# 化工订单班终端模拟开发心得

## 项目背景
化工订单班（chemical）展示半导体AI综合检测项目，聚焦300mm硅晶圆质量检测的全自动化流程。项目特色是AI主导的检测系统，实现95%自动化判定，仅在低可信度情况下需要人工介入。

## 核心技术架构
```
文件位置: web_frontend/exhibition-demo/src/data/terminalSimulations/chemical.ts
注册位置: web_frontend/exhibition-demo/src/data/terminalSimulations/index.ts
```

## Agent设计特点

### 6人专家团队配置
1. **项目经理** - 项目统筹与进度管理（GPT-4）
2. **AI算法工程师** - AI模型训练与优化（GPT-4）
3. **高级检测工程师** - 检测方案设计与实施（Claude-3）
4. **光电检测员** - 外观缺陷识别与量化（GPT-3.5）
5. **数据分析师** - 数据处理与报告生成（GPT-4）
6. **质量管理专家** - 质量标准制定与审核（Claude-3）

### 头像资源优化
由于只有3个头像文件，采用了合理的复用策略：
- 质量标准与合规专家.jpg → 项目经理、质量管理专家
- 检测工程师1+2.jpg → AI算法工程师、高级检测工程师
- 检测技术员.jpg → 光电检测员、数据分析师

## 内容结构设计

### 1. 项目启动（20行）
突出半导体检测的技术参数：
```typescript
{ type: 'info', content: '📏 样品规格：300mm P型硅晶圆，SiO₂薄膜15.0±0.3nm' },
{ type: 'info', content: '⚡ 效率要求：单片5-6分钟，全批20片≤2小时' },
{ type: 'info', content: '📈 质量标准：ISO 5洁净室，CMA/CNAS双认证' },
```

### 2. Agent工作流程（6个阶段）
每个Agent都承担了明确的检测环节：
- 项目经理 → 整体规划和AI系统设置
- AI算法工程师 → 模型架构（配图：检测背景主图）
- 高级检测工程师 → 检测方案（配图：硅晶圆检测项目、光学镜头检测）
- 光电检测员 → 外观检测（配图：外观热力图）
- 数据分析师 → 数据处理（配图：厚度分布、电学对比、成分抽检）
- 质量管理专家 → 最终审核（配图：检测结果主图）

### 3. 项目完成总结（25行）
强调AI检测的效率和准确性：
- 检测效率提升（单片5-6分钟）
- AI准确率（98.5%）
- 成本优化（人力成本降低60%）

## 图片使用策略

### 图片分配逻辑
根据文档内容与Agent职责精确匹配：
1. **检测背景主图** → AI算法工程师（展示系统架构）
2. **硅晶圆检测项目** → 高级检测工程师（展示检测分类）
3. **光学镜头检测硅晶圆示意图** → 高级检测工程师（展示检测方法）
4. **外观热力图** → 光电检测员（展示缺陷分布）
5. **厚度分布图** → 数据分析师（展示薄膜均匀性）
6. **电学对比图** → 数据分析师（展示AI预测准确度）
7. **成分抽检卡片** → 数据分析师（展示成分分析）
8. **检测结果主图** → 质量管理专家（展示批次总结）

### 图片插入时机
- 在介绍相关技术点后立即插入对应图片
- 每张图片后添加空行提升视觉效果
- 图片描述与Agent输出内容紧密关联

## 数据量化展示

### 关键技术指标
```
检测规格：300mm硅晶圆 + SiO₂薄膜
批次规模：20片/批
检测时间：单片5-6分钟，全批<2小时
AI准确率：98.5%
自动化率：95%
人工介入：<5%（仅低可信时）
```

### 质量阈值参数
- 颗粒：≤35个/片（≥0.3μm）
- 划痕：≤50μm
- 腐蚀深度：≤10nm
- 薄膜厚度：15.0±0.3nm
- 均匀性：≤±3%
- 方块电阻：60±1.2Ω/□
- O/Si比：2.00±0.05

### 检测结果
- 合格率：95%（19/20片合格）
- 观察片：1片（Rs略高但未越界）
- AI可信度：平均0.94

## 开发经验总结

### 1. 文档分析要点
- 半导体检测项目文档技术性强，需准确理解专业术语
- 重点提取量化指标（尺寸、时间、精度、阈值）
- 识别AI系统的核心功能（自动判定、智能缩点、异常预警）

### 2. Agent职责划分
- 根据检测流程自然划分Agent职责
- 项目经理负责整体统筹
- AI工程师负责算法模型
- 检测人员负责具体执行
- 数据分析师负责结果处理
- 质量专家负责最终把关

### 3. 内容呈现技巧
- 大量使用专业术语增强真实感（YOLOv8、ICP-MS、XPS）
- 数据要精确到小数点（15.07nm、61.1Ω/□、2.02）
- 使用判定符号直观展示结果（✓合格、⚠️观察）
- 分层次展示信息（总-分结构）

### 4. 特色亮点
- **AI主导流程**：强调95%自动化，减少人工干预
- **智能缩点技术**：前3点验证后智能缩减测点
- **实时判定系统**：三级判定（合格/观察/复核）
- **可视化报告**：8张专业图表支撑检测结果

## 可复用经验

### 检测类项目模板
```typescript
// 启动序列
- 检测环境初始化
- 样品规格说明
- 质量标准要求
- 团队组建

// Agent序列
- 项目规划 → 技术配置 → 方案制定 → 
  执行检测 → 数据分析 → 质量审核

// 完成序列
- 效率提升数据
- 质量保证结果
- 交付物清单
- 技术亮点总结
```

### 图片选择原则
1. 优先选择流程图、架构图
2. 数据可视化图表必不可少
3. 热力图直观展示分布情况
4. 对比图体现AI预测能力

## 注意事项

### 技术准确性
- 半导体行业术语必须准确（如300mm而非300毫米）
- 单位符号规范（Ω/□、atoms/cm²、μm）
- 数值精度合理（不要过度精确也不要太粗略）

### 头像资源处理
- 当头像不足时合理复用
- 相近职责的Agent可共用头像
- 确保头像路径正确

### 检测流程逻辑
- 检测顺序要符合实际（外观→薄膜→电学→成分）
- 判定逻辑要清晰（阈值比对→置信度评估→人工复核）
- 结果要有层次（合格/观察/不合格）

## 相关记忆文件
- 02_终端模拟开发指南.md - 通用开发指南
- 图片处理标准化流程和最佳实践_202510.md - 图片处理规范
- 环保订单班终端模拟开发心得_202510.md - 环保订单班经验

## 更新记录
- 2025-10-03：创建化工订单班终端模拟
- 采用6个Agent展示半导体检测完整流程
- 集成8张处理后的专业检测图片
- 突出AI主导的自动化检测特色
- 注册到simulationMap供系统调用

## 关键创新点
1. **AI赋能**：将AI技术深度融入传统检测流程
2. **效率革命**：从人工主导到AI主导的范式转变
3. **智能决策**：三级判定系统确保质量与效率平衡
4. **数据驱动**：用精确数据展示检测专业性

## 后续优化建议
1. 可增加更多AI模型细节（训练过程、优化策略）
2. 可展示更多异常处理场景
3. 可添加与传统检测的对比数据
4. 可引入更多行业标准和认证体系