前言¶
工厂里的质量数据大多躺在 Excel 和纸质巡检表里。等到要做月度不良分析、制程能力复盘或者给客诉写回复材料时，才把台账翻出来重新清洗、透视、画图，一次就要半天到一天。这类工作的特征是：字段不统一、分类要归并、口径要保持一致，工具本身并不难，但琐碎。
「现场不良数据分析助手」就是面向这个环节的 Skill，属于 SkillHub 平台上 data-analysis 分类下的制造业质量场景工具。下面介绍它是什么、能覆盖哪些环节，以及目前资料里能确认到什么程度。
这是什么¶
一句话定位：把车间巡检、制程不良、成品检验台账的原始数据，整理成可分析的结构化结果并输出图表的数据分析 Skill。
维护方是「工程客」，坐标 @engicool/manufacturing-quality-data-analysis，版本 1.1.0，来源标记为 enterprise，平台分类 data-analysis，无需 API Key（requires_api_key=false）。
它解决的问题不是通用的 Python 数据分析，而是制造业现场数据的分析入口：现场的人报上来的表往往格式不统一、分类口径不一致，分析之前先要清洗和归一，再进入统计和可视化。这个 Skill 把这些前置工作放在一个约定好的流程里，省掉每次重新摸索字段的功夫。
核心功能¶
根据官方简介，它覆盖三块：数据清洗、统计分析、图表可视化。对应的输入是车间巡检、制程不良、成品检验台账数据，以及现场不合格记录。
拆开看：
- 数据清洗：原始台账通常包含缺失、重复、单位不一、分类写法不一致等问题，需要先做规范化，再进入统计。
- 统计分析：针对不良数据做分组汇总、分布和趋势的统计，是质检复盘和制程改善报告的常规内容。
- 图表可视化：把统计结果输出成图表，用于现场看板、质量月报或向上级汇报。
官方简介没有列出支持的具体图表类型、统计指标或文件格式，这部分不要凭空补。
安装与启用¶
SkillHub 平台资料里没有提供公开的安装命令或配置片段，官方页面抓取不到具体步骤，因此不在这里给出未经验证的安装方式。
要启用的话，建议直接打开官方页面确认：
https://api.skillhub.cn/engicool/manufacturing-quality-data-analysis
平台侧对应的展示页是：
https://www.skillhub.cn/skills/engicool/manufacturing-quality-data-analysis
在拿到官方安装命令之前，不要照抄第三方教程里的命令，也不要假设它在 Cursor、Codex CLI、Claude Code 上的启用方式一致。
典型用法¶
目前能核实到的用法只有官方简介里的一句场景描述：当用户需要分析车间巡检、制程不良、成品检验台账数据，或处理现场不合格记录时使用。
这决定了它的调用方式偏向自然语言：把台账内容交给模型，说明分析目的，由 Skill 指导完成清洗、统计和出图。具体到需要传什么字段、输出什么格式，官方资料没有写，需要以实际运行结果为准。
这里不放虚构的示例命令和输出，避免误导。
适用场景与注意¶
适合的场景：
- 车间巡检记录汇总，看不良集中在哪些工序、哪些班次。
- 制程不良台账的月度或季度复盘。
- 成品检验数据的合格率、不良分布统计。
- 现场不合格记录的整理与分析，用于编写质量报告。
需要注意的限制：
- 数据敏感。巡检和检验台账里包含客户、产品、批次信息，接入任何外部模型之前都要确认数据脱敏和合规要求。
- 口径依赖现场定义。同一个不良类别在不同班组可能有不同写法，清洗规则需要业务方确认，否则统计结果会被口径差异带偏。
- 它是数据分析入口，不替代 SPC、MES 或 QMS 系统。如果已有系统在跑，看这个 Skill 能不能导出数据后补上分析环节更实际。
结尾¶
这个 Skill 的价值在于把制造业现场质量数据的分析入口固定下来：不用每次从零写清洗脚本，也不用在通用数据分析工具里重新摸索台账的字段结构。官方地址：https://api.skillhub.cn/engicool/manufacturing-quality-data-analysis。
