实验设计（DOE）方案规划

技能文档

---
name: doe-plan
title: 实验设计（DOE）方案规划
category: 学术研究
description: 将专利、论文与网络证据转化为可追溯的因子假设，自动选择 PB/FFD/BBD/CCD 实验设计，生成试验运行表和 DOE 方案报告，面向发酵与上游工艺优化。当用户需要规划实验设计、提取工艺因子、生成试验运行表、做发酵优化方案、文献证据驱动的 DOE 分析时触发。触发词：实验设计、DOE、发酵优化、因子筛选、试验方案。不适用于纯文献综述、专利性法律分析或非实验性工艺建议。
---

# 实验设计（DOE）方案规划

把可读证据转化为可执行的 DOE 方案、试验运行表和可追溯报告：每个因子、范围与设计建议都能回溯到证据来源，或明确标注为推断。

## 前置条件

- 专利与文献证据优先通过当前环境可用的专利/文献检索能力获取（如内置检索工具），进入 DOE 流水线前先完成证据收集
- 如果用户已提供 `search_input.json`、`fetch_manifest.json`、`evidence_catalog.json` 等可读证据文件，直接进入流水线
- 既没有检索能力也没有证据输入时，停在证据准备指引，不强行推进

## 触发边界

- 适用于发酵或上游工艺优化中的因子提取、范围建议、设计选择和运行表生成
- 适用于证据已就绪，或任务本身包含构建证据目录的情形
- 不适用于：无实验计划的专利性法律分析或泛化文献综述
- 问题实质是系统矛盾或求解路径抉择时，转向 TRIZ 分析方法；需要先按用户声音排序实验优先级时，转向 QFD 分析方法

## 主入口

所有新工作使用 `scripts/doe_pipeline.py`，可用子命令：`evidence`、`factor`、`design`、`report`、`run-all`。`evidence_pipeline.py`、`patent_factor_extractor.py`、`doe_designer.py`、`doe_plan_report.py` 仅作兼容包装，不作主入口。

## 最小输入

产出可执行 DOE 方案前至少需要：

- 一个明确目标
- 响应指标
- 硬约束/可操作性限制
- 至少一批可读证据，或足以生成 `search_input.json`、`fetch_manifest.json` 的输入
- `context.json` 可选但强烈建议提供（用于报告）

关键输入缺失时先补证据输入，不得凭空编造因子范围、机理假设或响应列表。

## 证据路由

- 专利、论文与科学文献：检索 → 抓取 → 落盘文件
- 公开非专利技术资料：网络检索 → 网页抓取 → 落盘文件
- 每个因子、范围与设计建议必须回溯到可读证据，或明确标注为 `inference`
- 证据覆盖明显不足时，停在证据阶段，不升级为 DOE 建议

## 资源地图

按当前步骤阅读最小必需材料：

- 写作或审查产出物前：[references/output-contract.md](references/output-contract.md)
- 把证据转化为因子假设时：[references/patent-to-factor-mapping.md](references/patent-to-factor-mapping.md)
- 规范化因子名称、单位与基线机理描述时：[references/bioprocess-factor-library.md](references/bioprocess-factor-library.md)
- 选择 `PB`/`FFD`/`BBD`/`CCD` 或解释 `selection_rationale` 时：[references/doe-method-selector.md](references/doe-method-selector.md)
- 定稿因子、范围或停止/继续判据前：[references/regulatory-qbd-guardrails.md](references/regulatory-qbd-guardrails.md)

## 技能工作流

### 步骤1：锁定目标与输入文件

定义目标、响应、约束、安全/可操作性限制，以及本次运行要复用的用户证据文件；准备 `search_input.json`、`fetch_manifest.json` 和可选的 `context.json`。

### 步骤2：构建证据目录

```bash
python3 scripts/doe_pipeline.py evidence \
  --search-input <search_input.json> \
  --fetch-manifest <fetch_manifest.json> \
  --top-k 12 \
  --output <evidence_catalog.json>
```

证据目录覆盖足够且失败抓取不占主导时才继续。

### 步骤3：提取因子假设

```bash
python3 scripts/doe_pipeline.py factor \
  --evidence-catalog <evidence_catalog.json> \
  --max-factors 8 \
  --output <factor_hypotheses.json>
```

手工修改因子名称、单位或范围前，先阅读因子库与映射指南。

### 步骤4：设计实验

```bash
python3 scripts/doe_pipeline.py design \
  --factors-json <factor_hypotheses.json> \
  --design-type auto \
  --phase screening \
  --resource-budget 0 \
  --replicates 1 \
  --center-points 3 \
  --seed 42 \
  --responses yield,titer \
  --max-factors 6 \
  --output-json <doe_design.json> \
  --output-csv <run_sheet.csv>
```

手工指定 `PB`/`FFD`/`BBD`/`CCD` 时，须依据方法选择指南给出理由。

### 步骤5：渲染报告

```bash
python3 scripts/doe_pipeline.py report \
  --context-json <context.json> \
  --evidence-catalog <evidence_catalog.json> \
  --factors-json <factor_hypotheses.json> \
  --design-json <doe_design.json> \
  --output <doe_plan.md>
```

报告必须遵循输出契约，显式区分事实、推断与未知。

### 步骤6：仅在输入稳定时使用 run-all

```bash
python3 scripts/doe_pipeline.py run-all \
  --search-input <search_input.json> \
  --fetch-manifest <fetch_manifest.json> \
  --context-json <context.json> \
  --output-dir <out_dir> \
  --top-k 12 \
  --max-factors 8 \
  --design-type auto \
  --phase screening \
  --resource-budget 0 \
  --replicates 1 \
  --center-points 3 \
  --seed 42 \
  --responses yield,titer
```

仅当证据输入稳定、不会反复变更时使用 `run-all`。

## 输出产物

- `evidence_catalog.json`
- `factor_hypotheses.json`
- `doe_design.json`
- `run_sheet.csv`
- `doe_plan.md`

## 分阶段校验

- `evidence_catalog.json`：`gates.status` 应为 `ready`
- `factor_hypotheses.json`：`summary.status` 应为 `ready`，且 `design_ready_factors` 数量充足
- `doe_design.json`：必须包含 `design_type`、`selection_rationale`、`runs[]`、`analysis_plan[]`
- `run_sheet.csv`：必须包含 `run_order`、`run_id`、`replicate` 及每因子 `_actual`/`_coded` 列
- `doe_plan.md`：标题与章节结构必须符合输出契约的六节结构

任一阶段校验失败时，不得带病推进到后续阶段。

## 失败处理

- 不得跳过 `evidence` 直接做因子或设计工作
- 后续阶段失败时保留此前成功产物，不覆盖
- 抓取失败或覆盖太薄时，先补充或重抓候选，再决定是否下调置信度
- 可读证据不支持因子范围时，停在阻塞或高推断占比状态
- 因子过多或资源预算太紧时，说明降维取舍或设计折中

## 报告规则

- 每个 DOE 建议必须回溯到证据目录和因子假设
- `selection_rationale` 必须解释 `phase`、`factor_count`、`resource_budget`、`why_this_design`
- `doe_plan.md` 必须区分事实、推断与未知
- 下一轮判据必须可执行，而不是泛泛建议
- 响应、约束与所选因子在各产物间保持一致

## 护栏

- 不得把无支撑的因子、范围或机理断言标为事实
- 不得在输入仍在变化时用 `run-all` 掩盖未解决问题
- 证据覆盖不足时不得推荐 `PB`/`FFD`/`BBD`/`CCD`
- 不得忽视法规/QbD 护栏中的可操作性与质量要求

使用说明

# 实验设计（DOE）方案规划

证据驱动的 DOE 实验设计规划：把专利/论文/网络证据转成可追溯的因子假设，自动选择 PB/FFD/BBD/CCD 设计，输出试验运行表与六节式 DOE 方案报告，面向发酵与上游工艺优化。

## 使用

```bash
# 按阶段执行（证据 → 因子 → 设计 → 报告）
python3 scripts/doe_pipeline.py evidence --search-input search_input.json --fetch-manifest fetch_manifest.json --output evidence_catalog.json
python3 scripts/doe_pipeline.py design --factors-json factor_hypotheses.json --design-type auto --output-json doe_design.json --output-csv run_sheet.csv
```

依赖 Python 3.12+、numpy（pyDOE3 可选，缺失时自动回退）。直接对话描述「帮我规划发酵培养基优化的 DOE 实验」也可触发引导流程。

## 工作原理

流水线分四段：`evidence` 汇集检索与抓取结果生成证据目录；`factor` 用严格模式匹配从证据文本提取因子假设并附证据链接；`design` 按阶段/因子数/资源预算自动选择 PB/FFD/BBD/CCD 并生成运行表；`report` 渲染区分事实、推断与未知的六节式报告。每条建议都回溯到 source_id，覆盖不足时停在证据阶段不强行升级。

如何安装此技能？

访问技能市场，点击「安装」按钮，按提示将技能包放入 AI 编程助手的 skills 目录即可。