前言¶
工廠裏的質量數據大多躺在 Excel 和紙質巡檢表裏。等到要做月度不良分析、製程能力復盤或者給客訴寫回復材料時，才把臺賬翻出來重新清洗、透視、畫圖，一次就要半天到一天。這類工作的特徵是：字段不統一、分類要歸併、口徑要保持一致，工具本身並不難，但瑣碎。
「現場不良數據分析助手」就是面向這個環節的 Skill，屬於 SkillHub 平臺上 data-analysis 分類下的製造業質量場景工具。下面介紹它是什麼、能覆蓋哪些環節，以及目前資料裏能確認到什麼程度。
這是什麼¶
一句話定位：把車間巡檢、製程不良、成品檢驗臺賬的原始數據，整理成可分析的結構化結果並輸出圖表的數據分析 Skill。
維護方是「工程客」，座標 @engicool/manufacturing-quality-data-analysis，版本 1.1.0，來源標記爲 enterprise，平臺分類 data-analysis，無需 API Key（requires_api_key=false）。
它解決的問題不是通用的 Python 數據分析，而是製造業現場數據的分析入口：現場的人報上來的表往往格式不統一、分類口徑不一致，分析之前先要清洗和歸一，再進入統計和可視化。這個 Skill 把這些前置工作放在一個約定好的流程裏，省掉每次重新摸索字段的功夫。
核心功能¶
根據官方簡介，它覆蓋三塊：數據清洗、統計分析、圖表可視化。對應的輸入是車間巡檢、製程不良、成品檢驗臺賬數據，以及現場不合格記錄。
拆開看：
- 數據清洗：原始臺賬通常包含缺失、重複、單位不一、分類寫法不一致等問題，需要先做規範化，再進入統計。
- 統計分析：針對不良數據做分組彙總、分佈和趨勢的統計，是質檢覆盤和製程改善報告的常規內容。
- 圖表可視化：把統計結果輸出成圖表，用於現場看板、質量月報或向上級彙報。
官方簡介沒有列出支持的具體圖表類型、統計指標或文件格式，這部分不要憑空補。
安裝與啓用¶
SkillHub 平臺資料裏沒有提供公開的安裝命令或配置片段，官方頁面抓取不到具體步驟，因此不在這裏給出未經驗證的安裝方式。
要啓用的話，建議直接打開官方頁面確認：
https://api.skillhub.cn/engicool/manufacturing-quality-data-analysis
平臺側對應的展示頁是：
https://www.skillhub.cn/skills/engicool/manufacturing-quality-data-analysis
在拿到官方安裝命令之前，不要照抄第三方教程裏的命令，也不要假設它在 Cursor、Codex CLI、Claude Code 上的啓用方式一致。
典型用法¶
目前能覈實到的用法只有官方簡介裏的一句場景描述：當用戶需要分析車間巡檢、製程不良、成品檢驗臺賬數據，或處理現場不合格記錄時使用。
這決定了它的調用方式偏向自然語言：把臺賬內容交給模型，說明分析目的，由 Skill 指導完成清洗、統計和出圖。具體到需要傳什麼字段、輸出什麼格式，官方資料沒有寫，需要以實際運行結果爲準。
這裏不放虛構的示例命令和輸出，避免誤導。
適用場景與注意¶
適合的場景：
- 車間巡檢記錄彙總，看不良集中在哪些工序、哪些班次。
- 製程不良臺賬的月度或季度復盤。
- 成品檢驗數據的合格率、不良分佈統計。
- 現場不合格記錄的整理與分析，用於編寫質量報告。
需要注意的限制：
- 數據敏感。巡檢和檢驗臺賬裏包含客戶、產品、批次信息，接入任何外部模型之前都要確認數據脫敏和合規要求。
- 口徑依賴現場定義。同一個不良類別在不同班組可能有不同寫法，清洗規則需要業務方確認，否則統計結果會被口徑差異帶偏。
- 它是數據分析入口，不替代 SPC、MES 或 QMS 系統。如果已有系統在跑，看這個 Skill 能不能導出數據後補上分析環節更實際。
結尾¶
這個 Skill 的價值在於把製造業現場質量數據的分析入口固定下來：不用每次從零寫清洗腳本，也不用在通用數據分析工具裏重新摸索臺賬的字段結構。官方地址：https://api.skillhub.cn/engicool/manufacturing-quality-data-analysis。
