当您面对较多实验变量（5-8 个）时，全因子实验所需的组合数会呈指数级增长。部分因子设计通过精简实验步骤，舍弃极高阶的变量间复杂交互，从而以极少的实验运行次数，快速筛选出对结果影响最显著的核心变量，是进行初步探索实验的高效工具。
为什么选择部分因子设计
在复杂的工业或科学实验中，因子数量一旦超过 4 个，全因子设计的实验次数就会急剧膨胀。部分因子设计（Fractional Factorial）提供了一种统计学上的“折中方案”。
通过选择特定的设计子集，您无需跑完所有 2^k 种组合，即可通过 Lattice 的自动化生成获取一份紧凑的实验矩阵。这不仅节省了大量的宝贵实验时间，还能确保在有限的预算内获得足够的观测数据来支撑决策。
控制分辨率：平衡精度与成本
Lattice 允许您根据实验需求选择不同的分辨率。分辨率不仅是一个代号，它直接定义了实验的逻辑结构。
在 III 级分辨率下，实验更加激进，适合在项目初期快速排除无关变量；在 IV 级分辨率下，主要变量的影响被确保独立，避免了与二因子交互的混淆，因此成为大多数工艺改进实验的首选；V 级分辨率则提供了最高级别的细节，适合在关键阶段确认复杂的变量关联。
实验随机化的必要性
在执行由部分因子设计生成的实验矩阵时，随机化执行顺序至关重要。设备漂移、环境温度波动或人员疲劳可能会在固定顺序的实验中引入人为误差。
Lattice 在输出设计矩阵时会自动处理随机化过程，确保每个实验运行都有对应的执行顺序标识。这能有效阻断时间相关变量对实验结果的干扰，保障统计结论的客观性。
1 · Intent → method
An LLM picks doe_generate_fractional_factorial from a fixed catalog.
2 · Method → numbers
Deterministic Python engine runs the math. Same input → same output.
3 · Numbers → plain language
A second LLM translates the result into your domain’s vocabulary.
为什么实验次数会变少？
部分因子设计通过一种精妙的数学组合逻辑，只选取全因子设计中的一个子集。它牺牲了对极高阶交互效应（如 3 因子及以上交互）的区分能力，换取了显著减少的实验样本量。
什么是分辨率（Resolution）？
分辨率决定了实验的“清晰度”。例如，III 级分辨率适合快速筛选，但主效应可能与部分交互项混淆；IV 级分辨率则保证主效应清晰可见，是工业实验中最常用的平衡选择；V 级分辨率则更接近全因子效果，交互效应也更加独立。
Tool 输入字段
Schema for doe_generate_fractional_factorial not exported yet (run pnpm export:registry).