半导体产线质量数字化术语手册：从 EAP 到 APQP，以及 AI 落在哪里

这份术语表不是按字母序排的。因为懂这些词的关键不是记住定义，而是知道它们串成几条链——串错了链，AI 方案在 POC 阶段就会撞墙。

导语

面向 AI 落地工程师，半导体产线有三个”看不懂”：

术语看不懂：ADC、OCAP、FDC 混着讲，不知道谁是谁的上游；
链路看不懂：拿到了设备数据，但不知道它该进 SPC 还是 FDC，也不知道异常之后谁接手；
边界看不懂：模型准确率 99%，工艺工程师一句”这个我不能签字”就打回来了。

本文按链路顺序重排 13 个术语，而不是按字母序。理由很简单：在半导体产线里，决定一个 AI 方案能不能落地的，往往不是算法，而是它挂在链路的哪个位置。

一个前置说明：这 13 个词里，12 个是半导体/质量管理术语，Dify 不是——它是 LLM 应用开发平台，出现在这份清单里说明受众在做”AI 应用层”的落地。本文会明确把它放在最后一节，并说明它和前面 12 个词的关系（以及不该有的关系）。

另一处诚实说明：COA 在半导体语境下有歧义（见 1.4）。本文按最常见的 Certificate of Analysis 展开，如果你的产线用它指别的东西，请以内部定义为准。

0. 先定位：13 个术语分别在哪一层

用 ISA-95 的分层先给出坐标系（这套分层的价值在于：跨层通信是产线数字化的主要成本来源）：

┌──────────────────────────────────────────────────────────────┐
│ L4  ERP / 经营层                                              │
│     APQP（先期质量策划，跨 L4-L3 的流程）                     │
├──────────────────────────────────────────────────────────────┤
│ L3  MES（制造执行）                                           │
│     工单派发 · WIP 追踪 · 谱系(genealogy) · Recipe 管理       │
│     SPC（过程控制，统计侧）· OCAP（异常处置）· 8D（问题闭环） │
│     SOP（作业标准，跨 L3-L1 的文档）                          │
├──────────────────────────────────────────────────────────────┤
│ L2  EAP / SCADA（设备自动化与数据采集）                       │
│     SECS/GEM 通信 · Recipe 上下载 · Trace 采集 · 告警         │
│     FDC（设备侧实时监控，跨 L2-L3）                           │
│     ADC（缺陷分类，跨 L2-L3）                                 │
├──────────────────────────────────────────────────────────────┤
│ L1  设备控制（PLC / 运动控制 / 工艺模块）                     │
│     AOI（光学检测，在线设备）                                 │
├──────────────────────────────────────────────────────────────┤
│ L0  传感器 / 执行器                                           │
│     DOE（实验设计，是方法论，不占某一层）                     │
└──────────────────────────────────────────────────────────────┘
                  ↕
Dify（AI 应用层 / LLM 编排，横跨 L3-L4）

这张图最重要的信息是四个”跨层”标记：

术语	跨哪几层	为什么跨层很重要
APQP	L4 ↔ L3	它是”产品导入期的流程”，决定了后面所有控制项
FDC	L2 ↔ L3	数据在设备侧，判定与处置在 MES 侧
ADC	L1 ↔ L3	图像在设备侧，缺陷分类结果要进良率系统
SOP	L3 ↔ L1	文档在系统里，执行在工位上

跨层的术语，就是 AI 落地时最容易出问题的地方——因为数据、模型、决策权分属不同团队。

1. 术语逐条拆（按链路顺序）

1.1 MES：产线的”账本 + 调度台”

全称：Manufacturing Execution System，制造执行系统。

它做什么（不要只记”制造执行”，要记四件事）：

功能	具体内容	没有它会怎样
工单与派工	哪个 lot 在哪台机台、用什么 recipe、什么优先级	靠人喊，排产靠 Excel
WIP 追踪	每片/每批在制品的当前位置与状态	找不到货，交期承诺不可信
谱系（Genealogy）	这片 wafer 经过了哪些机台、哪些腔体、哪些批次材料	出问题时无法界定受影响范围（召回/hold 范围算不出来）
Recipe 管理	工艺配方的版本、审批、下发	版本混乱，改错参数无人知

半导体场景的特殊性：

Lot / Wafer / Die 三级粒度：MES 要同时管 batch（炉管 25 片一批）、single-wafer（单片处理）、die（封装前的单个芯片）；
Rework / 返工路径：不良品可以重工，重工后谱系要能追溯（不然良率分析会把重工品和正常品混在一起）；
Bank / Hold 机制：任何异常（SPC OOC、FDC alarm、设备故障）都会把 lot 置为 hold，等工程判断。这是”异常闭环”在系统上的物理落点。

对 AI 工程师最重要的一点：MES 是”标签”的来源。你要做良率预测、缺陷归因，最终都要 join 回 MES 的谱系表才能知道”这片 wafer 走了哪条路径”。没有谱系，你的特征工程就只能做到”当前机台”这一层。

1.2 EAP：设备与系统的”翻译官”

全称：Equipment Automation Program，设备自动化程序。

它是干什么的（一句话）：把设备的私有接口，翻译成 MES 能听懂的标准消息。

1
2
3

MES ──(标准命令)──> EAP ──(SECS/GEM)──> 设备
                      ↑
                 协议转换 + 状态机 + 数据缓存

EAP 承担的六件事：

能力	说明
通信协议栈	SECS-I / HSMS（TCP）、SECS-II（消息内容）、GEM（行为模型）
远程命令	MES 下发 START / STOP / PAUSE / RESUME / PP-SELECT
Recipe 管理	Recipe 上传/下载/比对（防止机台上跑的不是 MES 认为的那个版本）
数据采集	实时事件（event）、报警（alarm）、Trace 数据（传感器时序）
状态上报	设备状态机（Idle / Running / Down / Engineering…）
载具/基板追踪	Carrier、Substrate 的位置与状态

必须知道的 SEMI 标准编号（这是和这家客户对话的”入场券”）：

标准	内容	工程意义
E4	SECS-I（串口传输）	老设备还在用
E37	HSMS（TCP/IP 传输）	新设备主流
E5	SECS-II（消息语义、Stream/Function）	例如 `S1F1` 是”你在吗”
E30	GEM（通用设备模型）	定义了状态机、报警、变量、事件的标准行为
E40 / E94	Process Job / Control Job	批次作业与控制的抽象
E87 / E90	Carrier / Substrate Tracking	载具与基板追踪
E10 / E79	设备 RAM（可靠性/可用性/可维护性）、OEE	设备效率指标的标准化定义
E116	EPT（设备性能追踪）	更细的性能指标采集

踩坑提醒（这一段是 AI 工程师最该看的）：

Trace 数据的采样率不统一。有的设备 1Hz，有的 10Hz，有的”事件触发式”（只在数值变化超过阈值时上报）。做时序模型前必须先做重采样与对齐，否则多机台的特征没法拼。
Timestamp 不可信。设备时钟与 MES 时钟常有秒级偏移，跨设备关联时会错位。要么做 NTP 同步，要么用”事件索引”而非绝对时间对齐。
Trace 变量名是设备厂商私有的。同一物理量（如腔体压力）在不同厂商设备上叫不同名字（ChamberPressure / PRESS_CH / VAC_1）。没有统一的变量字典，你的模型只能一台机器一个模型。
不是所有设备都开 Trace。老设备可能只能采 event，拿不到时序。这决定了你的方案能不能规模化。

一句话定位：EAP 是数据的地基。地基不稳（采样不齐、时间不同步、变量名不统一），上面的 FDC/SPC/AI 全是空中楼阁。

1.3 AOI：在线光学”找不同”

全称：Automated Optical Inspection，自动光学检测。

机制（比”拍照找缺陷”要具体）：

1. 成像：线扫相机/面阵相机 + 多角度光源（明场/暗场）
2. 对准：与"黄金参考"（golden reference）做配准
   - 类型 A：Die-to-Die（相邻 die 互比）
   - 类型 B：Die-to-Database（与设计版图比）
3. 差分：算图像差异，超阈值的区域标为"缺陷候选"（defect candidate）
4. 输出：缺陷坐标 + 尺寸 + 图像 patch + 粗分类

它最强的能力：快 + 全检。人眼看 1% 抽样，AOI 可以 100% 全检，且速度是人的几十倍。

它最大的问题（这是 AI 的第一个机会）：

AOI 的”缺陷候选”里，大量是误报（false call / nuisance）。

业界常见情况（范围性表述，随产品、工艺节点、算法版本差异极大）：AOI 报出的候选里，30%–70% 需要人工复判（review）才能确认是否真缺陷。

这意味着：

复判是人力瓶颈（一条先进封装线可能需要几十人做复判）；
复判是一致性瓶颈（不同人判定不同）；
复判是节拍瓶颈（AOI 几秒出一片，人看一片要几分钟）。

这个结构性矛盾，就是”AI 做误报过滤”的 ROI 来源。下面 4.1 会展开。

1.4 ADC：给缺陷”贴标签”

全称：Automatic Defect Classification，自动缺陷分类。

术语歧义提示：在设备电气语境里，ADC 是 Analog-to-Digital Converter（模数转换器，EAP 采数据时常见）。在质量/检测语境里，ADC 是 Automatic Defect Classification。这两者同缩写不同物，看上下文区分。本文按后者讲。

它在链路里的位置：

1
2
3

AOI（或 e-beam 复检 SEM）→ 缺陷候选 → ADC → 缺陷类别（bin code）
                                              ↓
                                        良率分析 / 缺陷 Pareto / 根因

两种技术路线：

路线	机制	优点	缺点
RB-ADC（Rule-Based）	用缺陷属性（尺寸、极性、灰度、位置、长宽比、邻域特征）做规则分类	可解释、无需训练数据、稳定	规则难覆盖长尾；换产品要重写规则
AI-ADC（Deep Learning）	直接对缺陷图像 patch 做 CNN/ViT 分类	可覆盖长尾、跨产品迁移	需要标注数据；黑箱；类别不平衡严重

关键工程点：

bin code 体系是客户定义的，不是通用的。同一类”颗粒”在不同 fab 可能分成三种 bin（按尺寸/位置/来源）。你的模型输出必须映射到客户的 bin 体系，否则结果无法进入既有报表。
类别极度不平衡：常见缺陷（particle、scratch）占 90%+，致命缺陷（void、delamination）可能 < 1%。用 accuracy 评估是自欺欺人，必须看 per-class recall + 混淆矩阵。
标注质量决定上限。缺陷分类的标注依赖 SEM 复检 + 工程师判断，标注者间一致性（inter-annotator agreement）往往不高。做模型前先算一下标注一致性——如果 kappa < 0.6，你的”99% 准确率”没有意义。

1.5 COA：材料的”体检报告”

全称：Certificate of Analysis，分析证书（也叫材质证明/检验报告）。

术语歧义提示：COA 在不同产线可能指不同东西。半导体/材料语境下最常见的是 Certificate of Analysis。请以你所在产线的内部定义为准。 本文按此展开，并在末尾给出它与 COC 的区别。

它是什么：供应商随批次（lot）提供的实测数据报告——不是”我保证符合”，而是”我测了，这是数值”。

项	内容
材料批号	供应商 lot ID（这是追溯的源头）
规格项	纯度、金属离子含量、颗粒数、粘度、水分、粒径分布…
实测值 + 方法	每个规格项的测量结果 + 测试方法（如 ICP-MS）
判定	Pass / Fail（对照规格上下限）

它与 COC 的区别（很容易混）：

	COA（Certificate of Analysis）	COC（Certificate of Conformance）
给什么	实测数值 + 方法	符合性声明（”符合规格”）
信息量	高（可做趋势分析）	低（只有结论）
用途	IQC 判定、SPC 入料监控、供应商对比	合规存档

对 AI 的价值（常被忽略）：

COA 是唯一能提前拿到”上游材料变异”的数据。如果你的良率突然掉了，而 FDC/SPC 都没报警，第一个该查的就是近期 COA 里某个规格项有没有漂移。

落地要点：COA 通常是 PDF/Excel，格式各供应商不同。把它结构化成表（材料批号 → 规格项 → 实测值）是很多”良率归因”项目的第一步，也是最脏的一步。

1.6 SPC：用统计判断”这算不算变了”

全称：Statistical Process Control，统计过程控制。

核心思想（一句话）：区分”普通原因变异”和”特殊原因变异”。

普通原因（common cause）：工艺本身的固有波动，调它没用，要改工艺；
特殊原因（special cause）：某个可归因的事件（设备偏移、材料批次、操作失误），必须找出来。

工具：控制图（Control Chart）

最常用三种：

图	适用	统计量
X̄-R（均值-极差）	子组抽样（如每批测 5 点）	组均值 + 组内极差
I-MR（单值-移动极差）	单件测量（半导体常见，因为 wafer 内测量点少）	单值 + 相邻差
EWMA / CUSUM	检测微小但持续的偏移	指数加权 / 累积和

控制限 vs 规格限（这是最常被混淆的一对）：

	控制限（Control Limit）	规格限（Spec Limit）
来源	从数据算出来（±3σ）	客户/设计定义
含义	过程”正常波动”的范围	产品”能否接受”的边界
超出后	过程失控（OOC）→ 查原因	产品不合格（OOS）→ 判废/返工
谁定	工艺工程师	设计/客户

关键洞察：控制限比规格限窄（正常情况）。如果控制限逼近甚至超过规格限，说明 Cpk 不够，工艺能力不足——这是”要改工艺”而不是”要调控制图”的信号。

能力指标：

1
2
3

Cp  = (USL − LSL) / (6σ_within)      # 潜在能力（不考虑居中）
Cpk = min(USL−μ, μ−LSL) / (3σ_within)  # 实际能力（考虑居中）
Pp/Ppk = 同上，但用 σ_overall           # 长期表现

经验判据：Cpk ≥ 1.33 是量产门槛，≥ 1.67 是汽车/高可靠场景的常见要求。

判异规则：除了”超出 ±3σ”，还有 Nelson rules（8 条）/ Western Electric rules（4 条），用来捕捉”没超限但形态异常”的模式：

连续 7 点在中心线同侧（均值偏移）；
连续 6 点递增/递减（趋势）；
连续 14 点交替上下（系统性振荡）；
2/3 点落在 ±2σ 外（接近失控）。

这 8 条规则是”规则引擎”的经典案例，也是 AI 最容易做出增益的地方——因为多条规则同时触发时，人工判断”到底是哪种异常”很费时（见 4.3）。

1.7 FDC：盯着设备的”心电图”

全称：Fault Detection and Classification，故障检测与分类。

它与 SPC 的根本区别（这是全文最重要的一处辨析）：

	SPC	FDC
监控对象	产品质量（量测结果：膜厚、CD、overlay）	设备状态（传感器时序：RF 功率、腔压、气体流量、温度）
数据来源	量测机台（metrology）	设备自身的 trace 数据
采样节奏	批次级 / 每批几个点（滞后）	in-situ，秒级（实时）
反馈速度	加工完 + 量测完才知道（可能几小时）	加工过程中就能发现
典型异常	膜厚偏移、CD 漂移	腔体漏气、RF 反射功率异常、气流不稳
处置	hold lot、重工	中止当前片（interlock / abort）

一句话：SPC 是”事后体检”，FDC 是”术中监护”。

FDC 的技术栈（三代）：

代际	方法	特点	局限
第一代	单变量阈值 + 指纹比对（golden trace）	简单、可解释	漏报多；阈值难调；每 recipe 要单独设
第二代	多变量统计（PCA、Hotelling T²、SPE/DModX）	能捕捉”单个正常、组合异常”	假设近线性；漂移后要重训
第三代	深度学习（AutoEncoder、LSTM/TCN、对比学习）	能建模复杂时序模式	黑箱；样本不平衡；验证难

FDC 的三个真实难点：

** nuisance alarm（骚扰告警）**。阈值设太严 → 告警爆炸 → 工程师关掉告警 → 系统形同虚设。这是 FDC 项目失败的最主要原因。
跨机台差异。同型号机台的 trace 分布也有差异（腔体老化、部件更换）。**”一模一台”是常态**，做全局模型很难。
标签极稀疏。真实故障几百次里才有一次，有标签的故障更是少数。所以 FDC 的 AI 化通常是无监督异常检测，而不是分类。

1.8 SOP：正常时怎么做

全称：Standard Operating Procedure，标准作业程序。

它的定位：**”正常路径”的说明书**。包括操作步骤、参数设定、安全注意事项、记录要求。

在半导体里的特殊要求：

版本受控：SOP 有版本号，改动要审批（变更管理）；
与 recipe 绑定：SOP 说”用 recipe A 的 2.1 版”，MES 要能校验；
培训记录：谁在什么时候培训过哪一版（审计要求）；
现场可得：工位上要能查到（纸质或电子）。

对 AI 的价值：SOP 是最容易被低估的知识资产。它包含了大量”工艺专家的隐性知识”（为什么要这样做、什么情况要停）。做 RAG 问答时，SOP 是最优质的语料（见 4.6）。

1.9 OCAP：异常时怎么做

全称：Out of Control Action Plan，失控行动计划。

它的定位：**”异常路径”的决策树——提前写好的 if-then**。

典型 OCAP 的内容结构：

触发条件：SPC X̄ 图连续 7 点上升 / Cpk < 1.33 / FDC alarm A-07
  ↓
Step 1：确认数据（是否量测错误？是否录入错误？）
Step 2：立即动作（Hold lot / 停设备 / 通知谁）
Step 3：排查清单（按可能性排序：查设备 → 查材料 → 查操作 → 查环境）
Step 4：判定标准（什么情况放行、什么情况报废、什么情况升级）
Step 5：记录要求（要填哪些字段、附哪些证据）
Step 6：升级路径（多久没解决要找谁）

OCAP 与 SOP 的关系（这是最容易混的一对）：

	SOP	OCAP
覆盖场景	正常	异常
触发	按计划执行	被事件触发（OOC / alarm）
内容	步骤、参数	判断、处置、升级
读者	操作员	工程师为主
变更频率	低	中（每次 8D 后可能更新）

一句话：SOP 是”怎么干”，OCAP 是”出事了怎么办”。

OCAP 是 AI 落地的最佳切入点之一，原因很实在：它天然是决策树，而决策树是可以被学习、被检索、被自动匹配的。而且它的失败代价可控（AI 建议、人确认）。

1.10 8D：把一次异常变成不再发生

全称：Eight Disciplines，八项纪律（问题解决法）。

八个步骤（注意 D0 有时被单列）：

步骤	名称	关键产出	常见敷衍做法
D0	应急反应	临时措施	跳过
D1	组建团队	跨职能小组	只拉自己部门
D2	描述问题	5W2H + 量化（多少片、什么时间、哪个腔体）	“良率低了”（不可量化）
D3	临时遏制（ICA）	隔离库存、加严检验	只处理在制，忘了已出货
D4	根本原因（RCA）	5Why + 鱼骨图 + 验证	停在”操作员疏忽”
D5	永久纠正措施（PCA）	选方案、评估风险	只治标
D6	实施与验证	数据证明有效	改了就宣布完成
D7	预防再发	更新 SOP / OCAP / FMEA / 控制计划	忘掉这一步
D8	团队认可与关闭	归档、横展到其他产线	只关闭不横展

D4 是最容易失败的一步，三个典型病症：

**停在”人为失误”**：这不是根因，是”为什么人会容易犯这个错”的起点（防错设计、界面、培训、疲劳）；
没有验证根因：找到原因后要能”复现”（把原因加回去，问题重现）或”消除验证”（去掉原因，问题消失）；
单因假设：实际原因常是多因素叠加（设备微偏 + 材料批次 + 环境湿度），只改一个不够。

D7 是 AI 最有价值的一步（很少被这么用）：把 8D 的结论自动写回 OCAP / FMEA / 控制计划。这是”组织记忆”的落地方式——见 4.5。

8D 与 5Why、鱼骨图的关系：8D 是框架，5Why 和鱼骨图是 D4 里的工具。不要把它们并列。

1.11 DOE：用最少的实验找出参数窗口

全称：Design of Experiments，实验设计。

它解决什么：工艺有 8 个参数，每个 3 个水平，全试一遍是 3^8 = 6561 次实验。DOE 用统计方法把次数压到几十次，还能分辨主效应和交互效应。

四类设计（按用途）：

类型	用途	实验次数（8 因子为例）	何时用
全因子（Full Factorial）	精确估计所有主效应 + 交互	`2^8 = 256`	因子少（≤4）、要精细
部分因子（Fractional Factorial）	筛因子（哪些重要）	`2^(8-4) = 16`	因子多、先做筛选（最常用）
Plackett-Burman	极快速筛（只估主效应）	12	因子很多（>10）、预算极紧
响应曲面（RSM / CCD / Box-Behnken）	找最优点（不是找显著因子）	20–50	已筛出 2–3 个关键因子，要优化

三个必须懂的统计概念：

概念	含义	工程后果
混杂（Confounding）	部分因子设计里，高阶交互与主效应”绑”在一起	如果真实存在强交互，会误判主效应
分辨率（Resolution）	III / IV / V，越高混杂越少	RIII 主效应不与主效应混；RIV 主效应不与二阶交互混
区组（Blocking）	把”非研究因子”（如不同批次、不同天）分块	不做区组，会把批次差异当成因子效应

踩坑（AI 工程师特别容易犯）：

把 DOE 数据直接喂给模型做拟合：部分因子设计的数据是”稀疏、有混杂”的，直接做特征重要性会得到错误的结论（因为存在 alias）；
忽略中心点（center points）：中心点用来检验”是否存在曲率”，没有它就无法判断该不该上 RSM；
随机化（randomization）没做：不随机化，时间漂移会混进因子效应。

AI 与 DOE 的结合点：贝叶斯优化 / 主动学习。传统 DOE 是”一次性设计”，贝叶斯优化是”序贯设计”——每做一批实验，用结果更新代理模型，再选下一批最有信息量的点。这在实验成本极高（一片 wafer 几千美元）的场景下价值很大。

1.12 APQP：产品导入期的”质量总纲”

全称：Advanced Product Quality Planning，先期质量策划。

出身：AIAG（美国汽车工业行动集团）的质量框架，配合 IATF 16949。半导体做车规（AEC-Q100/Q101）时几乎必然被客户要求。

五个阶段与交付物：

阶段	名称	关键交付物
① 策划	Plan and Define Program	客户需求、可靠性目标、初始 BOM/流程图
② 产品设计	Product Design & Development	DFMEA、设计验证计划（DVP&R）、图纸
③ 过程设计	Process Design & Development	PFMEA、控制计划（Control Plan）、MSA、过程流程图
④ 产品与过程确认	Product & Process Validation	PPAP 提交、试生产、能力验证（Cpk）
⑤ 反馈与纠正	Feedback, Assessment & Corrective Action	量产监控、8D、持续改进

两个必须知道的缩写：

缩写	全称	是什么
PFMEA	Process FMEA	过程失效模式分析：列出每个工序可能的失效、严重度(S)/频度(O)/探测度(D)，算 RPN
PPAP	Production Part Approval Process	生产件批准程序：向客户提交的一整套证据包（通常 18 项）

APQP 对 AI 落地的决定性作用（这是全文最关键的一条）：

APQP 阶段 ③ 产出的”控制计划”，定义了哪些参数进 SPC、哪些进 FDC、采样频率多少、失控时执行哪个 OCAP。

换句话说：

APQP（策划）→ 控制计划（决策）→ SPC / FDC 的监控项（执行）
                                    ↓ 异常
                                 OCAP（处置）
                                    ↓ 根因
                                  8D（闭环）
                                    ↓ D7
                              更新 SOP / FMEA / 控制计划（回到 APQP）

这就是”质量闭环”的完整链路。 而 AI 只要碰”监控项”或”判定规则”，就动到了控制计划——而控制计划是客户批准过的（见 5.1）。

1.13 Dify：AI 应用层，不属于产线栈

它是什么：开源的 LLM 应用开发平台（LLMOps）。核心能力：

能力	内容
可视化编排	拖拽式 workflow（LLM / 检索 / 条件分支 / 代码节点）
RAG pipeline	文档切分、向量化、检索、重排
Agent	工具调用、多步规划
模型管理	多模型接入、切换、参数配置
可观测	日志、trace、成本统计
发布	API / 内嵌页面

它和前面 12 个词的关系：没有直接关系。 它不采集设备数据，不做 SPC，不控设备。

它真正的用途（在半导体场景里）：

场景	用 Dify 做什么	关键前提
SOP / OCAP 问答助手	把 SOP、OCAP、设备手册、历史 8D 灌进 RAG，让工程师用自然语言查	文档要结构化、版本要标注
8D 报告起草	输入异常描述，生成 D8 初稿框架	只能起草，不能定稿
良率异常初筛	结合规则引擎输出 + LLM 生成”可能原因清单”	必须有确定性工具做事实计算，LLM 只做归纳
培训与考试	基于 SOP 生成问答对	内容正确性要人工校验

必须提醒的三点（这是”AI 应用层”最容易翻车的地方）：

不要把 LLM 当计算器。良率、Cpk、偏移量必须由确定性代码算，LLM 只解释结果。在工业场景，一个算错的数字比一个答不出的问题严重得多。
RAG 的召回质量决定一切。如果 SOP 是扫描版 PDF、没有版本号、段落切得乱七八糟，RAG 会给出”看起来对但引用了过期版本”的答案。这是最危险的失败模式（因为答案读起来很合理）。
不要把 Dify 放进控制回路。它适合”人问它答”，不适合”它判断然后设备动作”。任何影响 lot 处置的决策，不能由 LLM 直接输出。

2. 三条数据流：把术语串成链

术语背下来没用，**要能画出”数据从哪来、经过谁、到哪去”**。半导体产线其实只有三条流，它们在不同位置汇合。

2.1 流一：设备信号流（秒级，实时）

设备传感器 (L0)
   ↓ 模拟/数字信号
设备控制器 (L1) —— 采样、闭环
   ↓ SECS/GEM (E5/E30)
EAP (L2) —— 协议转换、Trace 采集、时间戳
   ↓ 消息队列 / 数据库
FDC (L2-L3) —— 多变量模型、阈值判定
   ↓ alarm
MES (L3) —— Hold lot / 停设备
   ↓
OCAP —— 工程师按预案处置

特点：高频、实时、以设备为中心。数据量最大（一台设备一天几个 GB 的 trace 很常见）。

AI 切入点：异常检测、虚拟量测、漂移预警。难点是标注稀疏 + 跨机台差异。

2.2 流二：质量测量流（批次级，滞后）

加工完成
   ↓
量测机台（metrology：膜厚/CD/overlay/defect review）
   ↓ 测量结果（每批 5-25 个点）
MES —— 与 lot 绑定，写谱系
   ↓
SPC (L3) —— 控制图、Cpk、Nelson rules
   ↓ OOC
OCAP —— 判定：放行 / 重工 / 报废 / 升级
   ↓ 若根因不明
8D —— D2 描述 → D4 根因 → D5-D6 措施 → D7 更新标准
   ↓
更新 SOP / 控制计划 / FMEA

特点：低频、滞后、以产品为中心。数据量小（但每条都关键）。

AI 切入点：虚拟量测（用设备 trace 预测量测结果，把滞后变成实时）、Cpk 预测、OOC 归因。

2.3 流三：缺陷图像流（片级，准实时）

AOI (L1) —— 成像、差分、出候选
   ↓ 候选 patch + 坐标
ADC (L1-L3) —— 分类（规则 or 模型）
   ↓ bin code
良率分析系统（Yield Management）—— 缺陷 Pareto、wafer map 聚类
   ↓ 发现系统性缺陷
8D / 根因分析 —— 查设备、查材料（COA）、查工艺
   ↓
更新检测配方 / 控制计划

特点：中频、大文件（图像）、以缺陷为中心。

AI 切入点：误报过滤（最高 ROI）、缺陷分类、wafer map 图案识别。

2.4 三流如何汇合：一次真实的异常排查

假设良率突然掉了 2%。三流在这里汇合：

1. 良率系统发现某产品良率下降（流三：缺陷统计）
   ↓
2. 查 wafer map：缺陷集中在 wafer 边缘（图案识别）
   ↓
3. 查谱系（MES）：这批 wafer 都经过了 3 号刻蚀机的 B 腔
   ↓
4. 查 FDC（流一）：B 腔的 RF 反射功率在过去 3 天有缓慢上升
   ↓
5. 查 SPC（流二）：CD 量测的均值有 0.8nm 偏移，但还在控制限内（未触发 OOC）
   ↓
6. 查 COA：同期换了一批新的刻蚀气体，COA 显示水分含量在规格内但偏高
   ↓
7. 结论：气体水分 + 腔体老化 叠加 → RF 匹配变差 → 边缘刻蚀速率不均
   ↓
8. 8D：D5 换腔体部件 + 收紧气体 COA 的水分内控线
   ↓
9. D7：把"RF 反射功率的斜率"加入 FDC 监控项（原先只监控绝对值）
       → 更新控制计划

这个案例说明了三件事：

单看任何一条流都找不到根因——SPC 没报警（在限内），FDC 没报警（绝对值正常），只有”跨流关联”才发现；
**AI 的机会在”跨流关联”**，而不是”把某一个模型做准”；
**最终动作是”改控制计划”**——这解释了为什么 AI 落地的最大阻力在变更管理（见 5.1）。

3. 上下游依赖关系与易混淆对照

3.1 依赖图（谁决定谁）

[APQP] ──产出──> [控制计划 Control Plan]
                        │
                        │ 定义：监控哪些参数 / 采样频率 / 失控执行哪个 OCAP
                        ↓
        ┌───────────────┴───────────────┐
        ↓                               ↓
[SPC] 产品质量侧                    [FDC] 设备状态侧
控制图 / Cpk / Nelson rules         Trace 多变量 / 阈值 / 模型
        ↓                               ↓
   OOC / OOS                          alarm
        └───────────────┬───────────────┘
                        ↓
                  [OCAP] 按预案处置
                  放行 / 重工 / 报废 / 升级
                        ↓ 若根因不明
                   [8D] D1..D8
                        ↓ D7 预防再发
        更新 SOP / PFMEA / 控制计划 ──> 回到 [APQP]（下一轮）

注：[DOE] 独立于这条主链，它产出"工艺窗口"（规格限与中心值），
    是 [控制计划] 的输入之一。

三条硬依赖，记这三条就够：

依赖	含义	违背的后果
APQP → 控制计划 → SPC/FDC	监控什么、怎么监控，是策划阶段定的	如果 AI 想加监控项，必须走变更
DOE → 规格限/中心值	规格不是拍脑袋，是实验定出来的	用错规格限，Cpk 算出来是假的
8D 的 D7 → 标准更新	闭环的终点是”标准变了”	不改标准，同类问题必然复发

3.2 七对最容易混淆的术语

对	区别（一句话）	混错的后果
SPC vs FDC	事后量产品 vs 术中看设备；批次级 vs 秒级	用 SPC 的数据做实时控制（滞后几小时）；用 FDC 的数据做能力分析（trace 不是产品特性）
OCAP vs SOP	异常时怎么办 vs 正常时怎么做	出事了查 SOP，查不到处置方案
AOI vs ADC	找”哪里有异常” vs 判”这是什么异常”	以为上了 AOI 就有了分类能力，实际还要复判
控制限 vs 规格限	数据算的 vs 客户定的	用规格限画控制图 → 永远不报警（限太宽）
8D vs 5Why	框架 vs 工具（5Why 在 D4 里）	把 5Why 当完整方法论，做完没有防再发
APQP vs PPAP	过程（5 阶段） vs 交付物（证据包）	以为交了 PPAP 就完成 APQP
COA vs COC	给数据 vs 给声明	只留 COC，出问题时无法做趋势分析

3.3 四组”看起来相关但无关”的术语

这一组更隐蔽，因为它们在中文字面上很像，但在系统里完全没有关系：

组	为什么容易混	实际关系
MES vs EAP	都”管设备”	MES 管工单与谱系（L3），EAP 管通信与采集（L2）。MES 不知道 SECS 消息长什么样，EAP 不知道 lot 的优先级
FDC vs 良率分析	都在”发现异常”	FDC 看实时设备信号，良率分析看累积的缺陷/量测统计。FDC 报警不等于良率会掉（反之亦然）
ADC vs 缺陷检测	都叫”检测”	检测（inspection）是”发现异常像素”，分类（ADC）是”给它命名”。先检测后分类，是两个工序
Dify vs MES	都”有工作流”	Dify 的 workflow 是LLM 编排（prompt→检索→生成），MES 的 workflow 是物理批次流转。二者没有替代关系

4. 六个 AI 落地机会（按 ROI 排序）

排序依据不是”技术先进性”，而是 ROI = 收益 / （技术风险 × 变更成本）。

4.1 机会一：AOI 误报过滤（ROI 最高）

为什么排第一：

维度	评估
痛点明确	复判是人力瓶颈，30%–70% 的候选是误报（范围性表述）
数据现成	AOI 已经在存缺陷图像 + 坐标 + 设备参数，不需要新增采集
标签现成	复判结果（工程师判 OK/NG）就是标签，已经存在系统里
评估明确	“过滤掉多少误报 + 漏掉多少真缺陷”是一个清晰的权衡曲线
失败成本低	AI 只做”减法”（把明显是误报的挑出来给人快速过），最坏情况是多留几条给人看
变更阻力小	不改控制计划，只改”人看多少条”

技术要点：

输入不只是图像：缺陷的坐标、尺寸、长宽比、灰度统计、以及该 die 的工艺参数都是有效特征；
不要做二分类，做排序。输出”这是误报的概率”，然后按阈值过滤——这样工程上可以调”放过多少”，而不是被迫在某个点上取舍；
按缺陷类型分组评估。整体误报率降低 50%，但某类致命缺陷的漏检上升——这是不可接受的，必须分组看；
必须能”拒绝判断”**。低置信度的样本直接送人工，不要强判**。

落地形态：AI 前置过滤 → 人工快速确认（从”逐条判”变成”批量确认”）→ 真缺陷进 ADC。

4.2 机会二：ADC 缺陷分类

为什么排第二：ROI 高，但比误报过滤多两个风险（类别不平衡 + 类别体系要映射）。

技术要点：

bin code 映射是第一步，不是最后一步。先和客户/工艺确认”你说的 bin 3 到底指什么”，再设计分类头；
用层次分类而非平铺分类：先分大类（particle / scratch / pattern / void），再分细类。这样新类别出现时可以只改子分类器；
少样本类用度量学习（prototypical network / triplet），因为致命缺陷样本天然少；
必须报混淆矩阵 + per-class recall，不能只报 accuracy；
模型不确定时输出”Unknown”**，让工程师归类——这比强行归类更有价值**（Unknown 的样本是下一轮标注的素材）。

4.3 机会三：FDC 异常检测（含”骚扰告警”治理）

注意：这里的 ROI 不在”发现新故障”，而在”减少无效告警”。

为什么：大多数 fab 已经有 FDC 系统，且工程师对告警的信任度已经被”告警爆炸”摧毁。你再加一个模型说”我发现了新异常”，大概率被忽略。

真正有价值的三个方向：

方向	做法	收益
告警去重/聚合	把同一根因触发的 20 条告警合并成 1 条	工程师处理量降 80%
自适应阈值	用历史数据自动算每台机台每变量的合理范围（而非全局固定阈值）	减少 nuisance alarm
告警优先级排序	基于”历史上有多少告警最终导致 hold/报废”给告警打分	让工程师先看重要的

技术要点：

**优先做”每机台一模型”而不是”全局模型”**。跨机台差异太大，全局模型在多数机台上都不准；
用无监督 + 少量标签（PU learning / 半监督）。异常样本极少，纯监督不可行；
可解释性是硬要求（见 5.2）：**必须给出”是哪个变量、在什么时间段、偏离了多少”**。只说”异常分数 0.87”的模型不会被采纳。

4.4 机会四：虚拟量测（VM）

机制：用设备 trace 数据预测量测结果（膜厚、CD、overlay）。

1 2	真实量测：加工 → 送去量测机台 → 2 小时后拿到结果 → SPC 判 → 晚了虚拟量测：加工 → 用 trace 预测 → 秒级拿到预测值 → 提前发现异常

为什么价值大：

量测是瓶颈（量测机台贵、排队久、有些是抽检）；
**VM 能做到”片片全检”**（真实量测只能抽检）；
可以提前触发 hold（不用等量测完才发现问题）。

技术要点：

VM 的精度要求极高。量测本身有噪声（repeatability），VM 的误差必须显著小于规格带宽（经验：VM 误差 < 10% 规格带宽才有用）；
必须做”适用域检测”（applicability domain）：当 trace 落在训练分布外时（如新 recipe、设备大修后），VM 要拒绝输出，而不是给一个错的预测；
VM 不能替代量测（客户审核不认），只能做”预警”。这一点必须在项目立项时说清楚，否则验收时会被推翻。

4.5 机会五：根因分析与 8D 加速

这是”跨流关联”的典型场景（见 2.4 的案例）。

三个层次：

层次	做法	难度	价值
L1 检索	从历史 8D / OCAP 里找”类似问题怎么解决的”	低（RAG）	中（省查资料时间）
L2 关联	把良率下降与 FDC/SPC/COA/谱系做统计关联，输出候选原因排序	中	高
L3 因果	用因果图/干预实验确认根因	高	最高（但通常要人做实验）

建议从 L1 + L2 做起，L3 交给工艺工程师（他们要的是”候选清单”，不是”结论”）。

L2 的关键工程点：

必须能 join 谱系（MES）：没有”这批 wafer 经过了哪些机台/腔体”，就无法做关联；
必须做多重比较校正：你同时检验 200 个变量，α=0.05 会有 10 个假阳性（见《开放域问答评测》那篇里的统计部分）；
**输出必须是”排序 + 证据”，不是”结论”**。工程师要能自己判断。

4.6 机会六：知识助手（SOP/OCAP 问答）

这就是 Dify 这类平台的用武之地。

做对了的三条：

只答”文档里有的”**，答不出就说没有（不要让它推理**）；
必须给出版本 + 段落引用（”根据 SOP-ETCH-021 v3.2 第 4.3 节”）——没有版本号的回答在审计时等于零；
**答案是”指向原文”，不是”总结”**。工程师要的是原文，不是 LLM 的转述。

做错了的三种（都很常见）：

错误	后果
让它算 Cpk / 良率	算错（LLM 不擅长数值计算）
混入网页/通用语料	给出”行业通行做法”而非”本厂规定”，这是最危险的
不做版本管理	引用过期 SOP，导致操作错误

5. 工业场景的三个硬约束

5.1 合规：模型上线 = 工艺变更

这是 AI 落地半导体最大的、也是最容易被低估的障碍。

核心逻辑链：

AI 模型影响了"某个 lot 是否放行"
  ↓
这改变了"过程的判定规则"
  ↓
在 IATF 16949 / 客户审核体系里，这是"过程变更"
  ↓
必须走变更管理：影响评估 → 验证 → 客户批准（车规场景）
  ↓
（在 APQP 体系里，还要更新控制计划）

这意味着：

你以为在做	实际在做
“上线一个模型”	“发起一次工艺变更”
“迭代模型版本”	“重复一次变更流程”
“模型效果提升 3 个点”	“需要重新提交验证证据”

三条应对策略：

把 AI 放在”建议”位置，不放”决策”位置。人签字，AI 只是提供输入——这样不构成过程变更；
先做”减法”**（减少复判量、减少告警数），后做”加法”**（新增检出、自动处置）。减法的变更风险远小于加法；
从”辅助工具”立项，不要从”AI 决策系统”立项。前者走 IT 变更流程，后者走工艺变更流程，周期差 5–10 倍。

其他合规项：

数据完整性：谁改了模型、什么时候、基于什么数据（类似 ALCOA+ 原则）；
可追溯：任何一个判定，要能回溯到”当时用的是哪个模型版本 + 哪批训练数据”；
客户特定要求：车规客户（AEC-Q100）通常要求”任何影响产品特性的变更都要通知”。

5.2 可解释：工程师要能”为这个判断负责”

为什么可解释在工业里是刚需（而不是”nice to have”）：

工程师在 8D 报告上签字，意味着”我愿意为这个结论负责”。如果他无法向客户解释”为什么模型这么判”，他就不会签。

具体需要什么：

需求	具体形式	不满足的后果
定位到变量	“腔体压力在 t=120s 偏离基线 3.2σ”	只说”异常分数高”，无法排查
定位到时间	精确到秒的时间窗	无法回看当时发生了什么
定位到样本	哪几片/哪几个 die	无法界定 hold 范围
可复现	同样输入 → 同样输出（无随机性）	无法在评审时复现
可对比	与”正常时的基线”对比	无法判断”偏了多少”

一个实操建议：把”解释”当成产品的第一功能，而不是附加功能。

具体做法：

模型的输出不是一个分数，而是”分数 + top-3 贡献变量 + 时间窗 + 对比基线”；
界面上同时展示原始 trace 曲线（标注异常区间），而不只是结论；
保留每次判定的快照（输入数据 + 模型版本 + 输出），供事后审计。

5.3 停机风险：两类错误的代价不对称

这是工业 AI 与互联网 AI 最本质的差异。

错误类型	后果	代价量级
误报（False Positive）	停机检查 → 产能损失 + 该批可能报废（热预算）	中（可承受，但累积起来很大）
漏报（False Negative）	批量不良流出 → 客户投诉 + 召回 + 信誉	极高（可能数百万美元 + 客户关系）

代价不对称的直接后果：

阈值必须偏保守（宁可多报）。这意味着你做的”高精度模型”在业务上会被调到”高召回”——你的 AUC 提升可能根本体现不出来；
评估指标要和业务对齐：不要报 accuracy / F1，要报 **”在给定漏检率上限下，误报率能降到多少”**；
必须区分”可停机”和”不可停机”的告警。有些工序（如炉管、湿法）停机代价极高（要重新升温/换液），这类工序的模型必须更保守。

一个实操框架：

1. 和工艺确认"可接受的漏检率"（如 < 0.1%）
2. 在这个约束下，最大化"误报过滤率"
3. 报"过滤率 @ 漏检率 0.1%" 这个数字，而不是 AUC
4. 给出"如果阈值再放宽，过滤率能到多少，但漏检会升到多少"的曲线

这条曲线（类似 DET 曲线）比任何单一指标都有说服力，因为它把决策权交给了工艺工程师。

5.4 第四个约束（常被漏掉）：数据可得性

约束	表现	应对
标注成本	缺陷标注需要工程师 + SEM 复检，一条几美元到几十美元	主动学习（只标最有价值的样本）
样本不平衡	致命缺陷 < 0.1%	用 anomaly detection 而非 classification
数据孤岛	设备数据在 EAP 库、量测在 SPC 库、谱系在 MES 库	先做数据打通（这往往是项目 60% 的工作量）
历史数据不可用	老设备没开 Trace；系统升级导致格式变化	项目前先做数据可用性评估
隐私/出口管制	有些 fab 不允许数据出内网	必须支持本地部署（这也是 Dify 开源版的价值之一）

6. 落地路径建议

6.1 一个 12 个月的现实路径

M1–M2：数据可达性评估（不要跳过）
  □ 目标工序有没有 Trace？采样率？变量字典有没有？
  □ 量测数据能不能按 lot 对齐？
  □ MES 谱系能不能 join？
  □ 历史标签（复判结果/8D）有多少条？
  → 产出：可行性报告。这里的结论经常是"数据不够，先做数据治理"

M3–M5：AOI 误报过滤（第一个 ROI）
  □ 不改控制计划、不做自动决策，只做"人看多少条"
  □ 评估指标：过滤率 @ 漏检率 0.1%
  □ 上线形态：AI 前置 + 人工确认

M6–M8：FDC 告警治理
  □ 先把现有告警的"有效告警率"算出来（通常 < 20%）
  □ 做去重/聚合 + 自适应阈值
  □ 指标：工程师日均处理告警数、有效告警占比

M9–M12：跨流关联（根因候选）
  □ 打通设备 + 量测 + 谱系
  □ 输出"候选原因排序 + 证据"
  □ 与 8D 流程结合，衡量"平均结案时间"是否缩短

为什么这个顺序：

阶段	变更风险	数据要求	收益可见性
AOI 误报	低（不改判定）	低（数据现成）	高（人力节省可量化）
FDC 治理	低（减少告警不是增加）	中	中
跨流关联	中（影响排查流程）	高（要打通三库）	高但慢

6.2 三个”不要”

不要	原因
不要一上来做”全自动判定”	变更流程走不完，且一次误判就会失去信任
不要用通用异常检测算法（Isolation Forest / AutoEncoder 直接套）	半导体 trace 有强周期性、多阶段（step）、变量间强相关，通用方法会产生海量误报
不要只和 IT 部门对接	工艺工程师才是最终用户和签字人，他们的需求（可解释、可复现）决定了方案形态

6.3 一句话判断项目能不能做

在立项前问三个问题：

**”如果这个模型判错了，谁承担后果、怎么回滚？”**——答不出来，说明还没到能落地的阶段；
**”这个判定要不要写进控制计划/OCAP？”**——要写，就是工艺变更，周期 ×5；
**”工艺工程师愿意用一个月，还是只是评审时点头？”**——只点头的，上线三个月就会被弃用。

7. 小结

学这些术语的关键是”串成链”，不是背定义。 三条流（设备信号 / 质量测量 / 缺陷图像）在不同位置汇合，AI 的价值主要在”跨流关联”，而不是”把单点模型做准”。
SPC vs FDC 是全文最重要的一处辨析：SPC 监控产品质量（批次级、滞后），FDC 监控设备状态（秒级、实时）。用 SPC 做实时控制会滞后几小时；用 FDC 数据做能力分析是概念错误。
控制限 ≠ 规格限。 控制限从数据算（±3σ），规格限由客户/设计定。用规格限画控制图，永远不报警。
OCAP vs SOP：OCAP 是”异常时怎么办”的决策树，SOP 是”正常时怎么做”的说明书。OCAP 天然适合被检索、被学习，是 AI 最好的切入点之一。
APQP 决定了一切：它的阶段③产出”控制计划”，控制计划定义了哪些参数进 SPC、哪些进 FDC、失控执行哪个 OCAP。这就是为什么”AI 想加一个监控项”要走变更流程。
8D 的 D7 是最容易被跳过、也最值钱的一步：把结论写回 SOP / FMEA / 控制计划。不改标准，同类问题必然复发。AI 在这里的价值是”自动起草标准更新”，而不是”自动找根因”。
AOI 与 ADC 是两个工序：AOI 找”哪里有异常”，ADC 判”这是什么异常”。AOI 的痛点是30%–70% 的误报（范围性表述），这直接决定了”误报过滤”是 ROI 最高的 AI 机会。
COA 是被低估的数据源：它是唯一能提前拿到”上游材料变异”的数据。良率突然掉了而 FDC/SPC 都没报警时，第一个该查 COA。
Dify 不属于产线栈。它是 LLM 应用层工具，适合做 SOP/OCAP 问答、8D 起草。三个红线：不当计算器、必须有版本引用、不进控制回路。
合规的本质是”模型上线 = 工艺变更”。 三条应对：放”建议”位不放”决策”位、先做减法后做加法、从”辅助工具”立项而不是”AI 决策系统”。
可解释不是加分项，是入场券。 工程师要为结论签字。最小可接受形式：定位到变量 + 时间窗 + 对比基线 + 可复现。
误报和漏报的代价严重不对称（漏报可能是数百万美元 + 客户关系）。所以不要报 AUC/F1，要报”过滤率 @ 漏检率约束”的曲线——把决策权交给工艺工程师。
落地顺序：AOI 误报 → FDC 告警治理 → 跨流关联。 前两步”只减不增”，变更风险低；第三步需要打通三库，往往占项目 60% 的工作量。

如果只留一句：在半导体产线，AI 的技术难度不是主要矛盾——把模型放在”建议位”而不是”决策位”、把指标说成”过滤率@漏检率”而不是 AUC、把解释做成一等功能而不是附加功能，这三件事决定了方案能不能活过第一次评审。

术语速查表

缩写	全称	中文	所在层
MES	Manufacturing Execution System	制造执行系统	L3
EAP	Equipment Automation Program	设备自动化程序	L2
AOI	Automated Optical Inspection	自动光学检测	L1
ADC	Automatic Defect Classification	自动缺陷分类	L1–L3
COA	Certificate of Analysis	分析证书	L3/L4（入料）
SPC	Statistical Process Control	统计过程控制	L3
FDC	Fault Detection and Classification	故障检测与分类	L2–L3
SOP	Standard Operating Procedure	标准作业程序	L3–L1
OCAP	Out of Control Action Plan	失控行动计划	L3
8D	Eight Disciplines	八项纪律（问题解决法）	跨层流程
DOE	Design of Experiments	实验设计	方法论
APQP	Advanced Product Quality Planning	先期质量策划	L4–L3
Dify	（产品名，非缩写）	LLM 应用开发平台	AI 应用层

参考来源

标准与框架

SEMI Standards：E4（SECS-I）、E5（SECS-II）、E30（GEM）、E37（HSMS）、E40（Process Job）、E87（Carrier Management）、E90（Substrate Tracking）、E94（Control Job）、E10（设备 RAM）、E79（OEE）、E116（EPT）
ISA-95 / IEC 62264：企业与控制系统集成分层（L0–L4）
AIAG, Advanced Product Quality Planning (APQP) and Control Plan Reference Manual
AIAG, Production Part Approval Process (PPAP) Reference Manual
AIAG & VDA, FMEA Handbook（DFMEA / PFMEA，含 RPN 与 Action Priority）
IATF 16949:2016（汽车行业质量管理体系）
AEC-Q100 / AEC-Q101（车规级半导体可靠性认证）

方法与工具

Montgomery, Introduction to Statistical Quality Control（控制图、Cpk/Ppk、Nelson/Western Electric 规则的系统教材）
Montgomery, Design and Analysis of Experiments（DOE：部分因子、混杂、分辨率、RSM）
Taguchi, Introduction to Quality Engineering（正交表与稳健设计）
Wheeler & Chambers, Understanding Statistical Process Control（控制限与规格限的经典辨析）
Pyzdek & Keller, The Six Sigma Handbook（8D、DMAIC、根因分析工具）
Dify 官方文档：https://docs.dify.ai（workflow、RAG pipeline、Agent、可观测）

说明：文中关于”AOI 误报率 30%–70%”、”FDC 有效告警率 < 20%”等数字为业界常见范围的表述，随产品类型、工艺节点、算法版本、产线管理水平差异极大，不构成对任何具体产线的事实断言；用于立项测算时请以自有数据重新统计。COA 与 ADC 两处术语歧义已在正文标注，请以所在产线的内部定义为准。SEMI 标准编号与内容按公开标准体系整理，具体条款以官方发布版本为准。