中药新药工艺实验设计与优化技能（PB/RSM/均匀设计 + 多指标赋权 + 智能优化 + 设计空间）

Q: 中药新药工艺实验设计与优化技能（PB/RSM/均匀设计 + 多指标赋权 + 智能优化 + 设计空间）怎么安装？

在支持 Skills 的客户端里执行：skillhub install user_c160f2b7/tcm-process-doe-optimizer。安装方式为未标注。装完刷新技能列表或重开客户端。

Q: 中药新药工艺实验设计与优化技能（PB/RSM/均匀设计 + 多指标赋权 + 智能优化 + 设计空间）支持哪些客户端？

资料没有标注宿主客户端，但只要客户端支持 Skills（Claude、Codex、Cursor 等），一般都能加载。

Q: 中药新药工艺实验设计与优化技能（PB/RSM/均匀设计 + 多指标赋权 + 智能优化 + 设计空间）权限高吗，安全吗？

权限级别为未标注权限。安装前先看它会读取或写入哪些内容。

Q: 中药新药工艺实验设计与优化技能（PB/RSM/均匀设计 + 多指标赋权 + 智能优化 + 设计空间）收费吗？

本站不代收费用，也没有标注具体价格。是否收费取决于技能本身和所用的模型或客户端，正式使用前按作者说明确认。

Q: 中药新药工艺实验设计与优化技能（PB/RSM/均匀设计 + 多指标赋权 + 智能优化 + 设计空间）用什么许可证？

许可证标注为 未说明（许可证不明确）。商用或二次分发前请到仓库确认条款原文。

SKILL效率

效率未标注权限许可证不明确

安装这个技能

中药新药工艺实验设计与优化模块（PB/RSM/均匀设计 + 多指标赋权 + 智能优化 + 设计空间）。当用户需要开展中药（含藏药）新药提取/纯化/成型工艺的实验设计方案生成（Plackett-Burman筛选、Box-Behnken/中心复合响应面、均匀设计）、二次回归建模与诊断（VIF/失拟/残差/预测区间）、工艺参数优化（含多指标满意度）、多指标综合权重计算（AHP/熵权法/CRITIC/组合赋权/极值法-PCA）、BP神经网络与遗传算法智能优化（GA-BP）、基于Monte Carlo的设计空间（Design Space/NOR）建立时使用。触发词：工艺优化、实验设计、DOE、Plackett-Burman、PB设计、响应面、Box-Behnken、BBD、中心复合、CCD、均匀设计、U*表、回归建模、失拟检验、VIF、等高线、响应面图、层次分析、AHP、熵权法、CRITIC、组合赋权、PCA综合评价、BP神经网络、遗传算法、GA-BP、设计空间、Design Space、Monte Carlo、NOR、可操作空间、关键工艺参数、CPP、CQA。

一句话选型结论

按资料字段整理

中药新药工艺实验设计与优化技能（PB/RSM/均匀设计 + 多指标赋权 + 智能优化 + 设计空间）是效率类的 Agent Skill，安装方式未标注，权限级别未标注，许可证不明确，有可直接复制的安装命令。技能本质是给模型读的说明书，效果取决于模型与客户端；装完先用一个小任务验证，再放进正式流程。

分类效率 安装方式未标注 权限级别未标注权限 许可证许可证不明确

累计安装 未标注 本周未标注

GitHub 星标 未标注 仓库未标注

下载量 未标注 技能市场下载数

权限级别 未标注权限 安装前请确认风险范围

许可证 许可证不明确 未说明

安装

未标注

在支持 Skills 的客户端里执行，装完问一句「你有哪些技能」验证

skillhub install user_c160f2b7/tcm-process-doe-optimizer

1
确认客户端支持
确认你的客户端支持 Skills（Claude、Codex、Cursor 等），并升级到较新的版本。
2
拿到技能文件
执行上面的命令安装；也可以把仓库里的 SKILL.md 手动放进客户端的 skills 目录。
3
刷新技能列表
重新打开客户端，或刷新技能列表，让新放进来的技能被加载。
4
验证是否生效
问一句「你有哪些技能」，确认列表里出现它，再拿一个小任务试跑。

技能档案

效率

字段来自技能仓库与公开索引，中文说明由本站标注

作者 / 维护方user_c160f2b7仓库未标注 · 版本未标注

宿主客户端未标注技能可被这些客户端加载

安装方式未标注安装包 community

权限级别未标注权限安装前请确认风险范围

许可证未说明许可证不明确，商用前请自行确认条款

仓库可用性available技能仓库当前是否可访问

最近核验未标注上游最后核验时间 · 数据更新 1791732958

正文体量11.8 KBSKILL.md 原文大小，越大说明说明书写得越细

典型使用场景

3 类

按分类整理的常见用法，具体以 SKILL.md 为准

整理待办与日程

把零散任务收进清单，排出优先级。

批量处理重复任务

把固定动作做成模板，重复执行。

把流程写成清单

把口头流程整理成可复用的步骤。

选择建议

装之前先看这几条

按条目字段给出的判断，不替你决定用不用

值得选的地方

有可直接复制的安装命令，不用自己翻文档找入口。

先想清楚的地方

没有标注权限级别，实际能做什么要装好后确认。
许可证不明确，商用或二次分发前先到仓库确认条款。
没有做站内核验，内容以作者仓库为准。
技能只是说明书，实际效果取决于模型与客户端，装完先用小任务试一遍。

更适合

需要在效率场景里给模型补一套做法的人。
愿意先读一遍 SKILL.md、确认它会让模型做什么的人。

不太适合

对许可证要求很严、必须明确可商用的人。
只想装完就自动变强、不打算看说明书的人。

技能	权限级别	安装方式	累计安装	宿主客户端	安装命令
中药新药工艺实验设计与优化技能（PB/RSM/均匀设计 + 多指标赋权 + 智能优化 + 设计空间）当前	未标注权限	未标注	未标注	未标注	有
Nano PDF 文档	联网访问	ClawHub 市场	424.9 万	OpenClaw	有
自动更新程序	浏览器控制	ClawHub 市场	296.4 万	OpenClaw	有
Gemini 助手	联网访问	ClawHub 市场	254.7 万	OpenClaw	有
word DOCX 文档	联网访问	ClawHub 市场	239.6 万	OpenClaw	有
Excel XLSX 前端	联网访问	ClawHub 市场	227.0 万	OpenClaw	有

SKILL.md 全文

11.8 KB

模型实际读到的说明书原文，来自技能仓库

中药新药工艺实验设计与优化模块 (tcm-process-doe-optimizer)

Overview

面向中药新药工艺研究（提取/纯化/成型工艺）的一体化计算模块：设计方案生成 → 数据回填 → 回归建模与诊断 → 多指标赋权 → 智能优化 → 设计空间建立 → 验证报告。所有统计计算由脚本确定性完成（含随机种子），输出可直接用于论文"工艺研究"章节、申报资料或内部 DOE 报告；结果与 Design-Expert / Minitab / R(lm) / statsmodels / yaahp 可交叉验证。

法规依据：中药新药质量研究技术指导原则（CQA 确定）、中药口服制剂生产过程质量控制研究技术指导原则（CPP-CQA 关系建模）、ICH Q8（QbD/设计空间）、ICH Q9（质量风险管理）。

与 tcm-extraction-doe 的分工：后者覆盖"提取工艺正交+BBD"基础场景（离散水平筛选）；本模块覆盖进阶全链路（PB 大因素筛选、BBD/CCD/均匀设计、完整回归诊断、四种以上赋权、BP/GA 智能优化、Monte Carlo 设计空间）。提取工艺简单正交需求可沿用 tcm-extraction-doe。

工作流总览（按序执行，不跳步）

Step 0  需求澄清：剂型/工艺环节、考察因素与水平、评价指标(正向/负向)与优化方向、
        权重来源(专家/数据)、数据格式(CSV/xlsx)、优化目标(单指标/多指标)
Step 1  设计选择 → 生成方案表 (doe_design.py)
Step 2  用户回填实验结果 (CSV/xlsx, 编码因素列+响应列)
Step 3  回归建模+诊断+优化 (rsm_analysis.py)  → 保存模型 JSON
Step 4  多指标赋权 (weighting.py)  → 权重用于多响应满意度/综合评分
Step 5  智能优化 (optimize.py: bp / ga)  ← 强非线性时
Step 6  设计空间 (optimize.py: montecarlo)  ← 需 QbD 论证时
Step 7  验证实验 + 报告输出 + 质量门禁自查

Step 0：需求澄清（必做）

逐项确认，缺失项询问用户，不得杜撰数值：
- 工艺环节：提取/纯化/成型（影响因素选择，如提取选乙醇浓度/时间/加水量，成型选辅料比/温度/转速）；
- 因素与水平范围（由单因素预实验或文献确定）；因素数决定设计类型；
- 评价指标及方向：正向（含量、得率、收率）max / 负向（杂质、损失、水分）min / 目标值；
- 多指标时权重来源：专家打分(AHP)、实测数据(熵权/CRITIC)、或组合；权重合计=1；
- 数据格式：CSV（推荐，utf-8-sig）或 xlsx（自动读第一个 sheet）；标签列（样品号）自动跳过。

Step 1：实验设计选择与生成

设计选择决策树

因素≥5 或 主效应筛选 → PB (doe_design.py pb, N=12..48)
因素2~7 连续变量找最优、避免顶点组合 → BBD (doe_design.py bbd)
因素2~7 需全二次模型+旋转性、水平可越界 → CCD (doe_design.py ccd, ccc/cci/ccf)
因素/水平多、试验次数受限 → 均匀设计 (doe_design.py uniform)

运行命令

SK=&lt;技能目录&gt;
# PB 筛选 (4因素示例; 因素水平可用编码 -1:1 或实际值 60:80)
python3 $SK/scripts/doe_design.py pb --factors &#x27;乙醇浓度:60:80,提取时间:1:2,加水量:8:12,温度:60:80&#x27; --seed 42 --out design_pb.csv
# BBD (3因素)
python3 $SK/scripts/doe_design.py bbd --factors &#x27;A:60:80,B:1:2,C:8:12&#x27; --center 5 --seed 42
# CCD (CCC 旋转外切, α=2^(k/4) 自动计算; 也可 --type cci/ccf)
python3 $SK/scripts/doe_design.py ccd --type ccc --factors &#x27;A:60:80,B:1:2,C:8:12&#x27; --center 5 --seed 42
# 均匀设计 (9 水平 3 因素, 输出 CD2/MD 均匀性)
python3 $SK/scripts/doe_design.py uniform --runs 9 --factors 3 --seed 42

输出含 StdOrder + RunOrder（随机化）与编码/实际值双列；脚本内置正交性断言（PB XᵀX=NI）；
PB 有响应数据时直接算主效应：doe_design.py pb --factors ... --data results.csv；
交用户执行实验并回填响应值。设计细节/与 Design-Expert 一致性见 references/design-methods.md。

Step 3：回归建模、诊断与优化

# 单响应 (因素列显式指定; --objective max/min)
python3 $SK/scripts/rsm_analysis.py analyze --data results.csv --factors A,B,C \
    --response y1 --objective max --outdir out --save-model model.json --seed 42
# 多响应满意度 (权重可来自 Step 4)
python3 $SK/scripts/rsm_analysis.py analyze --data results.csv --factors A,B,C \
    --response y1,y2 --desirability --directions max,min --weights 0.6,0.4 --outdir out
# 任意点预测 (95% CI/PI)
python3 $SK/scripts/rsm_analysis.py predict --model model.json --point &quot;A=0.5,B=0.2,C=-0.1&quot;
# 主效应 Pareto 图 (筛选阶段)
python3 $SK/scripts/rsm_analysis.py pareto --model model.json

输出：全二次模型系数/SE/t/P/VIF、R²/调整R²/预测R²(PRESS)、模型 F、失拟检验（中心点<2 时说明无法检验）、后退法简化模型、残差图四联、等高线图、3D 响应面图、最优工艺参数（网格+驻点解析解）+ 95% 置信/预测区间、多响应满意度 D。解读规则见 references/regression-diagnostics.md。

Step 4：多指标综合权重

# AHP (CR&lt;0.1 判定一致性; 可加方案层矩阵做两层综合权重)
python3 $SK/scripts/weighting.py ahp --criteria &quot;含量,得率,成本&quot; \
    --matrix &quot;1,3,5;1/3,1,2;1/5,1/2,1&quot;
python3 $SK/scripts/weighting.py ahp --criteria &quot;含量,得率,成本&quot; --matrix &quot;...&quot; \
    --schemes &quot;方案矩阵1|方案矩阵2|方案矩阵3&quot; --scheme-names &quot;方案A,方案B,方案C&quot;
# 熵权法 / CRITIC (direction: 每列 max/min)
python3 $SK/scripts/weighting.py ewm   --data data.csv --direction &quot;max,max,min,min&quot;
python3 $SK/scripts/weighting.py critic --data data.csv --direction &quot;max,max,min,min&quot;
# 组合赋权 + 敏感性分析
python3 $SK/scripts/weighting.py combine --method linear --wa &quot;0.4,0.35,0.25&quot; --wb &quot;0.5,0.3,0.2&quot; --plot sens.png
# 极值法-PCA 综合评价排名
python3 $SK/scripts/weighting.py pca --data data.csv --direction &quot;max,max,min,min&quot; --criterion cumvar85

输出：AHP 附一致性检验报告（λmax/CI/CR/RI）、熵权/CRITIC 附标准化报告与贡献度排序、组合赋权附 λ 敏感性表（权重随 λ 剧烈翻转时提示两方法分歧）、PCA 附特征值/载荷/综合得分/排名。算法与 yaahp/SPSS 对照见 references/weighting-methods.md。

Step 5：智能优化（BP / GA）

# BP 神经网络建模 (LM/Adam/GD, 早停, 过拟合检测)
python3 $SK/scripts/optimize.py bp --data results.csv --inputs A,B,C --output y1 \
    --hidden 5 --algo adam --epochs 300 --outdir out --save-model bp.npz --seed 42
# GA 优化 RSM 模型 (二次曲面)
python3 $SK/scripts/optimize.py ga --model model.json --directions max \
    --bounds &quot;A:-1:1,B:-1:1,C:-1:1&quot; --pop 60 --gen 100 --outdir out --seed 42
# GA-BP (非二次曲面/均匀设计数据; --bp-model 与 --model 二选一)
python3 $SK/scripts/optimize.py ga --bp-model bp.npz --directions max \
    --bounds &quot;A:-1:1,B:-1:1,C:-1:1&quot; --pop 60 --gen 100 --outdir out --seed 1

输出：BP 学习曲线+回归图（R 值）、训练/验证/测试 MSE、过拟合警告；GA 适应度进化曲线（收敛性证明）+ 全局最优参数组合。GA-BP 多种子对照、边界解提示、回到实验验证见 references/optimization-design-space.md。

Step 6：Monte Carlo 设计空间（QbD）

python3 $SK/scripts/optimize.py montecarlo --model model.json \
    --operating &quot;A=0.5,B=0.4,C=-0.2&quot; \
    --distributions &quot;A:normal:0.1,B:normal:0.12,C:uniform:0.1&quot; \
    --spec &quot;y1:50~54,y2:&gt;12&quot; \
    --sims 10000 --grid-factors A,B --grid-sims 3000 --grid-res 25 \
    --outdir out --seed 42

波动分布（编码单位）：normal:σ / uniform:半宽 / triangular:半宽，来自生产控制精度；
单点模拟 ≥10,000 次（默认），网格每点默认 2,000；规格限缺省按预测 ±10%；
输出：运行点覆盖率 P、设计空间边界（≥90% 默认）、NOR 边界（≥99%）、Overlay Plot（含运行点）；
P<阈值 → 建议缩窄波动/移动运行点/放宽非关键规格限；设计空间不超出实验范围。

Step 7：验证实验与报告（必做）

最优工艺组合 3 次平行验证，实测均值±SD 与模型预测对比，偏差<5% 且 RSD<3% 视为可行；
报告须含：需求清单、设计表（StdOrder/RunOrder/种子）、回归诊断全套、权重报告
（AHP 一致性 / 标准化报告）、优化收敛曲线、设计空间边界与置信水平、验证数据；
质量门禁自查清单见 references/quality-cross-validation.md（交付前逐项勾选）。

数据格式规范

输入：CSV（推荐，utf-8-sig，自动识别逗号/制表符/分号）或 xlsx（openpyxl 读第一个 sheet）；
设计回填表：编码因素列 + 响应列（可含样品标签列，自动跳过）；
输出：Markdown 表格（直接进报告）+ CSV（--out）+ PNG 图（--outdir）+ 模型 JSON
（--save-model，供 predict/ga/montecarlo 复用）；
绘图：自动探测系统中文字体，缺失时回退英文标签（不出现乱码）。

Resources

scripts/（仅依赖 numpy/scipy/matplotlib/openpyxl，全部含随机种子）

doe_design.py — 设计方案生成：pb（Hadamard 数学构造，N∈{12..48}，正交性断言）、
bbd（BIBD 块构造，3~7 因素）、ccd（ccc/cci/ccf，α 自动）、uniform（GLP+CD2 选列）；
rsm_analysis.py — 回归建模与诊断：analyze（全二次模型+SE/t/P/VIF+失拟+后退法简化+
残差图+等高线/3D+优化+95%区间+多响应满意度）、predict、pareto；
weighting.py — 多指标赋权：ahp（含方案层）、ewm、critic、combine（敏感性）、pca；
optimize.py — 智能优化与设计空间：bp（LM/Adam/GD+早停+过拟合检测）、
ga（SBX+多项式变异+精英+进化曲线；RSM 模型或 GA-BP）、montecarlo（设计空间/NOR/Overlay）。

references/

design-methods.md — PB/BBD/CCD/均匀设计原理、生成算法（含 Paley I/II 构造与 Ryser 边界）、
Design-Expert/Minitab 一致性说明、运行数表；
regression-diagnostics.md — 二次模型、R²/adj/pred、失拟、VIF、后退法、残差诊断、预测区间、解读规则；
weighting-methods.md — AHP/EWM/CRITIC/组合赋权/极值法-PCA 全算法与检验（RI 表）；
optimization-design-space.md — BP/GA/GA-BP 参数与收敛判据、Monte Carlo 设计空间与 NOR 方法；
quality-cross-validation.md — 与专业软件交叉验证对照表、偏差排查、交付前质量门禁清单、法规依据。

examples/

bbd_results.csv — 3 因素 BBD 双响应示例数据（供 analyze/optimize 冒烟测试）；
weighting_data.csv — 8 样品 4 指标（两正两负）示例数据（供 ewm/critic/pca 测试）。

assets/

（空，未使用）

常见问题

5 问

答案由本站依据条目字段整理

中药新药工艺实验设计与优化技能（PB/RSM/均匀设计 + 多指标赋权 + 智能优化 + 设计空间）怎么安装？