用途
该技能用于在 Python 中指导实验设计（Design of Experiments, DOE）。其核心理念是：不要从方法开始，而要从问题开始。当用户提到 DOE 或实验设计时，技能会先询问目标、实验能否序贯进行、单次实验成本、因子数量、是否已有先验知识或机理模型等关键问题，再据此推荐最合适的实验设计策略，以最大化每次实验的信息增益。
主要能力
技能覆盖四类主要方法：
-
经典 DOE（批量实验）：适用于必须提前规划全部实验、系统较成熟或因子数适中（<15）的场景。包括全因子/部分因子设计、Plackett-Burman 筛选、确定性筛选设计（DSD）、中心复合设计（CCD）、Box-Behnken 设计、拉丁超立方采样（LHS）等。常用工具为 pyDOE3、dexpy、pycse、statsmodels。
-
贝叶斯优化（序贯）：适用于实验昂贵（时间、金钱、资源）、黑箱系统、希望最小化总实验次数的场景。使用高斯过程代理模型与期望改进（EI）或置信上界（UCB）等采集函数。常用工具为 BoTorch、scikit-optimize、Ax。
-
模型驱动 DOE（最优设计）：适用于已有机理或经验模型、目标是参数估计或模型判别、希望统计最优实验的场景。包括 D-最优、A-最优、T-最优、KL-最优等，基于 Fisher 信息矩阵。常用工具为自定义实现或 pyoptex。
-
主动学习（序贯建模）：适用于希望高效构建精确代理模型、可序贯实验、需平衡探索与利用、实验成本中等的场景。常用工具为 modAL、scikit-learn、GPy。
技能还提供快速决策树、方法对比表、按行业划分的常见模式（化学工程、材料科学、制药、制造、机器学习），以及多个可直接运行的代码示例。
使用方式
技能按以下工作流使用：
- 回答问题：说明实验目标（筛选、优化、探索、模型判别、稳健性）、能否序贯、实验成本、因子数量、是否有模型或先验数据、因子组合约束、总预算。
- 获取推荐：得到推荐方法及理由、替代方案与权衡、预计实验次数、库/工具建议、入门示例代码。
- 生成设计：生成设计矩阵、可视化因子空间、检查设计属性、导出 CSV。
- 运行实验：按设计执行，随机化运行顺序（序贯除外），记录结果与偏差。
- 分析结果：经典方法用 ANOVA、回归、诊断；贝叶斯方法更新 GP 并检查收敛；模型驱动方法拟合模型并评估参数。
- 做出决策：优化响应并验证，或决定是否继续、下一个实验是什么，或判断参数是否收敛、是否需要更多数据。
适用场景
- 化学工程：反应器优化、催化剂筛选、过程开发
- 材料科学：组分优化、性质映射、合金发现
- 制药：配方设计、剂量优化、PK/PD 建模
- 制造：工艺参数调优、质量改进、持续改进
- 机器学习：超参数调优、架构搜索、神经网络训练
限制
资料未提供该技能的具体收费、价格、平台支持范围或效果保证。技能本身为方法指导与代码示例，实际实验执行、数据采集和结果验证需用户自行完成。部分高级工具（如 BoTorch）需要 PyTorch 环境。