用途：该技能提供 Python 环境下的实验设计（DOE）交互式专家指导，核心思路是先提问再推荐方法，而非直接套用某个设计。它会根据实验目标、能否序贯执行、单次实验成本、因子数量以及是否已有模型或数据，推荐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：覆盖经典 DOE（全因子、部分因子、Plackett-Burman、确定性筛选设计、中心复合设计、Box-Behnken、拉丁超立方）、贝叶斯优化（GP + Expected Improvement、Upper Confidence Bound）、模型驱动最优设计（D-optimal、A-optimal、T-optimal、KL-optimal，基于 Fisher 信息矩阵）、主动学习（不确定性采样）以及稳健参数设计（Taguchi）。技能内含决策树、快速参考表和按行业划分的常见模式（化工、材料、制药、制造、机器学习）。
使用方式：用户提出 DOE 需求后，技能先询问目标（筛选/优化/探索/模型判别/稳健性）、序贯或批量、实验成本、因子数、是否有先验模型或数据、因子约束与总预算，再给出推荐方案、备选方案、预计运行次数、工具建议和起步代码。随后生成设计矩阵、可视化、导出 CSV，运行实验后进行分析（ANOVA、回归、GP 更新、参数拟合）并据此决策。
工具与安装：经典 DOE 用 pyDOE3、dexpy；集成 RSM 用 pycse；贝叶斯优化用 scikit-optimize、ax-platform、BoTorch；主动学习用 modAL；高斯过程用 GPy 或 scikit-learn；分析用 statsmodels、scipy、scikit-learn。安装命令如 pip install pyDOE3、pip install pycse、pip install scikit-optimize、pip install modAL 等。
适用场景：昂贵实验的序贯优化、材料与药物发现、超参数调优、化学动力学参数估计、配方与工艺优化、质量改进等。
限制：资料未提供该技能的收费、价格、平台支持范围与效果保证；具体方法选择需结合实际问题判断，示例代码中的函数与数据需替换为真实实验内容。