| 名称 | tao-analyze-changenet-rca |
| 描述 | 对NVIDIA TAO Visual ChangeNet分类实验执行深度根因分析（RCA），并以图像证据驱动的调查方式进行。用于分析ChangeNet模型失败原因、调查不良的召回率/FAR/PASS-NO_PASS指标、审计视觉检测流水线质量，或为AOI缺陷检测模型生成RCA报告。触发短语包括“RCA on my ChangeNet model”、“why is my AOI model failing”、“audit ChangeNet predictions”、“investigate FAR regressions”、“root cause analysis on visual-changenet”。 |
| 开源协议 | Apache-2.0 compatibility: 需要 docker + nvidia-container-toolkit。工作流声明额外要求。 metadata: |
| 作者 | NVIDIA Corporation |
| 版本 | “0.1.0” allowed-tools: Read Bash tags: - application - rca - changenet |
TAO ChangeNet 分类 RCA 技能
独立安装？ 如果此会话尚未由 TAO 技能库插件初始化，请先运行
tao-setup技能（主机预检、凭据、跨技能发现）。
您是 NVIDIA TAO Visual ChangeNet 分类实验的专家调查员。您的工作是找到模型失败原因，并以来自实际图像的视觉证据为支撑。
当用户提供实验结果目录和训练代码目录时，执行深度根因分析。调查必须以图像证据为驱动——每个主要结论都应追溯到您查看过的特定图像。
输入
- 实验结果目录 — 包含
train/和inference/ - 训练代码目录 —
visual_changenet/源代码树 - 数据集目录 — CSV 文件和图像所在位置（通常位于 experiment.yaml 中）
- 目标 KPI — 如果未指定，默认为 召回率优先。选项：召回率优先（在100%召回率下的FAR）、FAR优先（在目标FAR下的召回率）、平衡（F1）、自定义。
视觉检查入门
ChangeNet 模型将测试图像与基准图像（已知良好参考）进行比较以检测差异。查看图像时，请检查以下三点：
- 图像质量：两张图像都应曝光适当且包含可见内容。注意异常暗的图像——但不要使用固定的强度阈值。某些照明类型（如SolderLight）会系统性产生暗图像，此时平均强度 < 30 是正常的。始终先建立PASS基准基线，然后相对该基线标记离群值。
- 取景匹配：测试图像和基准图像应显示相同区域，且具有相同的缩放和方向。取景不匹配（例如，广角与特写）表明基准流水线错误。
- 缺陷可见性：您能否看到测试图像与基准图像之间的差异？某些缺陷在任何分辨率下都很明显；但其他缺陷在缩小到模型输入尺寸后可能不可见。比较原始图像尺寸与模型输入尺寸，以评估信息损失。
调查流程
调查有5个阶段。阶段1（数字）给出假设。阶段2（图像）证明或反驳它们。阶段3（跨维度）发现隐藏模式。阶段4（配置）解释机制。阶段5（反事实）量化修复效果。阶段2是核心——在那里投入最多精力。阶段5最具可操作性——切勿跳过。
- 阶段1 — 分数分析：分数统计、分层分类、阈值扫描、按缺陷类型表、drop-N阈值关键性分析、KPI判定。
- 阶段2 — 深度图像调查：阈值关键样本深入探究（2A）、系统性基准审计 + 故障模式聚类（2B）、误报深入探究（2C）、比较视觉分析（2D）、标签语义与视觉模式对齐审计（2E）。
- 阶段3 — 跨维度分析：组件类型聚类（3A）、板级与位置分析（3B）、训练图像深入探究（3C）、多光源条件分析（3D）。
- 阶段4 — 数据与训练配置分析：数据充分性（4A）、训练配置审计（4B）、训练指标（4C）、损失函数与决策边界分析（4D）。
- 阶段5 — 反事实与可操作性：假设模拟（5A）、最小可行修复路径（5B）。
有关完整的逐阶段、逐步骤说明、图像路径构建规则、所有分类法和严重性指导，以及架构参考（模块公式、采样器加权、LR策略、数据集类），请参阅 references/investigation-phases.md — 每个值都必须逐字引用。
执行：使用子代理并行化
您必须使用Agent工具并行运行独立的调查轨道。 首先在主线程中顺序运行阶段1（所有内容都依赖它），然后在单条消息中启动6个子代理（A–F），收集并综合他们的结果（特别注意探索性子代理E和F），然后自己运行阶段5，最后撰写报告。
在编写 RCA_Report.md 之前，运行 ls rca_images/ 以盘点缩略图，并遵循强制图像嵌入协议：每个视觉证据表格行都必须使用  语法包含内联缩略图列——没有逐行图像的报表是不完整的，hook将拒绝它。
有关完整执行计划，请参阅 references/parallelization.md：阶段1交接内容、每个代理的精确检查清单（A–F，包括两个探索性子代理）、图像嵌入协议规则和表格格式、探索性发现部分、子代理提示模板，以及必需的缩略图映射返回格式 — 全部逐字引用。
报告结构和输出
生成包含1-9节内容的 RCA_Report.md：判定、分数分析、视觉证据（含嵌入式缩略图）、跨维度分析、数据问题、训练配置问题、探索性发现、反事实影响分析，以及建议修复方案。
始终保存到实验结果目录下的带时间戳文件夹中：
<experiment_result_dir>/rca_results/YYYY-MM-DD_HHMMSS/
├── RCA_Report.md
├── rca_images/
├── rca_config/
└── claude_session.jsonl
通过在Bash中运行 date +%Y-%m-%d_%H%M%S 获取真实时间戳 — 切勿硬编码或猜测。如果用户指定了自定义路径，则使用该路径，但保持相同的目录结构。
有关完整的逐部分报告骨架（每个表头和摘要行）以及完整输出布局（包含hook复制的内容），请参阅 references/output-structure.md — 全部逐字引用。