Related MCP server: ML Research MCP
二进制图 | 属性图 | P-图 |
|
|
|
工具 | 描述 |
| 一次调用完成全面分析：摘要 + 二进制图 + 所有 PIN 图 + P-图 |
| 基本晶圆摘要（良率、通过/失败计数、PIN 列） |
| 二进制通过/失败晶圆图（BIN=0 → 青色，否则 → 黑色） |
| 单个 PIN 列的连续值热图（蓝色 → 红色） |
| 每个晶圆的 PIN 列正态概率图 |
CSV 或 ZIP（包含且仅包含一个 CSV），包含以下列：
BIN, X, Y, WAFER_ID, PIN_1, PIN_2, ..., PIN_NBIN = 0 → 通过，否则失败
X, Y → 晶圆网格上的芯片坐标
PIN_* → 连续测量值
属性图和 P-图边界使用基于 IQR 的边界，以使细微的变化可见：
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-mcp服务器现可在 http://localhost:8001/mcp 访问。
要分析您自己的数据文件，请挂载一个卷：
docker run -p 8001:8001 -v /absolute/path/to/data:/data wafer-mcp
# then pass file_path="/data/your_wafer.zip" when calling tools要求： Python 3.10+
pip install -r requirements.txt
python server.py项目附带了一个示例数据集 sample_data/sample_1.zip。
位置 | 路径 |
本地 |
|
Docker |
|
快速冒烟测试（Docker）：
# inside the container the sample lives at /app/sample_data/sample_1.zip
# call any tool with this file_path to verify everything works该服务器使用 Streamable HTTP 传输，因此请在 claude_desktop_config.json 中使用 url 格式：
{
"mcpServers": {
"wafer-map": {
"url": "http://localhost:8001/mcp"
}
}
}步骤：
启动 MCP 服务器（本地或 Docker）
将上述配置添加到 Claude Desktop
重启 Claude Desktop
让 Claude 分析晶圆数据文件 — 它会自动选择正确的工具
run_wafer_analysis参数 | 类型 | 默认值 | 描述 | |
| str | 必填 | .csv 或 .zip 文件路径 | |
| list[str] | None | None | 要绘制的 PIN 列子集；None = 全部 |
| int | 300 | 输出图像像素大小 |
get_wafer_info参数 | 类型 | 默认值 | 描述 |
| str | 必填 | .csv 或 .zip 文件路径 |
plot_wafer_bin参数 | 类型 | 默认值 | 描述 |
| str | 必填 | .csv 或 .zip 文件路径 |
| int | 300 | 输出图像像素大小 |
plot_wafer_property参数 | 类型 | 默认值 | 描述 | |
| str | 必填 | .csv 或 .zip 文件路径 | |
| str |
| 要可视化的 PIN 列 | |
| int | 450 | 输出图像像素大小 | |
| float | None | None | 覆盖颜色标尺的下界 |
| float | None | None | 覆盖颜色标尺的上界 |
plot_pchart参数 | 类型 | 默认值 | 描述 |
| str | 必填 | .csv 或 .zip 文件路径 |
| str |
| 要绘制的 PIN 列 |
| int | 300 | 输出图像像素大小 |
.
├── 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 传输
晶圆图渲染: PySide6 离屏 QPainter
P-图渲染: 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.
