工艺智调 ProcessTune AI：一位听得懂工艺语言的 AI 助手 + 一套经过真实验证的优化引擎。您说需求、定边界，它在边界内完成参数寻优 —— 实验更少，工艺落地更快，让工艺开发少熬几个夜。从结晶到灌装 10 个工艺场景，每组推荐参数都附依据、留记录、可复现，审批通过后才落地；中试回传后，它越用越准。
一个关键工艺参数窗口的确定，往往要花数月反复试错。DOE 设计与响应面分析门槛高、迭代慢，而调参的过程与依据又难沉淀为企业可复用的工艺知识。
全因子 DOE 动辄上百组实验，中试一批数天。试错方向主要依赖经验判断，是否覆盖最优区间难以量化。
收率、纯度、含量均匀度往往此消彼长。依靠表格对比做取舍，帕累托前沿看不见，决策依据难留痕。
调参记录散落在 Excel 与纸质批记录，审计追踪、电子签名、变更控制需人工补齐，GxP 检查压力大。
让 AI 直接拍脑袋给参数，是行业踩过的坑；让工程师面对一堆看不懂的统计图表，又把门槛抬得太高。我们的做法是让专业的事各归其位：AI 助手负责沟通与解释，优化引擎负责精密计算，工艺工程师与 QA 负责审批放行。
| 常见做法 | 典型问题 | 我们的取舍 |
|---|---|---|
| 让 AI 直接给参数 | 看着像模像样，实则不看实验反馈、结果无法复现 —— 2025 年顶级会议研究已实证这类做法不可靠，监管也不允许 | 分工明确：AI 的建议只用于缩小搜索范围，参数数值由优化引擎计算给出；每组推荐经人工审批后落地，全程可审计、可复现 |
| 传统统计软件（JMP/MODDE） | 统计门槛高、不会解释结论，产出一堆等高线图，怎么落地还要靠自己悟 |
AI 引导优化引擎的方法在湿实验中 6 轮达到最优值 90%，且理论证明最坏情况不劣于传统方法 —— 本方案的方法论与该范式一致
"让 AI 直接给参数"不可靠的学术实证 —— 正是本方案「AI 不直接给参数」红线的立项依据
10 万条历史工艺数据 + 盘古大模型：参数决策效率 +90%、批次合格率 +22%，验证「私域知识库 + 建议生成 + 人在回路」范式
全球首个制药 AI 专项 GMP 法规（2025 征求意见）；FDA 2026-04 首封 AI 滥用 Warning Letter —— 监管已在立法与执法两端同时收紧人审要求
您说需求、定边界；AI 负责听懂，优化引擎负责算数，流程负责把关。三层各司其职 —— AI 不越权，参数数值不落大模型之手。
用日常语言描述目标与边界，系统自动识别工艺场景、约束条件与质量目标。
参数数值全部由服务端优化引擎迭代计算得出，每轮都有依据，固定种子可复现。
每组推荐经人工审批后落地，全程留痕、可审计、可复现，满足制药合规要求。
* 具体对接方式与实施范围按实施期共同确认。
传统调参软件丢给你一张等高线图；在这里，AI 助手把你的需求翻译成一步一步的明确动作 —— 做了什么、为什么做、结果如何，每一步都摆在你面前。以下为真实系统链路的确定性回放。
* 演示为确定性回放，多次运行结果一致。当前已接入真实大模型驱动意图理解与结果解释（支持离线部署的私有化网关可无缝切换），审批与留痕流程不受影响 —— 换模型，不换系统。
不是"调包演示"：BoTorch 0.18.1、Ax 1.3.1、BayBE 0.15.0 三个主流贝叶斯优化框架在 Python 后端真实运行，GP 后验更新与采集函数计算全部发生在服务端。系统按工艺问题特征自动匹配优化策略，也支持工程师手动指定。
| 算法 | 类别 | 多目标 |
|---|---|---|
| BoTorch qNEI | 单目标 BO | — |
| BoTorch qNEHVI | 多目标 BO | ✓ |
| Ax 全功能 | BO 平台 | ✓ |
| BayBE | 制药实验设计 | ✓ |
| LHS + BO 混合 | 混合策略 | — |
| 随机搜索 | 基线 | ✓ |
| 网格搜索 | 全面扫描 | ✓ |
每一轮迭代都有完整记录 —— 为什么推荐这个点、把握有多大，全程可审计、可复现（固定随机种子）。
系统依据工艺问题的特征自动匹配最合适的优化策略，无需人工判断算法选型；亦支持工程师手动指定。选型与切换过程全部留痕，可复现。
同一场景固定随机种子复跑，结果一致 —— 换人、换时间跑，结论不变。
每个场景内置经过校准的工艺模型、约束条件与质量目标。下表"典型收益"为模型理论最优相对行业基线的测算幅度，用于说明寻优空间；实际收益以产线验证为准。
| 优先级 | 场景 | 寻优维度 | 目标数 | 典型收益空间 |
|---|---|---|---|---|
| P0 | 结晶工艺 温度 / 搅拌 / 抗溶剂流速 / 晶种 / 养晶 | 5 | 3 | 载药量 2.6% → 6.5% |
| P0 | 冻干工艺 预冻 / 一次干燥 / 二次干燥多段曲线 | 6 | 3 | 周期 −35%，含水量 2.8% → 0.9% |
| P0 | 中药提取 溶媒比 / 温度 / 时间 / 次数 / 粒度 | 5 | 3 | 转移率 68.5% → 91.2% |
| P1 | 发酵工艺 温度 / pH / 溶氧 / 补料策略 | 6 | 3 | 发酵单位 +28% |
| P1 | 制粒工艺 黏合剂 / 搅拌 / 制粒切刀 / 终点判定 | 6 | 3 | 粒度合格率 +35% |
| P1 | 混合工艺 转速 / 装量 / 时间 / 几何构型 | 4 | 3 | 含量 RSD −50% |
| P2 | 压片工艺 主压 / 预压 / 填充 / 转速 | 5 | 4 | 脆碎度 −60% |
| P2 | 包衣工艺 雾化 / 风量 / 床温 / 喷速 | 5 | 3 | 包衣均匀度 +40% |
| P2 | 纯化工艺 层析流速 / 上样量 / 洗脱梯度 | 5 | 3 | 纯度 +6%，回收率 +18% |
| P2 | 灌装工艺 灌装速度 / 针头 / 温度 / 氮保 | 5 | 3 | 装量 RSD −55% |
合规模块与算法引擎同层实现，不是"导出 Excel 再人工签字"。审计条目、签名与变更单均由系统在优化运行时自动产生。面向 2025–2026 年密集落地的制药 AI 监管（EMA GMP 附录 22 / FDA AI 指南 / NMPA 实施意见），AI 参与的每个决策默认按"强制人审 + 全程留痕"设计。合规与验证证据已齐备：26/26 自动化测试通过、9/9 ALCOA+ 自检全 PASS。
上一节对话发起的那次优化，底层长这样 —— 结晶工艺的确定性数据回放：收敛得分从 0.42 一路攀升至 0.9966，每轮的"改进潜力"同步衰减至接近零 —— 这正是"引擎知道该往哪试"的直观形态。
* 演示为确定性回放（固定种子，多次运行结果一致 —— 与真实系统行为相同）。验收环境实测记录：20 轮迭代 16.5 秒完成（2026-09-16 复跑），收敛得分 0.9966（归一化满意度刻度，满分 1.0）。
产线实测数据持续回流，模型预测精度随之提升
预测与实测的偏差自动比对，逐轮收敛
闭环健康度量化追踪，效果不再凭感觉
每一轮优化与反馈全程可审计、可复现
* 闭环指标来自闭环中心的实测记录（验收环境示例值）。预测偏差逐轮收敛，是本方案区别于"一次性咨询报告"的核心特征。
以下图表全部来自验收环境的真实运行数据（2026-09-16 复跑，跑分脚本与原始结果留存，可复现），不是示意图；优化结果已在验收环境中完成批次回传链路验证。合规与验证侧的一级证据见「合规体系」一节。
* 「改善空间」为工艺模型理论最优相对行业基线的测算空间，非承诺值，仅用于说明寻优空间；实际收益须以贵司产线数据验证为准。
* 同一结晶场景服务端实测（2026-09-16 复跑）。qNEI 为 16 轮主验收配置，其余策略为同场景 7 轮小预算横向对比 —— 轮次预算不同，仅作参考、不作绝对优劣结论；多目标算法（qNEHVI / BayBE）同种子复跑存在随机波动，qNEI 主验收两次结果一致。
* 验收环境示例批次（2026-09-14）回传记录，平均预测偏差 2.6%；柱高按组内比例显示。预测偏差已自动计入下一轮模型训练。
完成核心工艺场景的产品形态与交互链路验证。
Agentic 对话式工作流、优化引擎真实运行（BoTorch / Ax / BayBE）、10 场景、闭环中心、数据导入四方式；审计追踪 / 电子签名 / 变更控制 / ALCOA+ 自检 / 用户权限体系全部就位；验证文档五件套与 26 项自动化测试齐备。大模型已接入 —— 真实 LLM 驱动意图理解与结果解释，可切换私有化网关，数据不出企业。
接入客户 LIMS / DCS 历史批次数据，以实测数据驱动寻优；选定 1–2 个核心场景开展中试闭环试点，以预测偏差与批次通过率作为验收指标。