图1：人工分析 vs AI辅助分析对比（AI成功检出25号开始的制程漂移）

一、为什么人工看SPC总是漏检？

干了5年MES，最怕的就是SPC报警深夜弹出来，打开控制图一看——

「好像没问题啊？」

结果第二天良率报表出来，3个lot报废。

人工看SPC的3个致命问题：

1. 小漂移肉眼看不出来（连续5点上升，单点偏移<2σ）

2. 多变量关联分析做不到（CVD温度+压力+流量同时漂移，人工很难关联）

3. 经验依赖严重（老工程师凭感觉，新人完全不会看）

我统计了去年车间127次SPC报警，人工漏检31次，漏检率24.4%。

二、提升准确率的3个关键改进

直接用GPT-4o判断SPC，准确率只有68%。做了3个改进后拉到92%：

改进1：历史案例注入（Few-shot）— 把过去异常案例的描述塞进prompt，模型准确率提升19%

改进2：多变量联合分析 — 同时输入温度/压力/流量，让AI判断联合异常，准确率再+7%

改进3：Nelson规则程序化预筛 — 先用代码跑8条Nelson规则，再把结果给AI做二次判断，减少误报

图2：各方案SPC异常检测准确率对比

三、核心Prompt模板（直接可用）

prompt = f'''你是一位半导体SPC专家。
以下是某CVD工序膜厚测量数据（规格：100±3nm）：
测量值：{data_str}
控制限：UCL=103, LCL=97, CL=100

请按Nelson规则判断是否存在异常，并给出根因分析和建议措施。
输出JSON格式：{{"is_abnormal": bool, "rule": str, "root_cause": str, "action": str}}'''
response = client.chat.completions.create(model="gpt-4o", messages=[{"role":"user","content":prompt}])

四、完整代码获取方式

完整可运行代码（含SPC_AI_Detector类、Nelson规则实现、ChromaDB历史案例检索）已整理好。

关注后私信「SPC检测」获取完整GitHub仓库链接。

五、落地效果（3个月数据）

- SPC漏检率：24.4% → 3.1%（降低87%）

- 异常平均响应时间：47分钟 → 8分钟（提升83%）

- 误报率：12% → 4%（降低67%）

- 经济效益：减少报废约120片/月，节省成本约18万/月

你在FAB遇到过什么奇葩故障？评论区聊聊，一起避坑！

—

关注我，每周3篇半导体AI实战干货，一起把AI用起来。