Related MCP server: ML Research MCP
바이너리 맵 | 속성 맵 | P-차트 |
|
|
|
도구 | 설명 |
| 한 번의 호출로 전체 분석 수행: 요약 + 바이너리 맵 + 모든 PIN 맵 + P-차트 |
| 기본 웨이퍼 요약 (수율, 합격/불합격 개수, PIN 컬럼) |
| 바이너리 합격/불합격 웨이퍼 맵 (BIN=0 → 청록색, 그 외 → 검은색) |
| 단일 PIN 컬럼에 대한 연속 값 히트맵 (파란색 → 빨간색) |
| PIN 컬럼에 대한 웨이퍼별 정규 확률 플롯 |
다음 컬럼을 포함하는 CSV 또는 ZIP (정확히 하나의 CSV 포함):
BIN, X, Y, WAFER_ID, PIN_1, PIN_2, ..., PIN_NBIN = 0 → 합격, 그 외는 불합격
X, Y → 웨이퍼 그리드 상의 다이 좌표
PIN_* → 연속 측정 값
속성 맵과 P-차트 경계는 미세한 변화를 시각화하기 위해 IQR 기반 경계를 사용합니다:
sigma = (P75 - P25) / 1.35
IQR_L = P50 - 6 × sigma
IQR_H = P50 + 6 × sigmadocker build -t wafer-mcp .
docker run -p 8001:8001 wafer-mcp이제 서버를 http://localhost:8001/mcp에서 사용할 수 있습니다.
자신의 데이터 파일을 분석하려면 볼륨을 마운트하세요:
docker run -p 8001:8001 -v /absolute/path/to/data:/data wafer-mcp
# then pass file_path="/data/your_wafer.zip" when calling tools요구 사항: Python 3.10+
pip install -r requirements.txt
python server.py프로젝트에 sample_data/sample_1.zip 경로로 샘플 데이터셋이 포함되어 있습니다.
위치 | 경로 |
로컬 |
|
Docker |
|
간단한 테스트 (Docker):
# inside the container the sample lives at /app/sample_data/sample_1.zip
# call any tool with this file_path to verify everything works이 서버는 Streamable HTTP 전송을 사용하므로 claude_desktop_config.json에서 url 형식을 사용하세요:
{
"mcpServers": {
"wafer-map": {
"url": "http://localhost:8001/mcp"
}
}
}단계:
MCP 서버 시작 (로컬 또는 Docker)
위 설정을 Claude Desktop에 추가
Claude Desktop 재시작
Claude에게 웨이퍼 데이터 파일 분석을 요청하면 자동으로 적절한 도구를 선택합니다.
run_wafer_analysis매개변수 | 타입 | 기본값 | 설명 |
| str | 필수 | .csv 또는 .zip 파일 경로 |
| list[str] | None | 플롯할 PIN 컬럼의 하위 집합; None = 전체 |
| int | 300 | 출력 이미지 픽셀 크기 |
get_wafer_info매개변수 | 타입 | 기본값 | 설명 |
| str | 필수 | .csv 또는 .zip 파일 경로 |
plot_wafer_bin매개변수 | 타입 | 기본값 | 설명 |
| str | 필수 | .csv 또는 .zip 파일 경로 |
| int | 300 | 출력 이미지 픽셀 크기 |
plot_wafer_property매개변수 | 타입 | 기본값 | 설명 |
| str | 필수 | .csv 또는 .zip 파일 경로 |
| str |
| 시각화할 PIN 컬럼 |
| int | 450 | 출력 이미지 픽셀 크기 |
| float | None | 색상 스케일의 하한값 재정의 |
| float | None | 색상 스케일의 상한값 재정의 |
plot_pchart매개변수 | 타입 | 기본값 | 설명 |
| str | 필수 | .csv 또는 .zip 파일 경로 |
| str |
| 플롯할 PIN 컬럼 |
| int | 300 | 출력 이미지 픽셀 크기 |
.
├── server.py # MCP server entry point
├── requirements.txt # Python dependencies
├── Dockerfile # Container definition
├── sample_data/
│ └── sample_1.zip # Bundled sample wafer dataset
├── tools/
│ ├── workflow/
│ │ └── analyze_wafer.py # Orchestrates full analysis
│ ├── information_read/
│ │ └── read_wafer_info.py # Parse CSV/ZIP and compute yield
│ ├── wafer_map/
│ │ ├── wafer_bin_binary_plot.py # Binary map renderer (PySide6)
│ │ └── wafer_item_property_plot.py # Property heatmap renderer (PySide6)
│ └── statistic_plot/
│ └── pchart_plot.py # P-chart renderer (matplotlib)
└── pchart/
└── PchartReportWidget.py # Legacy Qt widget (reference only)MCP: FastMCP — Streamable HTTP 전송
웨이퍼 맵 렌더링: PySide6 오프스크린 QPainter
P-차트 렌더링: matplotlib + scipy + statsmodels
MIT
This server cannot be deployed
List datasets, schemas, run APL queries, and use prompts for exploration, anomalies, and monitoring.
Renders interactive Chart.js charts and dashboards inline in AI conversations.
Renders interactive Chart.js charts and dashboards inline in AI conversations. Supports bar, line, area, pie, doughnut, scatter, and radar charts with multi-chart dashboard grids.
SEO & marketing toolkit for AI agents: GA4, Search Console, AdSense, GTM, PageSpeed, Trends.
