Files

Yep_Q c579dae90a feat: 完成化工订单班图片处理和项目记忆重组

详细说明:
- 化工订单班图片已标准化处理（8个图片，文件名与alt text完全一致）
- 完成环保、财经商贸订单班的图片重命名工作
- 重组项目记忆文件，按照功能模块编号（00-09）
- 删除旧的分散记忆文件，统一到新的编号体系
- 添加终端模拟文件：chemical.ts, environmental.ts, finance.ts
- 清理web_result冗余文件（food react-app等）
- 新增playwright截图记录和记忆文档
- 影响模块：订单班文档资料、项目记忆系统、终端模拟系统

2025-10-04 00:34:44 +08:00

6.7 KiB

Raw Blame History

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

项目经理 - 项目统筹与进度管理（GPT-4）
AI算法工程师 - AI模型训练与优化（GPT-4）
高级检测工程师 - 检测方案设计与实施（Claude-3）
光电检测员 - 外观缺陷识别与量化（GPT-3.5）
数据分析师 - 数据处理与报告生成（GPT-4）
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：

{ 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：

检测背景主图 → AI算法工程师（展示系统架构）
硅晶圆检测项目 → 高级检测工程师（展示检测分类）
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）
外观热力图 → 光电检测员（展示缺陷分布）
厚度分布图 → 数据分析师（展示薄膜均匀性）
电学对比图 → 数据分析师（展示AI预测准确度）
成分抽检卡片 → 数据分析师（展示成分分析）
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

// 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

优先选择流程图、架构图
数据可视化图表必不可少
热力图直观展示分布情况
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）

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

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

后续优化建议

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

6.7 KiB Raw Blame History Unescape Escape