winter-super-cli 2026.5.32 → 2026.6.6

package/resources/local/ecc/docs/zh-CN/skills/pytorch-patterns/SKILL.md

@@ -0,0 +1,396 @@
+---
+name: pytorch-patterns
+description: PyTorch深度学习模式与最佳实践，用于构建稳健、高效且可复现的训练流程、模型架构和数据加载。
+origin: ECC
+---
+
+# PyTorch 开发模式
+
+构建稳健、高效和可复现深度学习应用的 PyTorch 惯用模式与最佳实践。
+
+## 何时使用
+
+* 编写新的 PyTorch 模型或训练脚本时
+* 评审深度学习代码时
+* 调试训练循环或数据管道时
+* 优化 GPU 内存使用或训练速度时
+* 设置可复现实验时
+
+## 核心原则
+
+### 1. 设备无关代码
+
+始终编写能在 CPU 和 GPU 上运行且不硬编码设备的代码。
+
+```python
+# Good: Device-agnostic
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+model = MyModel().to(device)
+data = data.to(device)
+
+# Bad: Hardcoded device
+model = MyModel().cuda()  # Crashes if no GPU
+data = data.cuda()
+```
+
+### 2. 可复现性优先
+
+设置所有随机种子以获得可复现的结果。
+
+```python
+# Good: Full reproducibility setup
+def set_seed(seed: int = 42) -> None:
+    torch.manual_seed(seed)
+    torch.cuda.manual_seed_all(seed)
+    np.random.seed(seed)
+    random.seed(seed)
+    torch.backends.cudnn.deterministic = True
+    torch.backends.cudnn.benchmark = False
+
+# Bad: No seed control
+model = MyModel()  # Different weights every run
+```
+
+### 3. 显式形状管理
+
+始终记录并验证张量形状。
+
+```python
+# Good: Shape-annotated forward pass
+def forward(self, x: torch.Tensor) -> torch.Tensor:
+    # x: (batch_size, channels, height, width)
+    x = self.conv1(x)    # -> (batch_size, 32, H, W)
+    x = self.pool(x)     # -> (batch_size, 32, H//2, W//2)
+    x = x.view(x.size(0), -1)  # -> (batch_size, 32*H//2*W//2)
+    return self.fc(x)    # -> (batch_size, num_classes)
+
+# Bad: No shape tracking
+def forward(self, x):
+    x = self.conv1(x)
+    x = self.pool(x)
+    x = x.view(x.size(0), -1)  # What size is this?
+    return self.fc(x)           # Will this even work?
+```
+
+## 模型架构模式
+
+### 清晰的 nn.Module 结构
+
+```python
+# Good: Well-organized module
+class ImageClassifier(nn.Module):
+    def __init__(self, num_classes: int, dropout: float = 0.5) -> None:
+        super().__init__()
+        self.features = nn.Sequential(
+            nn.Conv2d(3, 64, kernel_size=3, padding=1),
+            nn.BatchNorm2d(64),
+            nn.ReLU(inplace=True),
+            nn.MaxPool2d(2),
+        )
+        self.classifier = nn.Sequential(
+            nn.Dropout(dropout),
+            nn.Linear(64 * 16 * 16, num_classes),
+        )
+
+    def forward(self, x: torch.Tensor) -> torch.Tensor:
+        x = self.features(x)
+        x = x.view(x.size(0), -1)
+        return self.classifier(x)
+
+# Bad: Everything in forward
+class ImageClassifier(nn.Module):
+    def __init__(self):
+        super().__init__()
+
+    def forward(self, x):
+        x = F.conv2d(x, weight=self.make_weight())  # Creates weight each call!
+        return x
+```
+
+### 正确的权重初始化
+
+```python
+# Good: Explicit initialization
+def _init_weights(self, module: nn.Module) -> None:
+    if isinstance(module, nn.Linear):
+        nn.init.kaiming_normal_(module.weight, mode="fan_out", nonlinearity="relu")
+        if module.bias is not None:
+            nn.init.zeros_(module.bias)
+    elif isinstance(module, nn.Conv2d):
+        nn.init.kaiming_normal_(module.weight, mode="fan_out", nonlinearity="relu")
+    elif isinstance(module, nn.BatchNorm2d):
+        nn.init.ones_(module.weight)
+        nn.init.zeros_(module.bias)
+
+model = MyModel()
+model.apply(model._init_weights)
+```
+
+## 训练循环模式
+
+### 标准训练循环
+
+```python
+# Good: Complete training loop with best practices
+def train_one_epoch(
+    model: nn.Module,
+    dataloader: DataLoader,
+    optimizer: torch.optim.Optimizer,
+    criterion: nn.Module,
+    device: torch.device,
+    scaler: torch.amp.GradScaler | None = None,
+) -> float:
+    model.train()  # Always set train mode
+    total_loss = 0.0
+
+    for batch_idx, (data, target) in enumerate(dataloader):
+        data, target = data.to(device), target.to(device)
+
+        optimizer.zero_grad(set_to_none=True)  # More efficient than zero_grad()
+
+        # Mixed precision training
+        with torch.amp.autocast("cuda", enabled=scaler is not None):
+            output = model(data)
+            loss = criterion(output, target)
+
+        if scaler is not None:
+            scaler.scale(loss).backward()
+            scaler.unscale_(optimizer)
+            torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)
+            scaler.step(optimizer)
+            scaler.update()
+        else:
+            loss.backward()
+            torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)
+            optimizer.step()
+
+        total_loss += loss.item()
+
+    return total_loss / len(dataloader)
+```
+
+### 验证循环
+
+```python
+# Good: Proper evaluation
+@torch.no_grad()  # More efficient than wrapping in torch.no_grad() block
+def evaluate(
+    model: nn.Module,
+    dataloader: DataLoader,
+    criterion: nn.Module,
+    device: torch.device,
+) -> tuple[float, float]:
+    model.eval()  # Always set eval mode — disables dropout, uses running BN stats
+    total_loss = 0.0
+    correct = 0
+    total = 0
+
+    for data, target in dataloader:
+        data, target = data.to(device), target.to(device)
+        output = model(data)
+        total_loss += criterion(output, target).item()
+        correct += (output.argmax(1) == target).sum().item()
+        total += target.size(0)
+
+    return total_loss / len(dataloader), correct / total
+```
+
+## 数据管道模式
+
+### 自定义数据集
+
+```python
+# Good: Clean Dataset with type hints
+class ImageDataset(Dataset):
+    def __init__(
+        self,
+        image_dir: str,
+        labels: dict[str, int],
+        transform: transforms.Compose | None = None,
+    ) -> None:
+        self.image_paths = list(Path(image_dir).glob("*.jpg"))
+        self.labels = labels
+        self.transform = transform
+
+    def __len__(self) -> int:
+        return len(self.image_paths)
+
+    def __getitem__(self, idx: int) -> tuple[torch.Tensor, int]:
+        img = Image.open(self.image_paths[idx]).convert("RGB")
+        label = self.labels[self.image_paths[idx].stem]
+
+        if self.transform:
+            img = self.transform(img)
+
+        return img, label
+```
+
+### 高效的数据加载器配置
+
+```python
+# Good: Optimized DataLoader
+dataloader = DataLoader(
+    dataset,
+    batch_size=32,
+    shuffle=True,            # Shuffle for training
+    num_workers=4,           # Parallel data loading
+    pin_memory=True,         # Faster CPU->GPU transfer
+    persistent_workers=True, # Keep workers alive between epochs
+    drop_last=True,          # Consistent batch sizes for BatchNorm
+)
+
+# Bad: Slow defaults
+dataloader = DataLoader(dataset, batch_size=32)  # num_workers=0, no pin_memory
+```
+
+### 针对变长数据的自定义整理函数
+
+```python
+# Good: Pad sequences in collate_fn
+def collate_fn(batch: list[tuple[torch.Tensor, int]]) -> tuple[torch.Tensor, torch.Tensor]:
+    sequences, labels = zip(*batch)
+    # Pad to max length in batch
+    padded = nn.utils.rnn.pad_sequence(sequences, batch_first=True, padding_value=0)
+    return padded, torch.tensor(labels)
+
+dataloader = DataLoader(dataset, batch_size=32, collate_fn=collate_fn)
+```
+
+## 检查点模式
+
+### 保存和加载检查点
+
+```python
+# Good: Complete checkpoint with all training state
+def save_checkpoint(
+    model: nn.Module,
+    optimizer: torch.optim.Optimizer,
+    epoch: int,
+    loss: float,
+    path: str,
+) -> None:
+    torch.save({
+        "epoch": epoch,
+        "model_state_dict": model.state_dict(),
+        "optimizer_state_dict": optimizer.state_dict(),
+        "loss": loss,
+    }, path)
+
+def load_checkpoint(
+    path: str,
+    model: nn.Module,
+    optimizer: torch.optim.Optimizer | None = None,
+) -> dict:
+    checkpoint = torch.load(path, map_location="cpu", weights_only=True)
+    model.load_state_dict(checkpoint["model_state_dict"])
+    if optimizer:
+        optimizer.load_state_dict(checkpoint["optimizer_state_dict"])
+    return checkpoint
+
+# Bad: Only saving model weights (can't resume training)
+torch.save(model.state_dict(), "model.pt")
+```
+
+## 性能优化
+
+### 混合精度训练
+
+```python
+# Good: AMP with GradScaler
+scaler = torch.amp.GradScaler("cuda")
+for data, target in dataloader:
+    with torch.amp.autocast("cuda"):
+        output = model(data)
+        loss = criterion(output, target)
+    scaler.scale(loss).backward()
+    scaler.step(optimizer)
+    scaler.update()
+    optimizer.zero_grad(set_to_none=True)
+```
+
+### 大模型的梯度检查点
+
+```python
+# Good: Trade compute for memory
+from torch.utils.checkpoint import checkpoint
+
+class LargeModel(nn.Module):
+    def forward(self, x: torch.Tensor) -> torch.Tensor:
+        # Recompute activations during backward to save memory
+        x = checkpoint(self.block1, x, use_reentrant=False)
+        x = checkpoint(self.block2, x, use_reentrant=False)
+        return self.head(x)
+```
+
+### 使用 torch.compile 加速
+
+```python
+# Good: Compile the model for faster execution (PyTorch 2.0+)
+model = MyModel().to(device)
+model = torch.compile(model, mode="reduce-overhead")
+
+# Modes: "default" (safe), "reduce-overhead" (faster), "max-autotune" (fastest)
+```
+
+## 快速参考：PyTorch 惯用法
+
+| 惯用法 | 描述 |
+|-------|-------------|
+| `model.train()` / `model.eval()` | 训练/评估前始终设置模式 |
+| `torch.no_grad()` | 推理时禁用梯度 |
+| `optimizer.zero_grad(set_to_none=True)` | 更高效的梯度清零 |
+| `.to(device)` | 设备无关的张量/模型放置 |
+| `torch.amp.autocast` | 混合精度以获得 2 倍速度 |
+| `pin_memory=True` | 更快的 CPU→GPU 数据传输 |
+| `torch.compile` | JIT 编译加速 (2.0+) |
+| `weights_only=True` | 安全的模型加载 |
+| `torch.manual_seed` | 可复现的实验 |
+| `gradient_checkpointing` | 以计算换取内存 |
+
+## 应避免的反模式
+
+```python
+# Bad: Forgetting model.eval() during validation
+model.train()
+with torch.no_grad():
+    output = model(val_data)  # Dropout still active! BatchNorm uses batch stats!
+
+# Good: Always set eval mode
+model.eval()
+with torch.no_grad():
+    output = model(val_data)
+
+# Bad: In-place operations breaking autograd
+x = F.relu(x, inplace=True)  # Can break gradient computation
+x += residual                  # In-place add breaks autograd graph
+
+# Good: Out-of-place operations
+x = F.relu(x)
+x = x + residual
+
+# Bad: Moving data to GPU inside the training loop repeatedly
+for data, target in dataloader:
+    model = model.cuda()  # Moves model EVERY iteration!
+
+# Good: Move model once before the loop
+model = model.to(device)
+for data, target in dataloader:
+    data, target = data.to(device), target.to(device)
+
+# Bad: Using .item() before backward
+loss = criterion(output, target).item()  # Detaches from graph!
+loss.backward()  # Error: can't backprop through .item()
+
+# Good: Call .item() only for logging
+loss = criterion(output, target)
+loss.backward()
+print(f"Loss: {loss.item():.4f}")  # .item() after backward is fine
+
+# Bad: Not using torch.save properly
+torch.save(model, "model.pt")  # Saves entire model (fragile, not portable)
+
+# Good: Save state_dict
+torch.save(model.state_dict(), "model.pt")
+```
+
+**请记住**：PyTorch 代码应做到设备无关、可复现且内存意识强。如有疑问，请使用 `torch.profiler` 进行分析，并使用 `torch.cuda.memory_summary()` 检查 GPU 内存。

package/resources/local/ecc/docs/zh-CN/skills/quality-nonconformance/SKILL.md

@@ -0,0 +1,252 @@
+---
+name: quality-nonconformance
+description: 为受监管制造业中的质量控制、不合格调查、根本原因分析、纠正措施和供应商质量管理提供编码化专业知识。基于在FDA、IATF 16949和AS9100环境中拥有15年以上经验的质量工程师的见解。包括不合格报告生命周期管理、纠正与预防措施系统、统计过程控制解释和审核方法。适用于调查不合格、进行根本原因分析、管理纠正与预防措施、解释统计过程控制数据或处理供应商质量问题。license: Apache-2.0
+version: 1.0.0
+homepage: https://github.com/affaan-m/everything-claude-code
+origin: ECC
+metadata:
+  author: evos
+  clawdbot:
+    emoji: ""
+---
+
+# 质量与不合格品管理
+
+## 角色与背景
+
+您是一位拥有15年以上受监管制造环境经验的高级质量工程师——涉及FDA 21 CFR 820（医疗器械）、IATF 16949（汽车）、AS9100（航空航天）和ISO 13485（医疗器械）。您管理从不合格品入厂检验到最终处置的完整生命周期。您使用的系统包括QMS（eQMS平台，如MasterControl、ETQ、Veeva）、SPC软件（Minitab、InfinityQS）、ERP（SAP QM、Oracle Quality）、CMM和计量设备，以及供应商门户。您处于制造、工程、采购、法规和客户质量的交汇点。您的判断直接影响产品安全、法规合规性、生产吞吐量和供应商关系。
+
+## 使用时机
+
+* 调查入厂检验、过程中或最终测试中出现的不合格品（NCR）
+* 使用5个为什么、石川图或故障树方法进行根本原因分析
+* 确定不合格品的处置方式（按现状使用、返工、报废、退回供应商）
+* 创建或评审CAPA（纠正与预防措施）计划
+* 解读SPC数据和控制图信号以评估过程稳定性
+* 准备或回应法规审核发现项
+
+## 运作方式
+
+1. 通过检验、SPC警报或客户投诉发现不合格品
+2. 立即隔离受影响物料（隔离、生产暂停、停止发货）
+3. 根据安全影响和法规要求对严重程度进行分类（严重、主要、次要）
+4. 使用适合复杂程度的结构化方法调查根本原因
+5. 基于工程评估、法规限制和经济效益确定处置方式
+6. 实施纠正措施，验证有效性，并附上证据关闭CAPA
+
+## 示例
+
+* **入厂检验失败**：一批10,000个注塑组件在二级AQL抽样中不合格。缺陷是某个关键功能特征的尺寸偏差为+0.15mm。演练隔离、通知供应商、根本原因调查（模具磨损）、跳批暂停和SCAR签发。
+* **SPC信号解读**：灌装线上的X-bar图显示连续9个点高于中心线（西电规则2）。过程仍处于规格限内。确定是停止生产线（调查可查明原因）还是继续生产（并解释为什么“符合规格”不等于“受控”）。
+* **客户投诉CAPA**：汽车OEM客户报告500个单元中有3个现场故障，均具有相同的故障模式。构建8D报告，执行故障树分析，识别最终测试中的逃逸点，并为纠正措施设计验证测试。
+
+## 核心知识
+
+### NCR生命周期
+
+每个不合格品都遵循一个受控的生命周期。跳过步骤会产生审核发现项和法规风险：
+
+* **识别**：任何人都可以发起。记录：谁发现的、在哪里（入厂、过程中、最终、现场）、违反了哪个标准/规范、影响数量、批次可追溯性。立即标记或隔离不合格品物料——无一例外。在指定的MRB区域进行物理隔离并贴上红标签或保留标签。在ERP中进行电子保留以防止无意中发货。
+* **记录**：根据您的QMS编号方案分配NCR编号。链接到零件号、版本、采购单/工单、违反的规范条款、测量数据（实际值 vs. 公差）、照片和检验员ID。对于FDA监管的产品，记录必须满足21 CFR 820.90；对于汽车行业，需满足IATF 16949 §8.7。
+* **调查**：确定范围——这是一个孤立的问题还是系统性的批次问题？检查上游和下游：同一供应商发货的其他批次、同一生产运行的其他单元、同一时期的在制品和成品库存。必须在开始根本原因分析之前采取隔离措施。
+* **通过MRB（物料评审委员会）处置**：MRB通常包括质量、工程和制造代表。对于航空航天（AS9100），客户可能需要参与。处置选项：
+* **按现状使用**：零件不符合图纸但在功能上可接受。需要工程理由（让步/偏差）。在航空航天领域，需要客户根据AS9100 §8.7.1批准。在汽车领域，通常需要通知客户。记录理由——“因为我们需要这些零件”不是正当理由。
+* **返工**：使用批准的返工程序使零件符合要求。返工指令必须记录在案，返工后的零件必须按照原始规范重新检验。跟踪返工成本。
+* **修理**：零件将不完全符合原始规格，但将被修复为可用。需要工程处置，并且通常需要客户让步。与返工不同——修理接受永久性偏差。
+* **退回供应商（RTV）**：发出供应商纠正措施请求（SCAR）或CAR。借记通知单或更换采购单。在约定的时间范围内跟踪供应商响应。更新供应商记分卡。
+* **报废**：记录报废数量、成本、批次可追溯性以及授权的报废批准（通常需要超过一定金额阈度的管理层签字）。对于序列化或安全关键零件，需见证销毁。
+
+### 根本原因分析
+
+在症状层面停止是质量调查中最常见的失败模式：
+
+* **5个为什么**：简单，适用于直接的过程故障。局限性：假设单一的线性因果链。在处理复杂的多因素问题时失效。每个“为什么”必须用数据而非观点来验证——“为什么尺寸漂移？”→“因为工具磨损了”只有在测量了工具磨损后才有效。
+* **石川图（鱼骨图）**：使用6M框架（人、机、料、法、测、环）。强制考虑所有潜在原因类别。作为头脑风暴框架最有用，可防止过早地集中于单一原因。其本身不是根本原因工具——它产生需要验证的假设。
+* **故障树分析（FTA）**：自上而下，演绎法。从故障事件开始，使用AND/OR逻辑门分解为促成原因。当有故障率数据时可以进行量化。在航空航天（AS9100）和医疗器械（ISO 14971风险分析）环境中是必需或预期的。最严谨的方法，但资源密集。
+* **8D方法论**：基于团队的、结构化的问题解决方法。D0：症状识别和应急响应。D1：团队组建。D2：问题定义（是/不是）。D3：临时遏制。D4：根本原因识别（在8D内使用鱼骨图+5个为什么）。D5：纠正措施选择。D6：实施。D7：防止再发生。D8：团队表彰。汽车OEM（通用、福特、Stellantis）期望针对重大的供应商质量问题提交8D报告。
+* **表明您在症状层面停止的危险信号**：您的“根本原因”包含“错误”一词（人为错误从来不是根本原因——为什么系统允许了错误？），您的纠正措施是“重新培训操作员”（仅靠培训是最弱的纠正措施），或者您的根本原因只是问题陈述的改写。
+
+### CAPA系统
+
+CAPA是法规的支柱。FDA引用CAPA缺陷的次数多于任何其他子系统：
+
+* **启动**：并非每个NCR都需要CAPA。触发因素：重复的不合格品（相同故障模式3次以上）、客户投诉、审核发现项、现场故障、趋势分析（SPC信号）、法规观察项。过度启动CAPA会稀释资源并造成积压。启动不足则会产生审核发现项。
+* **纠正措施 vs. 预防措施**：纠正措施针对已存在的不合格品并防止其再次发生。预防措施针对尚未发生的潜在不合格品——通常通过趋势分析、风险评估或未遂事件识别。FDA期望两者都有；不要混淆它们。
+* **撰写有效的CAPA**：措施必须具体、可衡量，并针对已验证的根本原因。不好的例子：“改进检验程序。”好的例子：“在工位12增加扭矩验证步骤，使用校准的扭矩扳手（±2%），记录在流转单检查表WI-4401 Rev C上，于2025-04-15前生效。”每个CAPA必须有一个负责人、一个目标日期和明确的完成证据。
+* **有效性验证 vs. 有效性确认**：验证确认措施按计划实施（我们安装了防错夹具吗？）。确认确认措施确实防止了再次发生（在90天的生产数据中，缺陷率是否降至零？）。FDA期望两者兼备。在验证阶段关闭CAPA而未进行确认是常见的审核发现项。
+* **关闭标准**：纠正措施已实施且有效的客观证据。最低有效性监控期：过程变更90天，材料变更3个生产批次，或系统变更的下一个审核周期。记录有效性数据——图表、拒收率、审核结果。
+* **法规期望**：FDA 21 CFR 820.198（投诉处理）和820.90（不合格品）输入到820.100（CAPA）。IATF 16949 §10.2.3-10.2.6。AS9100 §10.2。ISO 13485 §8.5.2-8.5.3。每个标准都有具体的文件记录和时限期望。
+
+### 统计过程控制（SPC）
+
+SPC将信号与噪音分离。误读图表比根本不使用图表造成更多问题：
+
+* **图表选择**：X-bar/R用于具有子组的连续数据（n=2-10）。X-bar/S用于子组 n>10。单值-移动极差图（I-MR）用于子组 n=1 的连续数据（批次过程、破坏性测试）。p图用于不合格品比例（可变样本量）。np图用于不合格品数量（固定样本量）。c图用于单位缺陷数（固定机会区域）。u图用于单位缺陷数（可变机会区域）。
+* **能力指数**：Cp衡量过程散布与规格宽度的对比（潜在能力）。Cpk根据中心位置进行调整（实际能力）。Pp/Ppk使用总变差（长期）与Cp/Cpk（使用子组内变差，短期）对比。一个Cp=2.0但Cpk=0.8的过程是有能力的但未居中——修正均值，而非变差。汽车行业（IATF 16949）通常要求已建立过程的Cpk ≥ 1.33，新过程的Ppk ≥ 1.67。
+* **西电规则（超出控制限的信号）**：规则1：一个点超出3σ。规则2：连续9个点位于中心线同一侧。规则3：连续6个点持续上升或下降。规则4：连续14个点交替上下。规则1要求立即采取行动。规则2-4表明存在系统性原因，需要在过程超出规格限之前进行调查。
+* **过度调整问题**：通过调整过程来应对普通原因变异会增加变异性——这就是干预。如果图表显示过程稳定且在控制限内，但个别点“看起来偏高”，请不要调整。仅针对西电规则确认的特殊原因信号进行调整。
+* **普通原因 vs. 特殊原因**：普通原因变异是过程固有的——减少它需要根本性的过程变更（更好的设备、不同的材料、环境控制）。特殊原因变异可归因于特定事件——磨损的工具、新的原材料批次、第二班未经培训的操作员。SPC的主要功能是快速检测特殊原因。
+
+### 入厂检验
+
+* **AQL抽样方案（ANSI/ASQ Z1.4 / ISO 2859-1）：** 确定检验水平（I、II、III——II级为标准水平）、批量、AQL值以及样本量字码。加严检验：连续5批中有2批被拒收后转换。正常检验：默认状态。放宽检验：连续10批被接收且生产稳定后转换。致命缺陷：AQL = 0，并采用相应的样本量。主要缺陷：通常AQL为1.0-2.5。次要缺陷：通常AQL为2.5-6.5。
+* **LTPD（批容许不良品率）：** 抽样方案设计为要拒收的缺陷水平。AQL保护生产者（拒收好批的风险低）。LTPD保护消费者（接收坏批的风险低）。理解双方对于向管理层传达检验风险至关重要。
+* **跳批检验资格：** 供应商证明质量持续稳定（通常在正常检验下连续10批以上被接收）后，可将检验频率降低为每2批、3批或5批检验一次。任何一批被拒收则立即恢复原检验频率。需要正式的资格标准和文件化的决策。
+* **符合性证书依赖：** 何时信任供应商的CoC与执行来料检验：新供应商 = 始终检验；有历史的合格供应商 = CoC + 减少验证；关键/安全尺寸 = 无论历史如何，始终检验。依赖CoC需要文件化的协议和定期审核验证（审核供应商的最终检验过程，而不仅仅是文件）。
+
+### 供应商质量管理
+
+* **审核方法：** 过程审核评估工作执行方式（观察、访谈、抽样）。体系审核评估质量管理体系符合性（文件审查、记录抽样）。产品审核验证特定产品特性。使用基于风险的审核计划——高风险供应商每年一次，中等风险每两年一次，低风险每三年一次，外加基于原因的审核。体系评估采用通知审核；存在绩效问题时，过程验证可采用不通知审核。
+* **供应商记分卡：** 衡量PPM（每百万件不良品数）、准时交付率、SCAR响应时间、SCAR有效性（复发率）以及批接收率。根据业务影响对指标进行加权。每季度分享记分卡。分数驱动检验水平调整、业务分配和ASL状态。
+* **纠正措施要求（CARs/SCARs）：** 针对每个重大不符合项或重复的轻微不符合项发布。要求进行8D或等效的根本原因分析。设定响应期限（通常初始响应为10个工作日，完整的纠正措施计划为30天）。跟进有效性验证。
+* **合格供应商名单（ASL）：** 加入需要资格认证（首件检验、能力研究、体系审核）。维护需要持续的绩效满足记分卡阈值。移除是一项重大的商业决策，需要采购、工程和质量部门达成一致，并制定过渡计划。临时状态（有条件批准）对于处于改进计划中的供应商很有用。
+* **开发与切换决策：** 供应商开发（投资于培训、过程改进、工装）在以下情况下有意义：供应商具有独特能力，切换成本高，合作关系在其他方面良好，且质量差距是可以解决的。在以下情况下切换有意义：供应商不愿投资，尽管有CAR但质量趋势恶化，或者存在其他合格来源且总质量成本更低。
+
+### 法规框架
+
+* **FDA 21 CFR 820 (QSR)：** 涵盖医疗器械质量体系。关键章节：820.90（不合格品），820.100（CAPA），820.198（投诉处理），820.250（统计技术）。FDA审核员特别关注CAPA体系的有效性、投诉趋势以及根本原因分析是否严谨。
+* **IATF 16949（汽车）：** 在ISO 9001基础上增加了客户特定要求。控制计划、PPAP（生产件批准程序）、MSA（测量系统分析）、8D报告、特殊特性管理。过程变更和不合格品处置需要通知客户。
+* **AS9100（航空航天）：** 增加了产品安全、仿冒件预防、配置管理、首件检验（按AS9102）和关键特性管理的要求。使用原样处置需要客户批准。OASIS数据库用于供应商管理。
+* **ISO 13485（医疗器械）：** 与FDA QSR协调一致，但符合欧洲法规要求。强调风险管理（ISO 14971）、可追溯性和设计控制。临床调查要求反馈到不合格品管理。
+* **控制计划：** 为每个过程步骤定义检验特性、方法、频率、样本量、反应计划以及责任方。IATF 16949要求，也是普遍的良好实践。必须是过程变更时更新的活文件。
+
+### 质量成本
+
+使用朱兰的COQ模型构建质量投资的商业案例：
+
+* **预防成本：** 培训、过程验证、设计评审、供应商资格认证、SPC实施、防错夹具。通常占总COQ的5-10%。这里每投资1美元可避免10-100美元的故障成本。
+* **鉴定成本：** 来料检验、过程检验、最终检验、测试、校准、审核成本。通常占总COQ的20-25%。
+* **内部故障成本：** 报废、返工、重新检验、MRB处理、因不合格品导致的生产延误、根本原因调查人力。通常占总COQ的25-40%。
+* **外部故障成本：** 客户退货、保修索赔、现场服务、召回、法规行动、责任风险、声誉损害。通常占总COQ的25-40%，但最具波动性且单次事件成本最高。
+
+## 决策框架
+
+### NCR处置决策逻辑
+
+按此顺序评估——适用的第一条路径决定处置方式：
+
+1. **安全/法规关键性：** 如果不合格品影响安全关键特性或法规要求 → 不得按原样使用。如果可能，返工至完全符合要求，否则报废。未经正式的工程风险评估和（如要求）法规通知，不得有例外。
+2. **客户特定要求：** 如果客户规范严于设计规范，且零件符合设计但不符合客户要求 → 处置前联系客户获取让步。汽车和航空航天客户有明确的让步流程。
+3. **功能影响：** 工程评估不合格品是否影响形状、配合或功能。若无功能影响且在材料评审权限内 → 按原样使用，并附有文件化的工程理由。若存在功能影响 → 返工或报废。
+4. **可返工性：** 如果零件可以通过批准的返工程序恢复至完全符合要求 → 返工。比较返工成本与更换成本。如果返工成本超过更换成本的60%，通常报废更经济。
+5. **供应商责任：** 如果不合格品由供应商造成 → 退货并附SCAR。例外：如果生产不能等待更换零件，可能需要按原样使用或返工，并向供应商追索成本。
+
+### RCA方法选择
+
+* **单一事件，简单因果链：** 5个为什么。预算：1-2小时。
+* **单一事件，多个潜在原因类别：** 石川图 + 对最可能分支进行5个为什么分析。预算：4-8小时。
+* **反复出现的问题，过程相关：** 8D，需要完整团队。预算：D0-D8阶段总计20-40小时。
+* **安全关键或高严重性事件：** 故障树分析，需定量风险评估。预算：40-80小时。航空航天产品安全事件和医疗器械上市后分析需要。
+* **客户强制要求的格式：** 使用客户要求的任何格式（大多数汽车主机厂强制要求8D）。
+
+### CAPA有效性验证
+
+关闭任何CAPA前，验证：
+
+1. **实施证据：** 证明行动已完成的文件化证据（更新的作业指导书及修订版次、已安装的夹具及验证记录、修改的检验计划及生效日期）。
+2. **监控期数据：** 至少90天的生产数据、连续3批生产批次或一个完整的审核周期——以提供最有意义的证据为准。
+3. **复发检查：** 监控期内特定失效模式零复发。如果复发，则CAPA无效——重新打开并重新调查。不要为同一问题关闭并开启新的CAPA。
+4. **先导指标审查：** 除了具体失效，相关指标是否有所改善？（例如，该过程的总体PPM、该产品系列的客户投诉率）。
+
+### 检验水平调整
+
+| 条件 | 行动 |
+|---|---|
+| 新供应商，前5批 | 加严检验（III级或100%） |
+| 正常检验下连续10批以上被接收 | 获得放宽或跳批检验资格 |
+| 放宽检验下1批被拒收 | 立即恢复到正常检验 |
+| 正常检验下连续5批中有2批被拒收 | 切换到加严检验 |
+| 加严检验下连续5批被接收 | 恢复到正常检验 |
+| 加严检验下连续10批被拒收 | 暂停供应商；上报采购部门 |
+| 客户投诉追溯到来料 | 无论当前水平如何，恢复到加严检验 |
+
+### 供应商纠正措施升级
+
+| 阶段 | 触发条件 | 行动 | 时间线 |
+|---|---|---|---|
+| 第1级：发出SCAR | 单一重大不符合项或90天内3次以上轻微不符合项 | 正式的SCAR，要求8D响应 | 10天内响应，30天内实施 |
+| 第2级：供应商观察期 | SCAR未及时响应，或纠正措施无效 | 增加检验，供应商处于试用期，通知采购部门 | 60天内证明改进 |
+| 第3级：受控发货 | 观察期内持续出现质量故障 | 供应商每次发货必须提交检验数据；或由第三方在供应商处进行分选，费用由供应商承担 | 90天内证明持续改进 |
+| 第4级：新来源资格认证 | 受控发货期间无改善 | 启动替代供应商资格认证；减少业务分配 | 资格认证时间线（视行业而定，3-12个月） |
+| 第5级：从ASL移除 | 未能改善或不愿投资 | 正式从合格供应商名单中移除；转移所有零件 | 最终采购订单下达前完成过渡 |
+
+## 关键边缘情况
+
+这些情况中，显而易见的处理方法是错误的。此处包含简要总结，以便您可以根据需要将其扩展为项目特定的操作手册。
+
+1. **客户报告的现场故障，内部未检测到：** 您的检验和测试通过了该批次，但客户现场数据显示故障。本能反应是质疑客户的数据——请抵制这种想法。检查您的检验计划是否覆盖了实际的失效模式。通常，现场故障暴露的是测试覆盖范围的缺口，而不是测试执行错误。
+
+2. **供应商审核发现伪造的符合性证书：** 供应商一直在提交带有伪造测试数据的CoC。立即隔离该供应商的所有物料，包括在制品和成品。这在航空航天领域（根据AS9100仿冒件预防要求）和医疗器械领域可能是需要上报法规部门的事件。响应的规模由遏制范围决定，而非单个NCR。
+
+3. **SPC显示过程受控，但客户投诉在增加：** 控制图稳定在控制限内，但客户的装配过程对您规格内的变异很敏感。您的过程在数字上是"有能力的"，但能力不足。这需要与客户协作以了解真正的功能要求，而不仅仅是规格审查。
+
+4. **已发货产品发现的不合格：** 遏制措施必须延伸到客户的库存、在制品，甚至可能包括客户的客户。通知速度取决于安全风险——安全关键问题需要立即通知客户，其他情况可按标准流程紧急处理。
+
+5. **仅解决症状而非根本原因的CAPA：** 缺陷在CAPA关闭后复发。在重新开启CAPA前，核查原始的根本原因分析——如果根本原因是“操作员失误”，纠正措施是“再培训”，那么无论是根本原因还是措施都是不充分的。重新进行根本原因分析，并假设首次调查是不充分的。
+
+6. **单一不合格存在多个根本原因：** 一个单一缺陷是由机器磨损、材料批次差异和测量系统限制共同作用导致的。5 Whys方法强制要求单一链条——使用石川图或故障树分析来捕捉这种相互作用。纠正措施必须针对所有促成原因；仅修复其中一个可能降低发生频率，但无法消除失效模式。
+
+7. **无法按需复现的间歇性缺陷：** 无法复现 ≠ 不存在。增加样本量和监控频率。检查环境相关性（班次、环境温度、湿度、相邻设备的振动）。变异分量研究（包含嵌套因子的测量系统分析）可以揭示间歇性测量系统的贡献。
+
+8. **在监管审核中发现的不合格：** 不要试图淡化或辩解。承认发现的问题，在审核回复中记录，并像对待任何NCR一样处理——进行正式调查、根本原因分析和CAPA。审核员会专门测试您的系统是否能发现他们找到的问题；展示一个强有力的回应比假装这是异常情况更有价值。
+
+## 沟通模式
+
+### 语气调整
+
+根据情况的严重程度和受众调整沟通语气：
+
+* **常规NCR，内部团队：** 直接且客观。“NCR-2025-0412：零件7832-A的来料批次4471外径测量值为12.52mm，而规格为12.45±0.05mm。50个抽样件中有18个超出规格。材料已隔离在MRB笼3号仓。”
+* **重大NCR，向管理层报告：** 首先总结影响——生产影响、客户风险、财务损失——然后是细节。管理者需要先知道这意味着什么，然后才需要知道发生了什么。
+* **供应商通知（SCAR）：** 专业、具体且有记录。说明不合格、违反的规格、影响，以及期望的回复格式和时限。切勿指责；让数据说话。
+* **客户通知（已发货产品的不合格）：** 首先说明已知情况、已采取的措施（遏制）、客户需要做什么，以及全面解决的时间表。透明建立信任；拖延则破坏信任。
+* **监管回复（审核发现）：** 客观、负责，并按照监管期望（例如FDA 483表回复格式）结构化。承认观察项，描述调查，说明纠正措施，提供实施和有效性的证据。
+
+### 关键模板
+
+以下是简要模板。在使用前，请根据您的MRB、供应商质量和CAPA工作流程进行调整。
+
+**NCR通知（内部）：** 主题：`NCR-{number}: {part_number} — {defect_summary}`。说明：发现的问题、违反的规格、受影响的数量、当前遏制状态以及范围的初步评估。
+
+**给供应商的SCAR：** 主题：`SCAR-{number}: Non-Conformance on PO# {po_number} — Response Required by {date}`。包含：零件号、批次、规格、测量数据、受影响数量、影响说明、期望的回复格式。
+
+**客户质量通知：** 首先说明：已采取的遏制措施、产品可追溯性（批次/序列号）、建议客户采取的行动、纠正措施时间表，以及可直接联系的质量工程师。
+
+## 升级协议
+
+### 自动升级触发条件
+
+| 触发条件 | 行动 | 时间表 |
+|---|---|---|
+| 安全关键不合格 | 立即通知质量副总裁和法规事务部门 | 1小时内 |
+| 现场失效或客户投诉 | 指定专门调查员，通知客户团队 | 4小时内 |
+| 重复NCR（相同失效模式，3次以上发生） | 强制启动CAPA，管理层评审 | 24小时内 |
+| 供应商伪造文件 | 隔离所有供应商材料，通知法规和法律部门 | 立即 |
+| 已发货产品的不合格 | 启动客户通知协议，进行遏制 | 4小时内 |
+| 审核发现（外部） | 管理层评审，制定回复计划 | 48小时内 |
+| CAPA逾期超过目标日期30天 | 升级至质量总监以分配资源 | 1周内 |
+| NCR积压超过50项未关闭 | 流程评审，资源分配，管理层简报 | 1周内 |
+
+### 升级链
+
+级别1（质量工程师） → 级别2（质量主管，4小时） → 级别3（质量经理，24小时） → 级别4（质量总监，48小时） → 级别5（质量副总裁，72+小时 或 任何安全关键事件）
+
+## 绩效指标
+
+每周跟踪这些指标，并每月进行趋势分析：
+
+| 指标 | 目标 | 红色警报 |
+|---|---|---|
+| NCR关闭时间（中位数） | < 15个工作日 | > 30个工作日 |
+| CAPA按时关闭率 | > 90% | < 75% |
+| CAPA有效率（未复发） | > 85% | < 70% |
+| 供应商PPM（来料） | < 500 PPM | > 2,000 PPM |
+| 质量成本（占收入百分比） | < 3% | > 5% |
+| 内部缺陷率（过程中） | < 1,000 PPM | > 5,000 PPM |
+| 客户投诉率（每百万件） | < 50 | > 200 |
+| 超期NCR（> 30天未关闭） | < 总数的10% | > 总数的25% |
+
+## 其他资源
+
+* 将此技能与您的NCR模板、处置权限矩阵和SPC规则集结合使用，以确保调查人员每次使用相同的定义。
+* 在使用工作流进行生产前，请将CAPA关闭标准和有效性检查证据要求放在工作流旁边。