当您完成了多因子实验并构建了二阶数学模型后，三维响应面图能帮您将复杂的数学关系转化为直观的空间曲面。它最适合用来展示两个关键因子如何共同影响您的最终结果，让您一眼看清工艺窗口的峰值、谷值或鞍点所在，从而更科学地进行决策。
直观呈现多因子交互
三维响应面图通过将两个核心因子设为坐标轴（X 和 Y），将响应结果映射为曲面的高度（Z），让原本抽象的二阶多项式方程变得清晰可见。这种可视化方式能即刻揭示因子间的耦合效应，比如温度的升高是否会放大压力的影响。
通过 Lattice 的自动渲染，您无需手动计算坐标点。模型会自动计算网格范围内的预测值，并以平滑的曲面形式展现出来，帮助您快速捕捉工艺过程中的非线性变化趋势。
科学锁定工艺窗口
在工艺优化阶段，寻找“最优点”是核心目标。三维响应面图能够明确指示曲面的最高点或最低点。如果响应面呈现出山峰状，您可以通过观察曲面的顶点迅速定位最优工艺参数；若呈现出鞍形，则说明响应在不同方向上存在不同的演化逻辑。
除了观察形状，工具还会自动标记模型中的固定因子，确保每一张图都基于模型的最优预测前提。这种严谨的对照方式，让您在探索设计空间时更有信心。
模型诊断与视觉反馈的结合
虽然图形化展示非常直观，但它始终基于您的拟合模型。在生成三维响应面图的同时，系统会自动参考模型拟合的 R² 以及其他诊断指标。如果图形看起来异常扭曲或不合理，建议先回到模型诊断阶段，检查是否存在极端离群点或数据分布不均的问题。
Lattice 的工具设计原则是将统计分析与可视化解耦，确保您在阅读图形时，背后有坚实的数据模型支撑，而非仅仅依赖视觉猜测。
1 · Intent → method
An LLM picks rsm_plot_surface 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.
三维响应面图和等高线图的区别是什么？
两者展示的是相同的数据网格。等高线图采用俯视视角，适合精确查找特定数值的工艺窗口；三维响应面图则提供空间视角，能更直观地表现出曲面的弯曲程度（如是否存在极值点或山脊）。
如果三维响应面图上出现了一些离散的点，这些点是什么？
这些点是您在实验中实际测得的训练数据。它们被投射在三维空间中，仅供参考。请注意，受视角影响，三维空间可能产生视觉上的深度错觉，请结合统计模型数据进行判断。
Tool 输入字段
Schema for rsm_plot_surface not exported yet (run pnpm export:registry).