2019年我刚接手光刻CVD腔室时，SPC规则设定成了噩梦。用随机森林做虚拟量测，膜厚预测准确率做到了93%，实测频次减少50%，节省了大量量测时间和晶圆。经过一年多落地实践，我把光刻CVD膜厚的异常检出率从68%提升到了94%，误报率从32%降到了6%。更重要的是，用随机森林做虚拟量测，膜厚预测准确率做到了93%，直接把实测频次减少了50%。这次事故让我开始思考：能不能用数据驱动的方法，让机器自

摘要： 本文提供OpenClaw连接本地大模型（如Llama、Qwen）的两种方案对比与配置指南。方案一通过Ollama快速部署社区模型，适合个人测试；方案二基于vLLM实现高性能推理，适合复杂模型。详细步骤以vLLM为例，包括启动本地服务、修改OpenClaw配置文件（需指定API地址、模型参数）及重启服务验证。注意事项：硬件性能影响推理效果，需调整上下文长度等参数，并确保在可信环境运行。遇到问

本文探讨AI大模型在工业制造的落地挑战与应用路径。工业AI与消费AI存在显著差异：要求99.9%以上的精度、毫秒级响应和严格数据隐私保护。核心应用场景包括智能质检、预测性维护和工艺优化，可显著提升效率并降低成本。但落地面临数据隐私、小样本学习等挑战，需采用边缘计算和联邦学习等技术。文章提供了模型选型指南，并以半导体晶圆厂案例展示AI质检系统可实现99.8%检出率和8个月ROI。建议分三阶段实施，强

本文档提出了一套半导体行业AI智能化轻量级解决方案，聚焦晶圆制造与封测全流程MES系统升级。方案整合机器学习时序算法、异常检测算法和工业级Transformer大模型，面向中小半导体工厂提供无需编程、开箱即用的改造路径。核心解决四大行业痛点：数据孤岛、工艺参数耦合、人工录入误差和设备被动维保。通过机器学习良率预测、设备预维护、工艺单据智能解析和不良根因分析四大场景应用，实现良率提升1.5-3%、设

本文介绍了一个基于本地大模型的MES系统智能查询方案。作者通过Ollama平台部署Llama3模型（8B参数），结合LangChain和ChromaDB构建了三层架构：数据层（MES数据库）、知识层（向量数据库）和应用层（查询接口）。该系统支持自然语言查询，如"查询今日ETCH-01良率"，能自动生成并执行SQL，将查询时间从5分钟缩短至10秒。方案采用本地部署保障数据安全，硬

本文介绍了基于CNN的晶圆缺陷自动化检测系统，解决了传统人工检测效率低、漏检率高的问题。通过构建四层卷积神经网络模型，系统实现了96%的分类准确率，使漏检率从5-8%降至0.5%，检测速度提升6倍至120片/小时。文章详细展示了从数据增强、模型构建到部署的完整流程，对比了人工与AI检测的量化收益（年节省55.8万元），并给出数据标注、模型选型和避坑建议。最后提出了迁移学习、小样本学习等进阶方向，为

ChatGPT给的答案比较通用——"检查功率设置"、"看看气体流量"——都是正确的废话。

摘要： 针对FAB工程师查找工艺文档效率低的问题，提出基于RAG（检索增强生成）技术的AI解决方案。RAG通过结合大模型与工厂知识库（SOP、手册等），实现精准检索与智能回答，如直接提供CVD镀膜参数及来源文档。实施步骤包括文档收集、清洗、分段、向量化及持续优化，Python代码示例展示PDF处理与问答流程。相比传统关键词搜索，RAG将准确率从35%提升至91，节省80%时间。关键踩坑点包括版本管

本文分享了AI在半导体工艺优化中的实践案例。作者接手光刻CVD腔室时，传统SPC规则误报率高，导致漏检重大故障造成80万元损失。通过引入机器学习，使用IsolationForest进行异常检测，将检出率从68%提升至94%，误报率从32%降至6%；采用随机森林建立虚拟量测模型，膜厚预测准确率达93%，减少50%实测频次，年节省成本约480万元。文章详细介绍了从数据准备、特征工程到模型落地的实施路径

用随机森林做虚拟量测，膜厚预测准确率做到了93%，实测频次减少50%，节省了大量量测时间和晶圆。经过一年多落地实践，我把光刻CVD膜厚的异常检出率从68%提升到了94%，误报率从32%降到了6%。更重要的是，用随机森林做虚拟量测，膜厚预测准确率做到了93%，直接把实测频次减少了50%。实施3个月后的效果：真实异常检出率68%→91%，误报率32%→9%，虚拟量测准确率MAPE=7.2%（对应93%