制造业数据与AI践行者老蒋的技术博客全系列文章汇总持续更新文章摘要针对制造业 MES 工时异常人工排查效率低、误报多、难演示的普遍痛点本文在 3σIQR 双重检测算法基础上新增 ECharts 深色监控看板、可复制提示词模板与 9 条实战排坑笔记。结合智联工坊 360 条工单数据完整演示附全套可复用 Python 脚本、结构化 JSON 结果、分析报告与 HTML 看板替换字段即可落地到企业生产场景。目录一、开篇上篇发布后读者问得最多的 3 个问题二、数据准备360 条工单3 条产线5 个埋点回顾三、优化更新 1从一份报告到一个监控看板四、优化更新 2两段可复制提示词读者改个文件名就能用五、优化更新 39 条排坑笔记——不注意会怎样全说透六、核心算法回顾按产线分组 3σ/IQR 双重判定七、检测结果5 个埋点全部检出无一遗漏八、产线对比核心洞察C线标杆 / B线短板 / A线波动九、为什么这个场景价值大十、完整交付物清单更新版十一、实在人总结十二、评论区炸弹 系列导航【热榜文精品推荐】一、开篇上篇发布后读者问得最多的 3 个问题兄弟们上一版《MES 工时异常检测WorkBuddy 自动排查》发出后后台和评论区炸了——数据、脚本、报告全公开很多兄弟直接拿去跑通了。但问得最多的问题就三个脚本跑完了报告也出了怎么给老板演示 —— 总不能把 Markdown 报告直接贴到周会上吧大家要的是一眼能看懂的看板。提示词能不能直接复制我懒得自己写。 —— 上一版只贴了原始需求很多人还是不知道该怎么把分析 做看板两步串起来。你踩过的坑能不能提前说 —— 有兄弟照着 3σ 跑结果把好产线全标红了跑完发现阈值不对白干。所以这一版我不改核心算法那套是对的只做三件事✅ 新增 ECharts 深色监控看板HTML双击即开给老板演示用的✅ 新增两段可复制提示词分析 看板改个文件名就能用✅ 新增 9 条排坑笔记每条都写清楚不注意会怎样版本说明交付内容适用场景v1.0第一篇算法脚本 分析报告技术同学自行跑数据v2.0本篇优化篇新增HTML 看板 提示词模板 9 条排坑笔记全岗位复用可直接给管理层演示读完本文你将获得可直接给管理层演示的 MES 异常监控看板HTML两段复制即用的提示词模板分析 / 看板9 条用真金白银换来的踩坑笔记上版核心3σIQR 双重检测脚本 产线分组方法论二、数据准备360 条工单3 条产线5 个埋点回顾本次分析依然沿用智联工坊的同一批数据时间范围为 8 月 1 日至 15 日共计 360 条工单覆盖 3 条产线、9 种产品。数据字段包括工单编号、日期、产线、产品型号、计划工时、实际工时、产出数量、不良率、停机时长。为了验证检测算法的有效性我在数据中预先埋设了 5 个异常点用以检验系统能否将它们全部识别出来。埋点产线异常类型严重程度①交互屏A线工时超标 停机 45min 严重②传感器B线不良率 8.5% 严重③测试C线停机 80min 严重④交互屏A线工时超标 不良率 4.2% 明显⑤传感器B线产出 72 件 不良率 6.8% 明显三、优化更新 1从一份报告到一个监控看板上一版交付的是 Markdown 报告这一版 WorkBuddy 直接生成了 HTML 监控看板双击就能在浏览器打开深色管理后台风格给老板演示完全不掉价。看板包含 4 个模块① 4 个 KPI 卡片一眼看全局KPI数值说明总工单数3603 条产线 × 120 单异常工单数9按工单编号去重不是 13见排坑笔记 #4异常率2.5%9 / 360待处理数5严重/明显等级需人工介入② 产线对比柱状图3 指标并排用 ECharts 画了三个并排小柱状图——平均效率 / 平均不良率 / 平均停机时长。为什么分开画因为三个指标量纲完全不同效率是 0~1不良率是 %停机是分钟画在一个图里柱子会被压成一条缝见排坑笔记 #3。③ 异常类型 × 产线 堆叠柱状图同一张工单可能同时命中多类异常比如 WO-20260801-001 既是效率异常又是不良率异常用堆叠图能看出哪条产线的哪类问题最集中。④ 异常工单明细表含判定依据每行一条异常工单列工单编号、日期、产线、产品型号、异常类型多类标签并列、关键数值、判定依据具体到低于 3σ 下限 0.736这种程度、等级徽章严重红 / 边缘黄 / 观察绿。这一版的升级点判定依据不再是是/否而是精确到阈值。 老板问为什么这条算异常你直接指给他看效率 0.541低于这条产线的 3σ 下限 0.736超了 26%。——这就是从数据展示到数据解释的差距。四、优化更新 2两段可复制提示词读者改个文件名就能用上一版查看链接很多人问提示词这一版直接给成品。两段提示词把尖括号里的内容换成你自己的文件名/字段名复制给 WorkBuddy 就能跑。提示词 ①MES 工单异常分析输出报告 JSON请分析工作目录下的 你的数据文件名.xlsx例如 mes_work_order_data.xlsx 这是一个 行业/场景描述如MES 生产工单 数据集找出其中的异常情况。 数据字段说明 - 工单编号唯一标识 - 日期生产日期 - 产线你的产线字段值如A线/B线/C线 - 产品型号产品型号 - 计划工时标准计划工时分钟 - 实际工时实际消耗工时分钟 - 产出数量合格产出数量 - 不良率不良率% - 停机时长设备停机时长分钟 请从以下维度进行分析 1. 工时效率异常效率 计划工时 / 实际工时找出效率严重偏低的工单 2. 质量异常不良率异常高的工单或产线 3. 设备异常停机时长异常高的工单或产线 4. 产线对比各产线的效率、质量、设备表现对比 5. 按日期趋势各项指标的时间变化趋势 检测方法要求重要 - 必须按产线分组后再做异常判定不同产线基准不同全局检测会误判 - 每组内用 3σ 原则 IQR 箱线图双重判定取并集3σ 对偏态分布不敏感IQR 兜底 - 效率/产出数量只判偏低方向不良率/停机时长判偏高方向 - 异常分三级严重超 3σ/ 边缘仅超 IQR/ 观察方向性离群如不良率偏低属良性 - 同一工单命中多类异常时合并为一行不要重复计数 - 额外检测产出数量是否偏低与不良率联动 输出要求 1. 用表格展示异常数据标注异常类型与判定依据 2. 文字总结核心发现 3. 按优先级排序的改进建议3~5 条 4. 同时输出一份结构化 JSON含数据概览、各维度异常明细、产线对比、按日趋势保存为 anomaly_result.json提示词 ②生成 MES 异常监控 HTML 看板请根据工作目录下的 分析结果文件.json例如 anomaly_result.json生成一个 HTML 监控看板用于展示 MES 工单异常监控结果。 数据说明 - JSON 中包含 overview总记录数、时间范围、产线分布、 efficiency_anomaly / defect_anomaly / downtime_anomaly / output_anomaly 各维度异常工单明细含判定依据、line_comparison产线对比指标、 daily_trend按日趋势等字段 看板要求 1. 深色管理后台风格背景深蓝黑、卡片式布局、全局深色主题 2. 4 个 KPI 卡片总工单数、异常工单数按工单编号去重、异常率、待处理数 待处理 严重/明显等级的异常工单数 3. 产线对比柱状图用 ECharts 展示各产线平均效率、平均不良率、平均停机时长 三个指标量纲不同用三个并排小图各自独立坐标轴 4. 异常类型 × 产线 堆叠柱状图同一工单命中多类异常按检出计数 5. 异常工单明细表格工单编号、日期、产线、产品型号、异常类型多类用标签并列、 关键数值、判定依据、等级徽章严重红 / 边缘黄 / 观察绿 6. 表格按严重在前、日期升序排序同一工单多类异常合并为一行 7. ECharts 用 CDN 引入https://cdn.jsdelivr.net/npm/echarts5/dist/echarts.min.js 页面不依赖本地服务浏览器双击 index.html 即可打开 8. 图表配色与深色主题一致图表坐标轴、图例、tooltip 均为深色系组合使用流程 先跑 ① 得到报告 JSON → 再跑 ② 得到看板 → 双击看板演示。【老蒋经验谈】做了二十多年工厂信息化项目我最深的感受是算法本身从来不是难点难的是落地不翻车。这 9 条坑每一条都是我或者同行真实踩过的 —— 有的上线了才发现全是误报有的给老板汇报时 KPI 对不上直接穿帮。 把这些写出来就是不想大家再走一遍弯路。做制造业数字化稳比快重要。五、优化更新 39 条排坑笔记——不注意会怎样全说透这 9 条坑是我这一版实战里真实踩过的也是读者最容易翻车的点。每条都按坑 → 不注意会怎样 → 正确做法写清楚。排坑速查表#坑一句话解法13σ 对偏态分布不敏感3σ IQR 取并集分严重/边缘两级2全局检测跨产线误判必须 groupby 产线后组内判定3量纲混用不同指标独立阈值、独立作图4异常数重复计数按工单编号去重后统计 KPI5方向性离群误报按业务指定判定方向良性离群单独归类6漏检产出塌方产出数量单独做偏低检测与不良率联动看7阈值散落难维护集中配置参数化8pandas Series 三目报错掩码→标签一律 np.where9小样本组乱判min_rows_group 门槛不足则跳过说明为了确保主题文章内容过于冗长我把具体的排坑内容整理到一起了请参考MES 异常检测全是误报和漏检3σIQR 分组判定9 个坑一次说清附速查表六、核心算法回顾按产线分组 3σ/IQR 双重判定上一版的方法论不变链接回顾这里是完整代码#!/usr/bin/env python3 # -*- coding: utf-8 -*- 环境依赖 Requirements: - Python 3.10 - pandas 2.0 - openpyxl 3.1 模块名: analyze_mes_work_order.py 作者: 制造业数据与AI践行者老蒋 | CSDN: https://blog.csdn.net/javy21 专栏归属: AI赋能数据开发工程手册 核心问题: MES 工单数据中如何系统性识别工时效率、质量、设备三类异常 解决方案推演: 1. 工时效率异常 → 效率计划工时/实际工时按产线 3σ 下限判定不同产线基准效率不同 2. 质量异常 → 不良率按产线分组 3σ IQR 双重判定避免跨产线基准差异导致误判 3. 设备异常 → 停机时长按产线分组 IQR 判定尾部长尾分布更适用分位数法 案例溯源: 智联工坊虚拟工厂交互屏组装A线/传感器组装B线/成品测试C线 MES 工单 适用周次: 第 4 周 import json import logging from pathlib import Path from typing import Any, Dict, List, Tuple import numpy as np import pandas as pd # --------------------------------------------------------------------------- # 配置区对应规范 §7路径统一用 pathlib参数集中管理 # --------------------------------------------------------------------------- BASE_DIR: Path Path(__file__).resolve().parent INPUT_FILE: Path BASE_DIR / mes_work_order_data.xlsx OUTPUT_FILE: Path BASE_DIR / anomaly_result.json # 异常判定阈值配置可调参数集中管理便于现场标定 CONFIG: Dict[str, Any] { sigma: 3.0, # 3σ 原则 iqr_k: 1.5, # IQR 箱线图系数1.5 为经典取值 min_rows_group: 10, # 分组样本量下限低于此样本不判异常 } logging.basicConfig( levellogging.INFO, format%(asctime)s | %(levelname)s | %(message)s, datefmt%Y-%m-%d %H:%M:%S, ) logger logging.getLogger(mes_analyzer) # --------------------------------------------------------------------------- # 数据加载 # --------------------------------------------------------------------------- def load_work_orders(file_path: Path) - pd.DataFrame: 加载 MES 工单 Excel 并做基础清洗。 设计思路: 数值列强制转 float 并保留原始不良率百分比口径% 日期列转 datetime 以便后续按日聚合。 Args: file_path: Excel 文件路径 Returns: 清洗后的工单 DataFrame文件不存在或解析失败时抛出异常 Raises: FileNotFoundError: 输入文件不存在 if not file_path.exists(): raise FileNotFoundError(f输入文件不存在: {file_path}) df pd.read_excel(file_path) num_cols [计划工时, 实际工时, 产出数量, 不良率, 停机时长] for col in num_cols: df[col] pd.to_numeric(df[col], errorscoerce) df[日期] pd.to_datetime(df[日期]) df[效率] (df[计划工时] / df[实际工时]).round(3) logger.info(数据加载完成: %d 条记录, len(df)) return df # --------------------------------------------------------------------------- # 异常检测工具函数 # --------------------------------------------------------------------------- def detect_by_3sigma(series: pd.Series, sigma: float 3.0) - pd.Series: 按 3σ 原则判定异常: |x - mean| sigma * std 视为异常。 设计思路: 正态分布下 3σ 覆盖 99.7% 数据超出即为离群 对偏态分布(如停机时长)会偏保守配合 IQR 方法互补使用。 Args: series: 待检测数值序列 sigma: σ 倍数默认 3.0 Returns: 布尔 SeriesTrue 表示异常 mean, std series.mean(), series.std() if std 0 or std ! std: return pd.Series(False, indexseries.index) return (series - mean).abs() sigma * std def detect_by_iqr(series: pd.Series, k: float 1.5) - pd.Series: 按箱线图 IQR 原则判定异常: 超出 [Q1-k*IQR, Q3k*IQR] 视为异常。 设计思路: 不依赖正态假设对偏态/长尾分布更稳健 上下界分别计算可只关注上尾如停机时长只判过高。 Args: series: 待检测数值序列 k: IQR 倍数默认 1.5 Returns: 布尔 SeriesTrue 表示异常 q1, q3 series.quantile(0.25), series.quantile(0.75) iqr q3 - q1 if iqr 0 or iqr ! iqr: return pd.Series(False, indexseries.index) lower, upper q1 - k * iqr, q3 k * iqr return (series lower) | (series upper) def detect_anomalies_per_group( df: pd.DataFrame, group_col: str, value_col: str, lower_tail: bool False ) - pd.DataFrame: 按产线分组执行 3σ 与 IQR 双重检测。 设计思路: 三条产线基准差异明显如 C 线不良率基准 1% vs B 线 2.5% 全局检测会误伤低基准产线必须分组后检测 两法取并集以提高召回但样本过少的组直接放行。 Args: df: 工单 DataFrame group_col: 分组列名产线 value_col: 待检测数值列名 lower_tail: 是否只关注下尾True 表示只判过低如效率 Returns: 仅含异常记录的子 DataFrame新增 anomaly_type 列 Raises: ValueError: 分组样本量低于 min_rows_group 时抛错提示 results: List[pd.DataFrame] [] for group, sub in df.groupby(group_col): if len(sub) CONFIG[min_rows_group]: logger.warning(分组 %s 样本量 %d 不足跳过检测, group, len(sub)) continue flag_3sigma detect_by_3sigma(sub[value_col], CONFIG[sigma]) flag_iqr detect_by_iqr(sub[value_col], CONFIG[iqr_k]) if lower_tail: flag_3sigma flag_3sigma (sub[value_col] sub[value_col].mean()) flag_iqr flag_iqr (sub[value_col] sub[value_col].median()) mask flag_3sigma | flag_iqr if mask.any(): hit sub[mask].copy() basis np.where(flag_3sigma[mask], 3σ, IQR) hit[判定依据] basis ((偏低) if lower_tail else ) results.append(hit) if not results: return pd.DataFrame() return pd.concat(results, ignore_indexTrue) # --------------------------------------------------------------------------- # 四维分析入口 # --------------------------------------------------------------------------- def analyze_efficiency(df: pd.DataFrame) - pd.DataFrame: 工时效率异常检测: 效率计划/实际只关注严重偏低工单。 return detect_anomalies_per_group(df, 产线, 效率, lower_tailTrue) def analyze_defect(df: pd.DataFrame) - pd.DataFrame: 质量异常检测: 不良率(%) 按产线分组双向(过高/过低)检测。 return detect_anomalies_per_group(df, 产线, 不良率, lower_tailFalse) def analyze_downtime(df: pd.DataFrame) - pd.DataFrame: 设备异常检测: 停机时长(分钟) 按产线分组双向检测。 return detect_anomalies_per_group(df, 产线, 停机时长, lower_tailFalse) def analyze_line_comparison(df: pd.DataFrame) - pd.DataFrame: 产线横向对比: 聚合效率/不良率/停机时长均值。 设计思路: 用均值变异系数(CV)描述各组水平与稳定性 CV 高说明该产线波动大管理一致性差。 agg ( df.groupby(产线) .agg( 工单数(工单编号, count), 平均效率(效率, mean), 效率波动CV(效率, std), 平均不良率(不良率, mean), 不良率最大值(不良率, max), 平均停机时长(停机时长, mean), 停机时长最大值(停机时长, max), 平均产出(产出数量, mean), ) .round(3) .reset_index() ) agg[效率波动CV] (agg[效率波动CV] / agg[平均效率] * 100).round(1) return agg def analyze_daily_trend(df: pd.DataFrame) - pd.DataFrame: 按日期聚合各产线日平均效率/不良率/停机时长。 return ( df.groupby([日期, 产线])[[效率, 不良率, 停机时长]] .mean() .round(3) .reset_index() ) def build_report(df: pd.DataFrame) - Dict[str, Any]: 汇总全部分析结果输出可序列化字典。 Args: df: 清洗后的工单 DataFrame Returns: 含概览/异常明细/产线对比/日趋势的嵌套字典 eff_anomaly analyze_efficiency(df) defect_anomaly analyze_defect(df) down_anomaly analyze_downtime(df) # 产出数量异常质量/产能联动按产线 3σ 偏低 output_anomaly detect_anomalies_per_group(df, 产线, 产出数量, lower_tailTrue) report: Dict[str, Any] { overview: { total_records: int(len(df)), date_range: [df[日期].min().strftime(%Y-%m-%d), df[日期].max().strftime(%Y-%m-%d)], line_distribution: df.groupby(产线)[工单编号].count().to_dict(), product_count: int(df[产品型号].nunique()), }, efficiency_anomaly: _to_records(eff_anomaly), defect_anomaly: _to_records(defect_anomaly), downtime_anomaly: _to_records(down_anomaly), output_anomaly: _to_records(output_anomaly), line_comparison: _to_records(analyze_line_comparison(df)), daily_trend: _to_records(analyze_daily_trend(df)), } return report def _to_records(frame: pd.DataFrame) - List[Dict[str, Any]]: DataFrame 转 JSON 友好记录列表日期/NumPy 类型统一转换。 if frame is None or frame.empty: return [] out frame.copy() if 日期 in out.columns: out[日期] out[日期].dt.strftime(%Y-%m-%d) return out.astype(object).where(pd.notnull(out), None).to_dict(orientrecords) def main() - None: 主流程: 加载 → 分析 → 落盘 JSON → 打印概览。 df load_work_orders(INPUT_FILE) report build_report(df) OUTPUT_FILE.write_text( json.dumps(report, ensure_asciiFalse, indent2), encodingutf-8 ) logger.info(分析完成结果已写入 %s, OUTPUT_FILE) for key in (efficiency_anomaly, defect_anomaly, downtime_anomaly, output_anomaly): logger.info(%s: 检出 %d 条, key, len(report[key])) print(\n 产线对比 ) print(pd.DataFrame(report[line_comparison]).to_string(indexFalse)) if __name__ __main__: main()关键设计按产线分组检测而非全局检测。各产线基准差异如下全局检测必然误判产线效率基准不良率基准停机基准交互屏组装A线0.911.8%7.5 min传感器组装B线0.862.6%11.8 min成品测试C线0.940.9%5.8 min七、检测结果5 个埋点全部检出无一遗漏5 个预设异常全部检出无一遗漏。另检出 3 条IQR 边缘异常 1 条良性离群看板中分级展示埋点工单编号产线异常指标实际值检测阈值判定依据①WO-20260802-028A线效率0.541 0.7363σ①WO-20260802-028A线停机45 min 21.2 min3σ②WO-20260801-009B线不良率8.5% 5.12%3σ③WO-20260801-018C线停机80 min 28.1 min3σ③WO-20260801-018C线效率0.732 0.8003σ④WO-20260801-001A线效率0.671 0.7363σ④WO-20260801-001A线不良率4.2% 3.40%3σ⑤WO-20260801-010B线不良率6.8% 5.12%3σ⑤WO-20260801-010B线产出72 件 3σ 下限3σ八、产线对比核心洞察C线标杆 / B线短板 / A线波动以下为 WorkBuddy 生成报告原文。产线平均效率效率波动CV平均不良率不良率峰值平均停机停机峰值平均产出成品测试C线0.937 4.8%0.94% 2.23%5.8 min 80 min94.5 交互屏组装A线0.9096.4% ⚠️1.82%4.20%7.5 min45 min93.8传感器组装B线0.862 ⚠️5.3%2.61% ⚠️8.50%11.8 min ⚠️20 min92.5C 线是标杆效率最高、不良率最低不到 B 线 1/3、停机最少、波动最小。B 线是短板效率比 C 线低 7.5 个百分点不良率是 C 线 2.8 倍平均停机是 C 线 2 倍——四指标全线下滑系统性问题而非偶发。A 线波动最大效率 CV 6.4% 三线最高生产一致性差两次严重效率异常均伴随停机停机是 A 线效率损失主因。趋势结论异常集中爆发于 8/1~8/2月初产能爬坡期4/5 埋点集中在开月前两天之后各线回归稳态B 线高不良率 高停机 低效率为全期常态。九、为什么这个场景价值大传统方式WorkBuddy 方式导出 Excel人工翻数据拖入文件一键分析凭经验判断哪些算异常3σIQR 统计算法客观判定写了报告没法复用生成 Python 脚本每周跑一次只知道有异常说不清根因给出改进建议能指导行动报告贴 PPT 给老板看HTML 看板直接演示判定依据精确到阈值这个案例的本质从手工查数到自动化异常监控再到能解释、能演示、能复用。十、完整交付物清单更新版序号文件说明1analyze_mes_work_order.py可复用分析脚本3σIQR 双检测2anomaly_result.json结构化异常结果可接 MES 看板3report_mes_anomaly.md完整分析报告4mes_anomaly_dashboard.html新增ECharts 深色监控看板双击即开5reader_prompts.md新增两段可复制提示词模板6排坑笔记_MES异常检测.md新增9 条排坑笔记 速查表 适用说明本方案适配离散制造业工单级异常检测电子组装、汽配加工等默认适配日维度 / 工单维度数据 流程行业化工、冶金需调整指标体系分钟级时序数据需增加滑动窗口做平滑处理 看板为静态单文件如需实时刷新可搭配定时任务每日自动生成。十一、实在人总结怕你忘了我再啰嗦一遍1. 这一版把分析升级成了产品。 从脚本到报告到看板从能用到好用——给老板演示、给团队复用、给下周数据重新跑一条龙。2. https://blog.csdn.net/javy21/article/details/163703388。 不同产线基准不同全局检测会误判。按产线分组检测才是制造业的正确姿势。3. 3σ IQR 双重判定比单用任何一种都稳。 3σ 抓极端离群IQR 抓边界越界取并集覆盖更全——这也是排坑笔记第一条。4. 提示词要给读者留好替换位。 把文件名、字段名、口径说明都写进提示词里读者改个尖括号就能用这才叫可复现。5. 踩坑笔记的价值比脚本本身还大。 脚本是答案踩坑笔记是为什么这么答——知道坑在哪才敢在自己的数据上动手。十二、评论区炸弹兄弟们这一版把 MES 异常检测的完整闭环公开了数据、脚本、报告、看板、提示词、排坑笔记全都有。现在轮到你们了你们的 MES 数据做异常检测现在卡在哪一步A. 不知道异常怎么定义全靠老师傅经验B. 有脚本但跑出来全是误报不敢用C. 能检出异常但给老板演示拿不出手D. 我们做得比这还牛大佬求带全套 6 份交付物脚本 JSON 报告 看板 提示词 排坑笔记评论区留言「MES 全套」我直接发你不用自己凑。够意思吧评论区见后续大家用的时候遇到什么新坑也欢迎评论区告诉我我持续更新进去咱们一起把这套方案磨得更实用。 本文数据来源智联工坊虚拟工厂 MES 工单模拟数据。分析脚本、结构化结果、完整报告、监控看板、提示词模板、排坑笔记均已随文章公开。 系列导航专栏制造业数据与AI落地实战 AI赋能数据开发工程手册上一篇#04 代码审查不想得罪人WorkBuddy 先做第一轮审查附完整 Prompt 模板下一篇#06 《把500页设备维护手册喂给AIRAG知识库从0到1》规划中【热榜文精品推荐】TOP1、我用 WorkBuddy 分析了 30 篇 CSDN 博客发现 3 个反直觉的流量真相TOP2、还在翻 git log 写周报WorkBuddy 一键生成结构化周报TOP3、老攻城狮的AI开发环境搭建全记录从零到跑通本地大模型一日速通版TOP4、LangChain Agent 反复调用工具死循环结构化返回 Prompt 规则TOP5、智联工坊实战多工具协同Agent让AI像人类一样规划与执行复杂任务TOP6、代码审查不想得罪人WorkBuddy 先做第一轮审查
MES 工时异常检测-升级版：看板 + 脚本 + 提示词 + 排坑，2 小时干完 2 天的活
制造业数据与AI践行者老蒋的技术博客全系列文章汇总持续更新文章摘要针对制造业 MES 工时异常人工排查效率低、误报多、难演示的普遍痛点本文在 3σIQR 双重检测算法基础上新增 ECharts 深色监控看板、可复制提示词模板与 9 条实战排坑笔记。结合智联工坊 360 条工单数据完整演示附全套可复用 Python 脚本、结构化 JSON 结果、分析报告与 HTML 看板替换字段即可落地到企业生产场景。目录一、开篇上篇发布后读者问得最多的 3 个问题二、数据准备360 条工单3 条产线5 个埋点回顾三、优化更新 1从一份报告到一个监控看板四、优化更新 2两段可复制提示词读者改个文件名就能用五、优化更新 39 条排坑笔记——不注意会怎样全说透六、核心算法回顾按产线分组 3σ/IQR 双重判定七、检测结果5 个埋点全部检出无一遗漏八、产线对比核心洞察C线标杆 / B线短板 / A线波动九、为什么这个场景价值大十、完整交付物清单更新版十一、实在人总结十二、评论区炸弹 系列导航【热榜文精品推荐】一、开篇上篇发布后读者问得最多的 3 个问题兄弟们上一版《MES 工时异常检测WorkBuddy 自动排查》发出后后台和评论区炸了——数据、脚本、报告全公开很多兄弟直接拿去跑通了。但问得最多的问题就三个脚本跑完了报告也出了怎么给老板演示 —— 总不能把 Markdown 报告直接贴到周会上吧大家要的是一眼能看懂的看板。提示词能不能直接复制我懒得自己写。 —— 上一版只贴了原始需求很多人还是不知道该怎么把分析 做看板两步串起来。你踩过的坑能不能提前说 —— 有兄弟照着 3σ 跑结果把好产线全标红了跑完发现阈值不对白干。所以这一版我不改核心算法那套是对的只做三件事✅ 新增 ECharts 深色监控看板HTML双击即开给老板演示用的✅ 新增两段可复制提示词分析 看板改个文件名就能用✅ 新增 9 条排坑笔记每条都写清楚不注意会怎样版本说明交付内容适用场景v1.0第一篇算法脚本 分析报告技术同学自行跑数据v2.0本篇优化篇新增HTML 看板 提示词模板 9 条排坑笔记全岗位复用可直接给管理层演示读完本文你将获得可直接给管理层演示的 MES 异常监控看板HTML两段复制即用的提示词模板分析 / 看板9 条用真金白银换来的踩坑笔记上版核心3σIQR 双重检测脚本 产线分组方法论二、数据准备360 条工单3 条产线5 个埋点回顾本次分析依然沿用智联工坊的同一批数据时间范围为 8 月 1 日至 15 日共计 360 条工单覆盖 3 条产线、9 种产品。数据字段包括工单编号、日期、产线、产品型号、计划工时、实际工时、产出数量、不良率、停机时长。为了验证检测算法的有效性我在数据中预先埋设了 5 个异常点用以检验系统能否将它们全部识别出来。埋点产线异常类型严重程度①交互屏A线工时超标 停机 45min 严重②传感器B线不良率 8.5% 严重③测试C线停机 80min 严重④交互屏A线工时超标 不良率 4.2% 明显⑤传感器B线产出 72 件 不良率 6.8% 明显三、优化更新 1从一份报告到一个监控看板上一版交付的是 Markdown 报告这一版 WorkBuddy 直接生成了 HTML 监控看板双击就能在浏览器打开深色管理后台风格给老板演示完全不掉价。看板包含 4 个模块① 4 个 KPI 卡片一眼看全局KPI数值说明总工单数3603 条产线 × 120 单异常工单数9按工单编号去重不是 13见排坑笔记 #4异常率2.5%9 / 360待处理数5严重/明显等级需人工介入② 产线对比柱状图3 指标并排用 ECharts 画了三个并排小柱状图——平均效率 / 平均不良率 / 平均停机时长。为什么分开画因为三个指标量纲完全不同效率是 0~1不良率是 %停机是分钟画在一个图里柱子会被压成一条缝见排坑笔记 #3。③ 异常类型 × 产线 堆叠柱状图同一张工单可能同时命中多类异常比如 WO-20260801-001 既是效率异常又是不良率异常用堆叠图能看出哪条产线的哪类问题最集中。④ 异常工单明细表含判定依据每行一条异常工单列工单编号、日期、产线、产品型号、异常类型多类标签并列、关键数值、判定依据具体到低于 3σ 下限 0.736这种程度、等级徽章严重红 / 边缘黄 / 观察绿。这一版的升级点判定依据不再是是/否而是精确到阈值。 老板问为什么这条算异常你直接指给他看效率 0.541低于这条产线的 3σ 下限 0.736超了 26%。——这就是从数据展示到数据解释的差距。四、优化更新 2两段可复制提示词读者改个文件名就能用上一版查看链接很多人问提示词这一版直接给成品。两段提示词把尖括号里的内容换成你自己的文件名/字段名复制给 WorkBuddy 就能跑。提示词 ①MES 工单异常分析输出报告 JSON请分析工作目录下的 你的数据文件名.xlsx例如 mes_work_order_data.xlsx 这是一个 行业/场景描述如MES 生产工单 数据集找出其中的异常情况。 数据字段说明 - 工单编号唯一标识 - 日期生产日期 - 产线你的产线字段值如A线/B线/C线 - 产品型号产品型号 - 计划工时标准计划工时分钟 - 实际工时实际消耗工时分钟 - 产出数量合格产出数量 - 不良率不良率% - 停机时长设备停机时长分钟 请从以下维度进行分析 1. 工时效率异常效率 计划工时 / 实际工时找出效率严重偏低的工单 2. 质量异常不良率异常高的工单或产线 3. 设备异常停机时长异常高的工单或产线 4. 产线对比各产线的效率、质量、设备表现对比 5. 按日期趋势各项指标的时间变化趋势 检测方法要求重要 - 必须按产线分组后再做异常判定不同产线基准不同全局检测会误判 - 每组内用 3σ 原则 IQR 箱线图双重判定取并集3σ 对偏态分布不敏感IQR 兜底 - 效率/产出数量只判偏低方向不良率/停机时长判偏高方向 - 异常分三级严重超 3σ/ 边缘仅超 IQR/ 观察方向性离群如不良率偏低属良性 - 同一工单命中多类异常时合并为一行不要重复计数 - 额外检测产出数量是否偏低与不良率联动 输出要求 1. 用表格展示异常数据标注异常类型与判定依据 2. 文字总结核心发现 3. 按优先级排序的改进建议3~5 条 4. 同时输出一份结构化 JSON含数据概览、各维度异常明细、产线对比、按日趋势保存为 anomaly_result.json提示词 ②生成 MES 异常监控 HTML 看板请根据工作目录下的 分析结果文件.json例如 anomaly_result.json生成一个 HTML 监控看板用于展示 MES 工单异常监控结果。 数据说明 - JSON 中包含 overview总记录数、时间范围、产线分布、 efficiency_anomaly / defect_anomaly / downtime_anomaly / output_anomaly 各维度异常工单明细含判定依据、line_comparison产线对比指标、 daily_trend按日趋势等字段 看板要求 1. 深色管理后台风格背景深蓝黑、卡片式布局、全局深色主题 2. 4 个 KPI 卡片总工单数、异常工单数按工单编号去重、异常率、待处理数 待处理 严重/明显等级的异常工单数 3. 产线对比柱状图用 ECharts 展示各产线平均效率、平均不良率、平均停机时长 三个指标量纲不同用三个并排小图各自独立坐标轴 4. 异常类型 × 产线 堆叠柱状图同一工单命中多类异常按检出计数 5. 异常工单明细表格工单编号、日期、产线、产品型号、异常类型多类用标签并列、 关键数值、判定依据、等级徽章严重红 / 边缘黄 / 观察绿 6. 表格按严重在前、日期升序排序同一工单多类异常合并为一行 7. ECharts 用 CDN 引入https://cdn.jsdelivr.net/npm/echarts5/dist/echarts.min.js 页面不依赖本地服务浏览器双击 index.html 即可打开 8. 图表配色与深色主题一致图表坐标轴、图例、tooltip 均为深色系组合使用流程 先跑 ① 得到报告 JSON → 再跑 ② 得到看板 → 双击看板演示。【老蒋经验谈】做了二十多年工厂信息化项目我最深的感受是算法本身从来不是难点难的是落地不翻车。这 9 条坑每一条都是我或者同行真实踩过的 —— 有的上线了才发现全是误报有的给老板汇报时 KPI 对不上直接穿帮。 把这些写出来就是不想大家再走一遍弯路。做制造业数字化稳比快重要。五、优化更新 39 条排坑笔记——不注意会怎样全说透这 9 条坑是我这一版实战里真实踩过的也是读者最容易翻车的点。每条都按坑 → 不注意会怎样 → 正确做法写清楚。排坑速查表#坑一句话解法13σ 对偏态分布不敏感3σ IQR 取并集分严重/边缘两级2全局检测跨产线误判必须 groupby 产线后组内判定3量纲混用不同指标独立阈值、独立作图4异常数重复计数按工单编号去重后统计 KPI5方向性离群误报按业务指定判定方向良性离群单独归类6漏检产出塌方产出数量单独做偏低检测与不良率联动看7阈值散落难维护集中配置参数化8pandas Series 三目报错掩码→标签一律 np.where9小样本组乱判min_rows_group 门槛不足则跳过说明为了确保主题文章内容过于冗长我把具体的排坑内容整理到一起了请参考MES 异常检测全是误报和漏检3σIQR 分组判定9 个坑一次说清附速查表六、核心算法回顾按产线分组 3σ/IQR 双重判定上一版的方法论不变链接回顾这里是完整代码#!/usr/bin/env python3 # -*- coding: utf-8 -*- 环境依赖 Requirements: - Python 3.10 - pandas 2.0 - openpyxl 3.1 模块名: analyze_mes_work_order.py 作者: 制造业数据与AI践行者老蒋 | CSDN: https://blog.csdn.net/javy21 专栏归属: AI赋能数据开发工程手册 核心问题: MES 工单数据中如何系统性识别工时效率、质量、设备三类异常 解决方案推演: 1. 工时效率异常 → 效率计划工时/实际工时按产线 3σ 下限判定不同产线基准效率不同 2. 质量异常 → 不良率按产线分组 3σ IQR 双重判定避免跨产线基准差异导致误判 3. 设备异常 → 停机时长按产线分组 IQR 判定尾部长尾分布更适用分位数法 案例溯源: 智联工坊虚拟工厂交互屏组装A线/传感器组装B线/成品测试C线 MES 工单 适用周次: 第 4 周 import json import logging from pathlib import Path from typing import Any, Dict, List, Tuple import numpy as np import pandas as pd # --------------------------------------------------------------------------- # 配置区对应规范 §7路径统一用 pathlib参数集中管理 # --------------------------------------------------------------------------- BASE_DIR: Path Path(__file__).resolve().parent INPUT_FILE: Path BASE_DIR / mes_work_order_data.xlsx OUTPUT_FILE: Path BASE_DIR / anomaly_result.json # 异常判定阈值配置可调参数集中管理便于现场标定 CONFIG: Dict[str, Any] { sigma: 3.0, # 3σ 原则 iqr_k: 1.5, # IQR 箱线图系数1.5 为经典取值 min_rows_group: 10, # 分组样本量下限低于此样本不判异常 } logging.basicConfig( levellogging.INFO, format%(asctime)s | %(levelname)s | %(message)s, datefmt%Y-%m-%d %H:%M:%S, ) logger logging.getLogger(mes_analyzer) # --------------------------------------------------------------------------- # 数据加载 # --------------------------------------------------------------------------- def load_work_orders(file_path: Path) - pd.DataFrame: 加载 MES 工单 Excel 并做基础清洗。 设计思路: 数值列强制转 float 并保留原始不良率百分比口径% 日期列转 datetime 以便后续按日聚合。 Args: file_path: Excel 文件路径 Returns: 清洗后的工单 DataFrame文件不存在或解析失败时抛出异常 Raises: FileNotFoundError: 输入文件不存在 if not file_path.exists(): raise FileNotFoundError(f输入文件不存在: {file_path}) df pd.read_excel(file_path) num_cols [计划工时, 实际工时, 产出数量, 不良率, 停机时长] for col in num_cols: df[col] pd.to_numeric(df[col], errorscoerce) df[日期] pd.to_datetime(df[日期]) df[效率] (df[计划工时] / df[实际工时]).round(3) logger.info(数据加载完成: %d 条记录, len(df)) return df # --------------------------------------------------------------------------- # 异常检测工具函数 # --------------------------------------------------------------------------- def detect_by_3sigma(series: pd.Series, sigma: float 3.0) - pd.Series: 按 3σ 原则判定异常: |x - mean| sigma * std 视为异常。 设计思路: 正态分布下 3σ 覆盖 99.7% 数据超出即为离群 对偏态分布(如停机时长)会偏保守配合 IQR 方法互补使用。 Args: series: 待检测数值序列 sigma: σ 倍数默认 3.0 Returns: 布尔 SeriesTrue 表示异常 mean, std series.mean(), series.std() if std 0 or std ! std: return pd.Series(False, indexseries.index) return (series - mean).abs() sigma * std def detect_by_iqr(series: pd.Series, k: float 1.5) - pd.Series: 按箱线图 IQR 原则判定异常: 超出 [Q1-k*IQR, Q3k*IQR] 视为异常。 设计思路: 不依赖正态假设对偏态/长尾分布更稳健 上下界分别计算可只关注上尾如停机时长只判过高。 Args: series: 待检测数值序列 k: IQR 倍数默认 1.5 Returns: 布尔 SeriesTrue 表示异常 q1, q3 series.quantile(0.25), series.quantile(0.75) iqr q3 - q1 if iqr 0 or iqr ! iqr: return pd.Series(False, indexseries.index) lower, upper q1 - k * iqr, q3 k * iqr return (series lower) | (series upper) def detect_anomalies_per_group( df: pd.DataFrame, group_col: str, value_col: str, lower_tail: bool False ) - pd.DataFrame: 按产线分组执行 3σ 与 IQR 双重检测。 设计思路: 三条产线基准差异明显如 C 线不良率基准 1% vs B 线 2.5% 全局检测会误伤低基准产线必须分组后检测 两法取并集以提高召回但样本过少的组直接放行。 Args: df: 工单 DataFrame group_col: 分组列名产线 value_col: 待检测数值列名 lower_tail: 是否只关注下尾True 表示只判过低如效率 Returns: 仅含异常记录的子 DataFrame新增 anomaly_type 列 Raises: ValueError: 分组样本量低于 min_rows_group 时抛错提示 results: List[pd.DataFrame] [] for group, sub in df.groupby(group_col): if len(sub) CONFIG[min_rows_group]: logger.warning(分组 %s 样本量 %d 不足跳过检测, group, len(sub)) continue flag_3sigma detect_by_3sigma(sub[value_col], CONFIG[sigma]) flag_iqr detect_by_iqr(sub[value_col], CONFIG[iqr_k]) if lower_tail: flag_3sigma flag_3sigma (sub[value_col] sub[value_col].mean()) flag_iqr flag_iqr (sub[value_col] sub[value_col].median()) mask flag_3sigma | flag_iqr if mask.any(): hit sub[mask].copy() basis np.where(flag_3sigma[mask], 3σ, IQR) hit[判定依据] basis ((偏低) if lower_tail else ) results.append(hit) if not results: return pd.DataFrame() return pd.concat(results, ignore_indexTrue) # --------------------------------------------------------------------------- # 四维分析入口 # --------------------------------------------------------------------------- def analyze_efficiency(df: pd.DataFrame) - pd.DataFrame: 工时效率异常检测: 效率计划/实际只关注严重偏低工单。 return detect_anomalies_per_group(df, 产线, 效率, lower_tailTrue) def analyze_defect(df: pd.DataFrame) - pd.DataFrame: 质量异常检测: 不良率(%) 按产线分组双向(过高/过低)检测。 return detect_anomalies_per_group(df, 产线, 不良率, lower_tailFalse) def analyze_downtime(df: pd.DataFrame) - pd.DataFrame: 设备异常检测: 停机时长(分钟) 按产线分组双向检测。 return detect_anomalies_per_group(df, 产线, 停机时长, lower_tailFalse) def analyze_line_comparison(df: pd.DataFrame) - pd.DataFrame: 产线横向对比: 聚合效率/不良率/停机时长均值。 设计思路: 用均值变异系数(CV)描述各组水平与稳定性 CV 高说明该产线波动大管理一致性差。 agg ( df.groupby(产线) .agg( 工单数(工单编号, count), 平均效率(效率, mean), 效率波动CV(效率, std), 平均不良率(不良率, mean), 不良率最大值(不良率, max), 平均停机时长(停机时长, mean), 停机时长最大值(停机时长, max), 平均产出(产出数量, mean), ) .round(3) .reset_index() ) agg[效率波动CV] (agg[效率波动CV] / agg[平均效率] * 100).round(1) return agg def analyze_daily_trend(df: pd.DataFrame) - pd.DataFrame: 按日期聚合各产线日平均效率/不良率/停机时长。 return ( df.groupby([日期, 产线])[[效率, 不良率, 停机时长]] .mean() .round(3) .reset_index() ) def build_report(df: pd.DataFrame) - Dict[str, Any]: 汇总全部分析结果输出可序列化字典。 Args: df: 清洗后的工单 DataFrame Returns: 含概览/异常明细/产线对比/日趋势的嵌套字典 eff_anomaly analyze_efficiency(df) defect_anomaly analyze_defect(df) down_anomaly analyze_downtime(df) # 产出数量异常质量/产能联动按产线 3σ 偏低 output_anomaly detect_anomalies_per_group(df, 产线, 产出数量, lower_tailTrue) report: Dict[str, Any] { overview: { total_records: int(len(df)), date_range: [df[日期].min().strftime(%Y-%m-%d), df[日期].max().strftime(%Y-%m-%d)], line_distribution: df.groupby(产线)[工单编号].count().to_dict(), product_count: int(df[产品型号].nunique()), }, efficiency_anomaly: _to_records(eff_anomaly), defect_anomaly: _to_records(defect_anomaly), downtime_anomaly: _to_records(down_anomaly), output_anomaly: _to_records(output_anomaly), line_comparison: _to_records(analyze_line_comparison(df)), daily_trend: _to_records(analyze_daily_trend(df)), } return report def _to_records(frame: pd.DataFrame) - List[Dict[str, Any]]: DataFrame 转 JSON 友好记录列表日期/NumPy 类型统一转换。 if frame is None or frame.empty: return [] out frame.copy() if 日期 in out.columns: out[日期] out[日期].dt.strftime(%Y-%m-%d) return out.astype(object).where(pd.notnull(out), None).to_dict(orientrecords) def main() - None: 主流程: 加载 → 分析 → 落盘 JSON → 打印概览。 df load_work_orders(INPUT_FILE) report build_report(df) OUTPUT_FILE.write_text( json.dumps(report, ensure_asciiFalse, indent2), encodingutf-8 ) logger.info(分析完成结果已写入 %s, OUTPUT_FILE) for key in (efficiency_anomaly, defect_anomaly, downtime_anomaly, output_anomaly): logger.info(%s: 检出 %d 条, key, len(report[key])) print(\n 产线对比 ) print(pd.DataFrame(report[line_comparison]).to_string(indexFalse)) if __name__ __main__: main()关键设计按产线分组检测而非全局检测。各产线基准差异如下全局检测必然误判产线效率基准不良率基准停机基准交互屏组装A线0.911.8%7.5 min传感器组装B线0.862.6%11.8 min成品测试C线0.940.9%5.8 min七、检测结果5 个埋点全部检出无一遗漏5 个预设异常全部检出无一遗漏。另检出 3 条IQR 边缘异常 1 条良性离群看板中分级展示埋点工单编号产线异常指标实际值检测阈值判定依据①WO-20260802-028A线效率0.541 0.7363σ①WO-20260802-028A线停机45 min 21.2 min3σ②WO-20260801-009B线不良率8.5% 5.12%3σ③WO-20260801-018C线停机80 min 28.1 min3σ③WO-20260801-018C线效率0.732 0.8003σ④WO-20260801-001A线效率0.671 0.7363σ④WO-20260801-001A线不良率4.2% 3.40%3σ⑤WO-20260801-010B线不良率6.8% 5.12%3σ⑤WO-20260801-010B线产出72 件 3σ 下限3σ八、产线对比核心洞察C线标杆 / B线短板 / A线波动以下为 WorkBuddy 生成报告原文。产线平均效率效率波动CV平均不良率不良率峰值平均停机停机峰值平均产出成品测试C线0.937 4.8%0.94% 2.23%5.8 min 80 min94.5 交互屏组装A线0.9096.4% ⚠️1.82%4.20%7.5 min45 min93.8传感器组装B线0.862 ⚠️5.3%2.61% ⚠️8.50%11.8 min ⚠️20 min92.5C 线是标杆效率最高、不良率最低不到 B 线 1/3、停机最少、波动最小。B 线是短板效率比 C 线低 7.5 个百分点不良率是 C 线 2.8 倍平均停机是 C 线 2 倍——四指标全线下滑系统性问题而非偶发。A 线波动最大效率 CV 6.4% 三线最高生产一致性差两次严重效率异常均伴随停机停机是 A 线效率损失主因。趋势结论异常集中爆发于 8/1~8/2月初产能爬坡期4/5 埋点集中在开月前两天之后各线回归稳态B 线高不良率 高停机 低效率为全期常态。九、为什么这个场景价值大传统方式WorkBuddy 方式导出 Excel人工翻数据拖入文件一键分析凭经验判断哪些算异常3σIQR 统计算法客观判定写了报告没法复用生成 Python 脚本每周跑一次只知道有异常说不清根因给出改进建议能指导行动报告贴 PPT 给老板看HTML 看板直接演示判定依据精确到阈值这个案例的本质从手工查数到自动化异常监控再到能解释、能演示、能复用。十、完整交付物清单更新版序号文件说明1analyze_mes_work_order.py可复用分析脚本3σIQR 双检测2anomaly_result.json结构化异常结果可接 MES 看板3report_mes_anomaly.md完整分析报告4mes_anomaly_dashboard.html新增ECharts 深色监控看板双击即开5reader_prompts.md新增两段可复制提示词模板6排坑笔记_MES异常检测.md新增9 条排坑笔记 速查表 适用说明本方案适配离散制造业工单级异常检测电子组装、汽配加工等默认适配日维度 / 工单维度数据 流程行业化工、冶金需调整指标体系分钟级时序数据需增加滑动窗口做平滑处理 看板为静态单文件如需实时刷新可搭配定时任务每日自动生成。十一、实在人总结怕你忘了我再啰嗦一遍1. 这一版把分析升级成了产品。 从脚本到报告到看板从能用到好用——给老板演示、给团队复用、给下周数据重新跑一条龙。2. https://blog.csdn.net/javy21/article/details/163703388。 不同产线基准不同全局检测会误判。按产线分组检测才是制造业的正确姿势。3. 3σ IQR 双重判定比单用任何一种都稳。 3σ 抓极端离群IQR 抓边界越界取并集覆盖更全——这也是排坑笔记第一条。4. 提示词要给读者留好替换位。 把文件名、字段名、口径说明都写进提示词里读者改个尖括号就能用这才叫可复现。5. 踩坑笔记的价值比脚本本身还大。 脚本是答案踩坑笔记是为什么这么答——知道坑在哪才敢在自己的数据上动手。十二、评论区炸弹兄弟们这一版把 MES 异常检测的完整闭环公开了数据、脚本、报告、看板、提示词、排坑笔记全都有。现在轮到你们了你们的 MES 数据做异常检测现在卡在哪一步A. 不知道异常怎么定义全靠老师傅经验B. 有脚本但跑出来全是误报不敢用C. 能检出异常但给老板演示拿不出手D. 我们做得比这还牛大佬求带全套 6 份交付物脚本 JSON 报告 看板 提示词 排坑笔记评论区留言「MES 全套」我直接发你不用自己凑。够意思吧评论区见后续大家用的时候遇到什么新坑也欢迎评论区告诉我我持续更新进去咱们一起把这套方案磨得更实用。 本文数据来源智联工坊虚拟工厂 MES 工单模拟数据。分析脚本、结构化结果、完整报告、监控看板、提示词模板、排坑笔记均已随文章公开。 系列导航专栏制造业数据与AI落地实战 AI赋能数据开发工程手册上一篇#04 代码审查不想得罪人WorkBuddy 先做第一轮审查附完整 Prompt 模板下一篇#06 《把500页设备维护手册喂给AIRAG知识库从0到1》规划中【热榜文精品推荐】TOP1、我用 WorkBuddy 分析了 30 篇 CSDN 博客发现 3 个反直觉的流量真相TOP2、还在翻 git log 写周报WorkBuddy 一键生成结构化周报TOP3、老攻城狮的AI开发环境搭建全记录从零到跑通本地大模型一日速通版TOP4、LangChain Agent 反复调用工具死循环结构化返回 Prompt 规则TOP5、智联工坊实战多工具协同Agent让AI像人类一样规划与执行复杂任务TOP6、代码审查不想得罪人WorkBuddy 先做第一轮审查