波动靠手动拉报表 | 自动趋势分析、瓶颈定位、异常检测 |
| 产能规划 | 加设备、调 OEE 的影响靠 Excel 估 | What-If 仿真、蒙特卡洛模拟、量化对比 |
1.2 关键 KPI 体系
做 Fab 的都知道，产能不是单一数字，而是一组指标：
OEE = 可用率(Availability) × 性能率(Performance) × 良率(Quality)
UPH = 完工晶圆数 / 设备运行小时数
Cycle Time = 出片时间 - 投片时间
Throughput = 统计周期内完工晶圆总数
Bottleneck Rate = 瓶颈工序利用率 / 全厂平均利用率
1.3 为什么用 Agent 而不是写个脚本？
你可能会问：这些计算写几个 Python 脚本不就行了，为什么要搞 Agent？
关键区别在于：
- 脚本：输入 → 计算 → 输出，一次性的、被动的
- Agent：感知 → 思考 → 行动，循环的、主动的、可组合的
Agent 架构的好处：
- 可编排：4 个 Agent 串联，每个 Agent 职责单一，可独立调试
- 可扩展：想加一个"排产优化 Agent"，直接插入 Pipeline 即可
- 可解释：每个 Agent 的输入输出都有日志，决策过程透明
- 可增强：Think 阶段可以接 LLM，让分析结论更自然、更有洞察
二、架构设计：四 Agent 串联的 PTA 循环
2.1 整体架构
用户查询 / 定时触发
↓
┌──────────────────────────────────────────────────────┐
│ Orchestrator (编排器) │
│ │
│ ┌──────────────┐ ┌──────────────┐ │
│ │ Perception │──▶│ Analysis │ │
│ │ Agent │ │ Agent │ │
│ │ 感知数据 │ │ 分析瓶颈 │ │
│ └──────────────┘ └──────────────┘ │
│ │ │ │
│ ▼ ▼ │
│ ┌──────────────┐ ┌──────────────┐ │
│ │ Decision │──▶│ Execution │ │
│ │ Agent │ │ Agent │ │
│ │ 生成决策 │ │ 输出报告 │ │
│ └──────────────┘ └──────────────┘ │
└──────────────────────────────────────────────────────┘
↓
产能分析报告 + 优化建议 + What-If 对比
2.2 PTA 循环：Agent 的核心抽象
每个 Agent 都遵循 Perceive → Think → Act 三阶段循环：
| 阶段 | 职责 | 示例 |
|---|---|---|
| Perceive | 从环境/上游采集数据 | 查数据库获取近 24h 设备状态 |
| Think | 分析推理、生成决策 | 计算 OEE、识别瓶颈工序 |
| Act | 输出结构化结果 | 生成瓶颈报告、写回上下文 |
这个设计参考了经典的 BDI（Belief-Desire-Intention）Agent 模型，但做了极简化——不引入任何重型框架，纯 Python 实现。
2.3 四个 Agent 的职责分工
| Agent | 职责 | 输入 | 输出 | 调用服务 |
|---|---|---|---|---|
| PerceptionAgent | 采集 MES 数据，构建产能快照 | window_hours=24 | 全厂/工序级 KPI 快照 | CapacityCalculator |
| AnalysisAgent | 趋势分析 + 瓶颈诊断 | 快照 + 历史数据 | 瓶颈报告 + 根因分析 | BottleneckDetector |
| DecisionAgent | 产能预测 + What-If 仿真 | 瓶颈报告 | 7/30 天预测 + 情景对比 | Predictor + WhatIfSimulator |
| ExecutionAgent | 汇总生成 Markdown 报告 | 前三步全部输出 | 结构化产能分析报告 | LLM（可选） |
三、核心代码实现
3.1 Agent 基类：PTA 循环的灵魂
# agents/base_agent.py
from abc import ABC, abstractmethod
from dataclasses import dataclass, field
from datetime import datetime
from typing import Any
import logging
import time
logger = logging.getLogger(__name__)
@dataclass
class AgentResult:
"""Agent 执行结果的标准封装"""
agent_name: str
status: str # "success" | "error" | "skipped"
perception: dict = field(default_factory=dict)
decision: dict = field(default_factory=dict)
action: dict = field(default_factory=dict)
duration_s: float = 0.0
error_msg: str = ""
timestamp: str = field(default_factory=lambda: datetime.now().isoformat())
class BaseAgent(ABC):
"""
PTA Agent 基类
所有 Agent 继承此类，实现 perceive / think / act 三个方法
"""
def __init__(self, name: str, role: str, config: dict | None = None):
self.name = name
self.role = role
self.config = config or {}
self.logger = logging.getLogger(f"agent.{name}")
@abstractmethod
def perceive(self, context: dict) -> dict:
"""感知阶段：从环境采集数据"""
...
@abstractmethod
def think(self, perception: dict) -> dict:
"""思考阶段：分析推理，生成决策"""
...
@abstractmethod
def act(self, decision: dict) -> dict:
"""行动阶段：执行动作，输出结果"""
...
def run(self, context: dict) -> AgentResult:
"""执行完整的 PTA 循环"""
result = AgentResult(agent_name=self.name, status="success")
start = time.perf_counter()
try:
# 1. Perceive
self.logger.info(f"[{self.name}] Perceive 开始...")
perception = self.perceive(context)
result.perception = perception
# 2. Think
self.logger.info(f"[{self.name}] Think 开始...")
decision = self.think(perception)
result.decision = decision
# 3. Act
self.logger.info(f"[{self.name}] Act 开始...")
action = self.act(decision)
result.action = action
except Exception as e:
result.status = "error"
result.error_msg = str(e)
self.logger.error(f"[{self.name}] 执行失败: {e}")
result.duration_s = round(time.perf_counter() - start, 3)
self.logger.info(f"[{self.name}] 完成, 耗时 {result.duration_s}s")
return result
设计要点：
- 用
@dataclass封装结果，结构清晰 run()方法内置try-except，单个 Agent 失败不会拖垮整条 Pipeline- 每个阶段都有日志，方便调试
3.2 感知 Agent：构建产能快照
# agents/perception_agent.py
from agents.base_agent import BaseAgent
from services.capacity_calculator import CapacityCalculator
class PerceptionAgent(BaseAgent):
"""
感知 Agent：从数据库采集近 N 小时 MES 数据，
构建全厂产能快照 (CapacitySnapshot)
"""
def __init__(self, config: dict | None = None):
super().__init__(
name="PerceptionAgent",
role="数据采集与状态感知",
config=config,
)
self.calculator = CapacityCalculator()
def perceive(self, context: dict) -> dict:
"""从数据库拉取实时数据"""
window_hours = context.get("window_hours", 24)
raw_data = self.calculator.query_recent_data(window_hours)
return {
"window_hours": window_hours,
"raw_data": raw_data,
"record_count": len(raw_data.get("lot_history", [])),
}
def think(self, perception: dict) -> dict:
"""计算 KPI 快照"""
snapshot = self.calculator.build_snapshot(
window_hours=perception["window_hours"]
)
return {"snapshot": snapshot}
def act(self, decision: dict) -> dict:
"""结构化输出快照"""
snapshot = decision["snapshot"]
return {
"summary": {
"total_oee": snapshot.get("overall_oee", 0),
"total_wip": snapshot.get("total_wip", 0),
"total_uph": snapshot.get("overall_uph", 0),
"bottleneck_step": snapshot.get("bottleneck_step", "N/A"),
},
"step_details": snapshot.get("step_details", []),
"equipment_status": snapshot.get("equipment_status", {}),
}
3.3 编排器：串联四个 Agent
# agents/orchestrator.py
from agents.perception_agent import PerceptionAgent
from agents.analysis_agent import AnalysisAgent
from agents.decision_agent import DecisionAgent
from agents.execution_agent import ExecutionAgent
class AgentOrchestrator:
"""
Agent 编排器：按 Perception → Analysis → Decision → Execution
顺序串联执行，支持全链路和单 Agent 调用
"""
def __init__(self, config: dict | None = None):
self.config = config or {}
self.agents = {
"perception": PerceptionAgent(config),
"analysis": AnalysisAgent(config),
"decision": DecisionAgent(config),
"execution": ExecutionAgent(config),
}
self.pipeline_order = ["perception", "analysis", "decision", "execution"]
self.execution_log = []
def run_full_pipeline(self, query_params: dict | None = None) -> dict:
"""执行全链路 4-Agent Pipeline"""
context = query_params or {}
self.execution_log = []
results = {}
for agent_key in self.pipeline_order:
agent = self.agents[agent_key]
result = agent.run(context)
results[agent_key] = result
self.execution_log.append(result)
# 将当前 Agent 的输出注入上下文，供下游使用
context[f"{agent_key}_output"] = result.action
# 如果某个 Agent 失败，后续 Agent 标记为 skipped
if result.status == "error":
for remaining in self.pipeline_order[
self.pipeline_order.index(agent_key) + 1:
]:
results[remaining] = type(result)(
agent_name=remaining, status="skipped"
)
break
return {
"results": results,
"execution_log": self.execution_log,
"total_duration": sum(r.duration_s for r in self.execution_log),
"status": "success" if all(
r.status == "success" for r in self.execution_log
) else "partial_failure",
}
def run_single_agent(self, agent_key: str, context: dict | None = None):
"""单独运行某个 Agent（调试用）"""
agent = self.agents.get(agent_key)
if not agent:
raise ValueError(f"未知 Agent: {agent_key}")
return agent.run(context or {})
3.4 产能计算引擎：OEE / UPH / 瓶颈检测
# services/capacity_calculator.py（核心方法节选）
import sqlite3
import pandas as pd
from utils.helpers import safe_div, safe_round
class CapacityCalculator:
"""晶圆厂产能计算引擎"""
def __init__(self, db_path: str = "data/fab_capacity.db"):
self.db_path = db_path
def _get_conn(self):
return sqlite3.connect(self.db_path)
def calculate_oee(self, equipment_id: str, days: int = 7) -> dict:
"""
OEE = Availability × Performance × Quality
"""
conn = self._get_conn()
try:
# 可用率 = 实际运行时间 / 计划运行时间
plan_hours = days * 24 * 0.95 # 扣除 5% PM 时间
df_run = pd.read_sql(
"SELECT SUM(duration_h) as run_h FROM equipment_events "
"WHERE equipment_id=? AND event_type='Run' "
"AND start_time >= datetime('now', ?)",
conn, params=(equipment_id, f"-{days} days")
)
run_hours = df_run["run_h"].iloc[0] or 0
availability = safe_div(run_hours, plan_hours)
# 性能率 = 实际产出 / 理论产出
df_out = pd.read_sql(
"SELECT SUM(wafers_out) as total_out FROM lot_history "
"WHERE equipment_id=? AND start_time >= datetime('now', ?)",
conn, params=(equipment_id, f"-{days} days")
)
actual_out = df_out["total_out"].iloc[0] or 0
theoretical_out = run_hours * 8 # 假设标准 WPH=8
performance = safe_div(actual_out, theoretical_out)
# 良率 = 合格产出 / 总产出
df_def = pd.read_sql(
"SELECT SUM(wafers_out) as out, SUM(defect_count) as def "
"FROM lot_history WHERE equipment_id=? "
"AND start_time >= datetime('now', ?)",
conn, params=(equipment_id, f"-{days} days")
)
total_out = df_def["out"].iloc[0] or 0
total_def = df_def["def"].iloc[0] or 0
quality = safe_div(total_out - total_def, total_out)
oee = availability * performance * quality
return {
"equipment_id": equipment_id,
"availability": safe_round(availability, 4),
"performance": safe_round(performance, 4),
"quality": safe_round(quality, 4),
"oee": safe_round(oee, 4),
"oee_pct": f"{oee * 100:.1f}%",
}
finally:
conn.close()
def detect_bottleneck(self, days: int = 7) -> list[dict]:
"""
瓶颈检测：按工序计算利用率，排序找出 Top-N 瓶颈
"""
conn = self._get_conn()
try:
df = pd.read_sql(
"SELECT process_step, COUNT(*) as moves, "
"AVG(duration_h) as avg_ct "
"FROM lot_history "
"WHERE start_time >= datetime('now', ?) "
"GROUP BY process_step ORDER BY moves DESC",
conn, params=(f"-{days} days",)
)
total_moves = df["moves"].sum()
df["utilization"] = df["moves"] / total_moves
df = df.sort_values("utilization", ascending=False)
bottlenecks = []
for _, row in df.head(3).iterrows():
bottlenecks.append({
"step": row["process_step"],
"moves": int(row["moves"]),
"avg_cycle_time_h": safe_round(row["avg_ct"], 2),
"utilization": safe_round(row["utilization"], 4),
"severity": "HIGH" if row["utilization"] > 0.2 else "MEDIUM",
})
return bottlenecks
finally:
conn.close()
3.5 What-If 仿真 + 蒙特卡洛
# services/what_if_simulator.py（核心方法节选）
import numpy as np
class WhatIfSimulator:
"""What-If 情景仿真器"""
def simulate_add_equipment(
self, step: str, add_count: int, baseline: dict
) -> dict:
"""模拟增加设备后的产能变化"""
current_cap = baseline.get("effective_capacity", {})
step_cap = current_cap.get(step, {})
current_units = step_cap.get("equipment_count", 1)
current_uph = step_cap.get("uph", 8)
new_units = current_units + add_count
# 简化模型：产能线性增长，但有边际递减
efficiency_factor = 1 - 0.02 * add_count # 每加一台效率降2%
new_uph = current_uph * new_units * efficiency_factor / current_units
return {
"scenario": f"在 {step} 增加 {add_count} 台设备",
"step": step,
"before": {"units": current_units, "uph": current_uph},
"after": {"units": new_units, "uph": round(new_uph, 2)},
"improvement_pct": round(
(new_uph - current_uph) / current_uph * 100, 1
),
}
def monte_carlo_simulation(
self, baseline_throughput: float,
oee_variance: float = 0.05,
n_simulations: int = 1000,
) -> dict:
"""蒙特卡洛模拟：评估产能波动风险"""
simulations = np.random.normal(
loc=baseline_throughput,
scale=baseline_throughput * oee_variance,
size=n_simulations,
)
return {
"mean": round(float(np.mean(simulations)), 1),
"std": round(float(np.std(simulations)), 1),
"p5": round(float(np.percentile(simulations, 5)), 1),
"p95": round(float(np.percentile(simulations, 95)), 1),
"prob_below_target": round(
float(np.mean(simulations < baseline_throughput * 0.9)), 4
),
}
四、模拟数据：没有真实 MES 数据怎么办？
做 MVP 最大的问题是数据。真实 Fab 的 MES 数据涉及商业机密，不可能随便拿出来。
所以我写了一个 MES 数据模拟器，生成符合半导体制造统计特征的模拟数据：
4.1 模拟参数
# config/settings.yaml
data_generator:
history_days: 90 # 生成 90 天历史数据
lots_per_day: 60 # 日均投料 60 批
seed: 42 # 固定随机种子，可复现
equipment_count: 120 # 120 台设备
wafer_per_lot: 25 # 每批 25 片
pm_ratio: 0.05 # PM 占比 5%
down_probability: 0.02 # 宕机概率 2%
4.2 数据库表设计（6 张表）
| 表名 | 说明 | 预期行数 |
|---|---|---|
| equipment | 设备主数据（ID/类型/工序/状态/WPH） | 120 |
| lots | 批次信息（产品/优先级/当前工序） | ~5,000 |
| lot_history | 核心表：工序历史记录 | ~70,000 |
| equipment_events | 设备事件日志（Run/Down/PM/Setup） | ~10,000 |
| daily_output | 日产出汇总 | ~90 |
| agent_logs | Agent 执行日志 | 持续增长 |
4.3 数据生成的"真实感"设计
为了让模拟数据足够逼真，我在生成器中加入了以下"噪声"：
# data/generator.py 节选
def generate_lot_duration(base_hours: float, rng: np.random.Generator) -> float:
"""模拟工序时长：基础时间 + 随机波动 + 偶发异常"""
# 正常波动：±20%
duration = base_hours * rng.uniform(0.8, 1.2)
# 5% 概率出现异常（设备故障导致等待）
if rng.random() < 0.05:
duration *= rng.uniform(1.5, 3.0)
return round(duration, 2)
五、Streamlit 可视化：5 个页面
5.1 页面总览
| 页面 | 功能 | 核心组件 |
|---|---|---|
| 📊 实时监控 | 设备状态、WIP、Move 实时看板 | st.metric + Plotly 饼图/柱状图 |
| 📈 历史分析 | OEE 趋势、Cycle Time、Pareto | Plotly 折线图 + 异常标注 |
| 🎯 产能规划 | 预测 + What-If + 蒙特卡洛 | 滑块交互 + 置信区间 |
| 🤖 Agent 工作台 | 全链路运行 + 单 Agent 调试 | Pipeline 流程图 + 执行日志 |
| ⚙️ 系统设置 | LLM 配置、数据重建 | 表单 + 按钮 |
5.2 实时监控页面（核心代码）
# pages/1_📊_实时监控.py
import streamlit as st
import plotly.express as px
import plotly.graph_objects as go
st.set_page_config(page_title="实时产能监控", page_icon="📊", layout="wide")
st.title("📊 实时产能监控")
# ── 顶部 KPI 卡片 ──
col1, col2, col3, col4 = st.columns(4)
with col1:
st.metric("今日产出 (wafers)", "1,523", delta="+3.2%")
with col2:
st.metric("当前 WIP", "2,847 片", delta="-120")
with col3:
st.metric("全厂 OEE", "82.3%", delta="+1.1%")
with col4:
st.metric("瓶颈工序", "PHOTO (光刻)", delta_color="inverse")
# ── 设备状态饼图 ──
col_left, col_right = st.columns(2)
with col_left:
st.subheader("设备状态分布")
fig_pie = px.pie(
values=[85, 12, 15, 8],
names=["Run", "Down", "PM", "Idle"],
color_discrete_map={
"Run": "#2ecc71", "Down": "#e74c3c",
"PM": "#f39c12", "Idle": "#95a5a6"
},
)
st.plotly_chart(fig_pie, use_container_width=True)
with col_right:
st.subheader("各工序 WIP 分布")
# ... Plotly 柱状图
5.3 Agent 工作台（最有意思的页面）
# pages/4_🤖_Agent工作台.py
st.title("🤖 Agent 工作台")
# Pipeline 可视化
st.subheader("Agent Pipeline")
cols = st.columns(4)
agent_names = ["🔍 感知", "📊 分析", "🎯 决策", "📝 执行"]
agent_status = ["✅ 完成", "✅ 完成", "⏳ 执行中", "⏸ 待执行"]
for i, (name, status) in enumerate(zip(agent_names, agent_status)):
with cols[i]:
st.markdown(f"**{name}**")
st.markdown(f"状态: {status}")
if i < 3:
st.markdown("→")
# 全链路运行按钮
if st.button("🚀 运行全链路分析", type="primary"):
with st.spinner("Agent Pipeline 执行中..."):
orchestrator = AgentOrchestrator()
result = orchestrator.run_full_pipeline({"window_hours": 24})
# 展示每个 Agent 的执行结果
for agent_key, agent_result in result["results"].items():
with st.expander(
f"{agent_result.agent_name} | "
f"{agent_result.status} | "
f"{agent_result.duration_s}s"
):
st.json(agent_result.action)
六、LLM 增强：让报告更"像人写的"
MVP 中我预留了 LLM 接口，支持 DeepSeek 和通义千问：
# utils/llm_client.py
import os
import requests
from dotenv import load_dotenv
load_dotenv()
class LLMClient:
"""轻量级 LLM 客户端（OpenAI 兼容 API）"""
def __init__(self):
self.deepseek_key = os.getenv("DEEPSEEK_API_KEY")
self.qwen_key = os.getenv("DASHSCOPE_API_KEY")
self.available = bool(self.deepseek_key or self.qwen_key)
def generate_analysis(self, data_summary: str) -> str:
"""用 LLM 生成自然语言分析摘要"""
if not self.available:
return self._fallback_template(data_summary)
prompt = f"""你是一位半导体晶圆厂的资深产能工程师。
请根据以下产能数据，撰写一段 200 字以内的分析摘要，
要求：指出瓶颈、给出优化建议、语言专业简练。
数据摘要：
{data_summary}
"""
# 调用 API...
# 未配置时回退到本地模板
return self._fallback_template(data_summary)
def _fallback_template(self, data_summary: str) -> str:
"""无 LLM 时的本地模板"""
return f"[本地模板] 基于当前数据分析：{data_summary[:100]}..."
设计原则：LLM 是增强，不是依赖。不配 API Key，系统照样跑。
七、测试：23 个用例全覆盖
# 运行测试
python tests/test_capacity.py
| 测试类 | 用例数 | 覆盖范围 |
|---|---|---|
| TestDatabase | 5 | 连接 / 表结构 / 行数 |
| TestCapacityCalculator | 5 | OEE / WIP / Snapshot / 理论产能 |
| TestPredictor | 2 | 单目标 / 多目标预测 |
| TestBottleneckDetector | 1 | 瓶颈检测报告 |
| TestWhatIfSimulator | 4 | Baseline / 预设 / 对比 / 自定义 |
| TestAgents | 2 | 单 Agent / Orchestrator |
| TestOrchestratorPipeline | 1 | 全链路 4-Agent 串联 |
| TestUtils | 3 | safe_div / safe_round / 常量 |
八、如何跑起来
# 1. 克隆项目
git clone <your-repo-url>
cd fab_capacity_agent
# 2. 安装依赖
pip install -r requirements.txt
# 3. 启动（首次会自动生成 90 天模拟数据）
streamlit run app.py
浏览器自动打开 http://localhost:8501，即可看到完整仪表盘。
requirements.txt
streamlit>=1.28
pandas>=2.0
numpy>=1.24
scikit-learn>=1.3
plotly>=5.17
PyYAML>=6.0
python-dotenv>=1.0
requests>=2.31
九、踩坑与思考
坑 1：Streamlit 的缓存陷阱
@st.cache_data 对 SQLite 连接对象不友好，会报 UnhashableTypeError。解决方案：缓存查询结果而非连接对象。
@st.cache_data(ttl=300) # 缓存 5 分钟
def get_daily_output(days: int) -> pd.DataFrame:
conn = sqlite3.connect("data/fab_capacity.db") # 每次新建连接
df = pd.read_sql("SELECT * FROM daily_output ...", conn)
conn.close()
return df
坑 2：Agent 之间的数据传递
最初我用全局变量传递 Agent 输出，结果多页面并发时数据串了。改为 context 字典注入：
context["perception_output"] = perception_result.action
context["analysis_output"] = analysis_result.action
坑 3：模拟数据的"真实感"
纯随机数据看起来太均匀，不像真实产线。加入了：
- 周期性波动（周末产出降低）
- 设备宕机聚集效应（一台 Down 后，相关设备也容易 Down）
- PM 后的产能爬坡（PM 结束后前 2 小时效率只有 80%）
十、roadmap：MVP 之后怎么走？
| 阶段 | 目标 | 关键技术 |
|---|---|---|
| MVP（已完成） | 模拟数据 + 基础分析 | SQLite + 线性回归 |
| V1.1 | 接入真实 MES 数据 | REST API / OPC-UA 连接器 |
| V1.2 | 时序预测升级 | Prophet / LSTM |
| V2.0 | 数字孪生集成 | 设备级仿真 + 实时映射 |
| V3.0 | 自主决策闭环 | 强化学习排产 + 自动执行 |
十一、完整项目结构
fab_capacity_agent/
├── app.py # Streamlit 主入口
├── config/
│ └── settings.yaml # 全局配置
├── data/
│ ├── generator.py # MES 模拟数据生成器
│ ├── fab_capacity.db # SQLite（自动生成）
│ └── reports/ # Agent 报告（自动生成）
├── models/
│ ├── database.py # DB 管理器
│ ├── equipment.py # 设备模型 + DAO
│ ├── wafer.py # 批次模型 + DAO
│ └── capacity.py # 产能快照 + 日志 DAO
├── services/
│ ├── capacity_calculator.py # OEE/UPH/WIP 计算
│ ├── predictor.py # 产能预测
│ ├── bottleneck_detector.py # 瓶颈检测
│ └── what_if_simulator.py # What-If + 蒙特卡洛
├── agents/
│ ├── base_agent.py # PTA 基类
│ ├── perception_agent.py # 感知 Agent
│ ├── analysis_agent.py # 分析 Agent
│ ├── decision_agent.py # 决策 Agent
│ ├── execution_agent.py # 执行 Agent
│ └── orchestrator.py # 编排器
├── pages/
│ ├── 1_📊_实时监控.py
│ ├── 2_📈_历史分析.py
│ ├── 3_🎯_产能规划.py
│ ├── 4_🤖_Agent工作台.py
│ └── 5_⚙️_系统设置.py
├── utils/
│ ├── constants.py # 工序/状态/KPI 常量
│ ├── helpers.py # 工具函数
│ ├── llm_client.py # LLM 客户端
│ └── ui_components.py # 共享 UI 组件
├── tests/
│ └── test_capacity.py # 23 个测试用例
├── requirements.txt
└── README.md
写在最后
作为一个每天跟产线打交道的制造工程师，我深知产能管理不是算个数字那么简单。它背后是设备状态、工艺约束、排产逻辑、人员调度的复杂博弈。
AI Agent 不是要替代工程师的判断，而是把重复性的数据采集、计算、报告工作自动化，让我们把精力放在真正需要人类智慧的决策上。
这个 MVP 还很粗糙，但它验证了一个核心思路：
用 Agent 架构把产能管理从"人找数据"变成"数据找人"。
这里是“一人公司”的成长家园。我们提供从产品曝光、技术变现到法律财税的全栈内容，并连接云服务、办公空间等稀缺资源，助你专注创造，无忧运营。
更多推荐
10
0- 0
已为社区贡献8条内容
所有评论(0)