开放接口 · MCP · REST API

让企业 AI 具备专业 SPC 统计分析能力

斌果SPC通过 MCP 标准协议和 RESTful API,把控制图、过程能力和异常判异交给专业统计引擎。企业 AI、MES 和业务系统负责取数与解释,不必重复开发统计计算。

三条入口,共用一套统计引擎

企业 AI、MES 和内置 SPC Agent 都调用斌果SPC完成专业计算,避免统计逻辑重复实现和计算结果不一致。

企业 AI Agent MCP
MES / 业务系统 REST API
内置 SPC Agent 内部工具调用

斌果SPC 专业统计计算引擎

控制图计算 控制图判异 过程能力计算

统一计算逻辑 · 结构化结果 · 私有化部署

MCP 标准协议 企业 AI Agent 按工具调用专业计算。
RESTful API MES 与业务系统按接口集成同一引擎。
专业统计引擎 控制图、判异和过程能力使用同一套逻辑。
私有化部署 计算服务部署在客户服务器,数据不上传斌果云端。
基础设施

不仅是专业SPC软件,
更是企业质量AI应用的统计基础设施。

传统SPC软件主要由质量人员直接操作。随着企业逐步引入AI智能体、数字化生产管理和自动化质量分析,专业统计能力不再只服务于SPC软件本身,而是成为多个业务应用共同需要的基础能力。

斌果SPC通过MCP标准协议和RESTful API,将专业统计计算引擎开放给企业现有系统,让不同应用共享同一套控制图、异常判异和过程能力计算逻辑。

企业无需在每个AI项目中重复开发和维护SPC算法。无论是生产现场的AI助手、MES中的质量分析功能,还是管理层的智能质量报告,都可以根据业务需要调用斌果SPC的专业统计服务。

企业负责业务应用,斌果SPC专注专业统计。

随着企业AI应用不断扩展,斌果SPC可以从一套独立使用的专业软件,进一步成为企业质量分析与智能应用体系中长期复用的统计计算基础设施。

分工

AI 负责理解,斌果SPC负责专业计算

大语言模型把质量问题整理成分析任务,并解释返回结果。控制限、判异和过程能力由固定的统计方法计算,每次调用都走同一套引擎。

模型理解任务

企业 AI 读懂“看这批轴径有没有失控,并计算过程能力”这类要求,再决定向 MES 或检测系统取哪些测量值、调用哪一项统计工具,以及怎样向用户说明结论。

引擎执行计算

子组结构、标准差估计、控制限、判异规则和 Cp、Cpk、Pp、Ppk 由斌果SPC的计算服务完成。Web 系统、内置 Agent、MCP 和 REST API 使用的是同一套结果。

结果可以核对

返回中心线、控制限、绘图点、判异位置和能力指数,并附带来源标识与计算编号。AI 根据这些结构化结果组织回答,计算过程留在调用记录里。

计算能力

三项核心 MCP 统计计算能力

上述功能通过 MCP 工具与 RESTful API 对外提供。企业 AI 可根据分析任务选择并调用相应能力。

控制图计算

接收测量数据和子组大小,计算单值、均值极差、均值标准差等控制图的中心线、控制限和绘图点,供后续判异和展示使用。

控制图判异

按指定判异规则检查绘图点,返回异常点位置和触发的规则。AI 用这些位置说明过程变化,规则本身由统计引擎执行。

过程能力计算

根据测量值与规格限计算 Cp、Cpk、Pp、Ppk 等指标,并带回所用方法。质量评价直接使用这组结果,避免模型各自估算。

使用方式

一个统计引擎,多种使用方式

斌果SPC采用统一的专业统计计算能力,为不同应用场景提供服务。

Web SPC 系统

质量工程师在浏览器里查看控制图、过程能力、实时监控和洞察分析。这是日常使用入口,计算仍由同一套引擎完成。

内置 SPC Agent

在账号权限内用自然语言查询异常项目、能力水平和趋势,由系统内的工具取数并计算。深入了解SPC Agent

MCP 标准接口

企业自己的 AI Agent 先从业务系统取到测量数据,再把数据交给 MCP 工具。适合对话式分析,计算逻辑与内置 Agent 相同。

RESTful API

MES、质量平台和自研系统在固定流程里调用同一套统计接口,把控制图和能力结果写回工单、看板或报表。

调用过程

企业 AI 取数,斌果SPC负责计算

假设企业 AI 收到以下任务:“请分析这批轴径测量数据,生成控制图,检查是否存在失控信号,并计算过程能力指数。”

1

理解任务

识别要做的分析、需要的测量数据和期望返回的统计结果。

2

从企业系统取数

调用 MES、检测系统或业务数据库,取得这批轴径的测量数据。

3

调用 MCP 计算

把测量数据提交给斌果SPC,完成控制图、失控判异和 Cp、Cpk、Pp、Ppk。

4

解释结构化结果

根据引擎返回的统计结果向用户说明结论,而不是自行编写计算代码。

调用示例

MCP 工具 calculate_control_chart

当前已交付的 MCP 工具接收测量数据,返回中心线、控制限、绘图点和判异结果。下面是一次单值控制图调用的请求与返回结构。

AI → MCP 请求参数
{
    "chart_type": "1",
    "sizes": 1,
    "data": [
        0.00358,
        0.00339,
        0.00397,
        0.0051,
        0.00461,
        0.00374,
        0.00465,
        0.00327,
        0.00269,
        0.00365,
        0.00478,
        0.00391,
        0.00386,
        0.00458,
        0.00412,
        0.00422,
        0.00439,
        0.00301,
        0.00322,
        0.00502,
        0.00378,
        0.00385,
        0.00469,
        0.00426,
        0.0039
    ],
    "UCL": "",
    "LCL": "",
    "center": "",
    "rules": "",
    "UseConfCL": "no",
    "mark_point": 0,
    "extreme_item_id": 1541,
    "user_rules": [
        [
            "1",
            [
                1,
                "",
                "3"
            ]
        ],
        [
            "11",
            [
                1,
                "",
                "",
                "",
                ""
            ]
        ]
    ],
    "lg": "zh",
    "get_chart": 0
}
MCP → AI 返回结果
{
    "OOC": 0,
    "OOS": 0,
    "center": 0.0040096,
    "chart": "",
    "chart_type": "1",
    "data_c_minus": null,
    "data_c_plus": null,
    "error": "",
    "execution_time": 0.005928,
    "extreme_judgment_debug": {
        "baselines": null,
        "extreme_item_id": 1541,
        "last_point_index": 24,
        "last_point_value": 0.0039
    },
    "lcl": 0.0021346000000000004,
    "ooc_denominator": 25,
    "ooc_numerator": 0,
    "oos_denominator": 25,
    "oos_numerator": 0,

    "pearson": null,
    "rules": [
        "1个点远离中心线超过3倍标准差",
        "1个点超出规格限"
    ],
    "sizes": 1,
    "spec_center": null,
    "ucl": 0.0058846,
    "user_rules": [
        [
            1,
            [
                1,
                "",
                "3"
            ]
        ],
        [
            11,
            [
                1,
                "",
                ""
            ]
        ]
    ],
    "violating_points": {},
    "violating_points_details": {},
    "violating_points_for_echart": {},
    "violating_points_index": []
}

这是一次单值控制图(chart_type 为 1)的实际返回。中心线 center 为 0.0040096,控制上限 ucl 为 0.0058846,控制下限 lcl 为 0.0021346。25 个点均未触发规则,violating_points 为空,OOC 与 OOS 均为 0。

集成场景

接到企业已经在用的系统上

调用方负责准备测量数据。斌果SPC返回统计结果,由原来的 AI 平台或业务系统继续展示、流转和存档。

企业 AI 平台

在内部 Agent 里增加 SPC 工具。用户用自然语言提问,平台自己取数,再把测量值提交给 MCP,用返回的控制限和能力指数组织回答。

MES 制造执行系统

批次完工或检验完成时,MES 把该批测量值通过 API 送入统计引擎,把失控点和能力结果写回工序、工单或质量门。

质量数据分析平台

平台保留自己的报表和权限。稳定性、判异和 Cp、Cpk 改为调用斌果SPC,避免各模块各写一套公式。

企业自研业务系统

自研程序按接口传入数据和规格限,取回结构化结果。统计规则的维护留在斌果SPC,业务系统只处理调用和展示。

私有部署

私有化部署,满足企业数据安全要求

斌果SPC支持企业服务器私有化部署,专业统计引擎和 MCP 服务可以部署在客户管理的环境中。

部署在企业服务器

专业统计引擎和 MCP 服务运行在客户管理的环境中,由企业选择网络与访问方式。

计算留在客户侧

控制图、判异和过程能力由客户部署的斌果SPC完成,生产数据不上传斌果云端。

接入现有系统

可与企业 IT 系统、AI 平台和业务应用集成,沿用企业已有的安全策略。

访问由企业控制

服务监听、网络边界和调用范围按企业要求管理,不默认对公网开放。

使用外部云端 AI 时,数据是否离开企业网络取决于具体集成架构和数据传输方式。私有化部署保证计算服务在客户侧,不表示每一次云端模型调用都自动不出内网。
集成与授权

面向企业 IT 与 AI 开发团队

质量人员继续使用 Web 和内置 Agent。IT 与 AI 团队通过 MCP 和 REST API,把同一套统计能力接到现有平台。

沿用现有系统

AI Agent 使用 MCP,MES 和业务系统使用 REST API。两边调用的都是 SPC Agent 正在使用的统计工具,接口字段与 Web 端计算保持一致。

按网络选择接入

本机由 AI 客户端以 stdio 拉起进程。多台设备要通过网络共用时,服务以 Streamable HTTP 常驻在客户服务器,默认端口 8765,监听地址由企业指定。AI 平台若不能直接使用 Streamable HTTP,由企业侧网关完成协议转换。

企业内部使用

员工使用系统、内部 MES 调用 API、内部 AI 调用 MCP,都属于企业自己的生产数据分析。调用次数不另行计价。

对外提供计算另行约定

把统计引擎嵌入对外销售的软件,或代其他企业提供 SPC 计算,需要单独约定 OEM 授权范围。企业 IT 可联系我们核对接口字段、部署条件和授权边界。

常见问题

关于 MCP、数据安全与集成方式

我直接把测量数据发给 AI,和调用你们的 MCP 有什么区别?

直接把数据发给通用大模型时,控制限、判异和过程能力往往由模型自行推算或写代码计算,方法、常数和判异规则容易不一致,也难以复现和审计。通过 MCP 调用斌果SPC时,企业 AI 先从企业系统取数,再把测量数据交给专业统计引擎;返回的是结构化结果(中心线、控制限、判异点、Cp/Cpk/Pp/Ppk 等),与 Web 端、内置 Agent 使用同一套计算逻辑。

数据安全性如何保证?测量数据会不会上传到斌果云端?

斌果SPC与 MCP 服务支持部署在企业自己的服务器或内网环境中,专业统计计算在客户侧完成,生产数据不上传斌果云端。是否还有数据离开企业网络,取决于企业选用的大模型与接入方式:若企业 AI 跑在内网并只调用内网 MCP,测量数据可留在企业可控范围内;若使用公网云端 AI,则需按企业安全策略评估模型侧的数据传输与留存。

MCP 和 RESTful API 该怎么选?

MCP 面向支持工具调用的 AI Agent,适合“理解任务 → 取数 → 调用统计工具 → 解释结果”的对话式工作流。RESTful API 面向 MES、业务系统和其他应用程序,适合在固定业务流程中集成。两者共用同一套专业统计计算引擎,可按场景单独使用或组合使用。

有了 MCP,还需要内置 SPC Agent 吗?

用途不同。内置 SPC Agent 面向质量人员,在斌果SPC账号权限内直接查询异常、能力和趋势;MCP 面向企业自己的 AI 平台与开发集成,由企业 AI 负责取数与编排,斌果SPC负责专业计算。可以只开其一,也可以同时使用。

ChatGPT、豆包等公网 AI 能直接连上我们内网的 MCP 吗?

通常不能直接连上。本机接入使用 stdio,内网多机共用使用 Streamable HTTP,默认只在企业指定的地址上提供。公网 AI 若不能访问该地址,或不支持这两种传输,需要企业自己的 Agent,或由网关把调用转到 Streamable HTTP。

如何确认分析结果来自斌果SPC,而不是模型自己算的?

返回里带有中心线、控制限、判异规则和每个点的判异结果,数值由斌果SPC引擎算出。企业可对照调用日志里的请求与返回,核对这次计算。

MCP 会不会替我们查询 MES 或检测数据库?

不会。当前 MCP 工具接收调用方准备好的测量数据并返回统计结果,不查询企业业务库,也不读取检测项目档案。取数仍由企业 AI 或业务系统完成。

让企业 AI 连接专业 SPC,让专业统计分析融入企业数字化体系。

首页面向质量人员展示自然语言分析;本页面向 IT 与 AI 开发团队,展示可接入的专业 SPC 计算能力。