先看看示例
作者提供的示例，实际效果取决于你的输入和使用工具。
输入
材料有批次 A/B，每批 4 个独立样本；比较低温/高温；每批各处理 2 个；这里只展示编辑分配样例。
输出
编辑示例 · 未运行
| 样本 | 批次 | 处理 |
|---|---|---|
| A1 | A | 高温 |
| A2 | A | 低温 |
| A3 | A | 低温 |
| A4 | A | 高温 |
| B1 | B | 低温 |
| B2 | B | 高温 |
| B3 | B | 低温 |
| B4 | B | 高温 |
设计说明：批次内平衡分配，实际随机化需记录工具、种子与生成顺序；此表不是已运行随机结果。
方法说明
根据处理因素和混杂风险选择随机化、区组、分层或因子设计，产出可复查的实验分配方案。 具体任务 在采数前选择实验设计：依据实验单位、因素、批次和资源，比较随机、区组或析因等方案。 生成分组和运行顺序：明确随机种子、重复与批次安排，避免伪重复和顺序混淆。 必需材料 研究单位和因素/水平 样本池、随机化约束与资源上限 可选材料 可能的批次效应 已有功效或样本量计划 使用门槛 实验单位可明确，允许随机化的范围与研究审批已确认。 这个 Skill 额外提供的方法 将“随机分两组”落实到实验单位和可复现记录，减少采完数据后无法解释。 编辑示例（未运行） 为两批材料安排温度实验 任务：选择区组内随机化以减少批次混淆。 输入： 材料有批次 A/B，每批 4 个独立样本；比较低温/高温；每批各处理 2 个；这里只展示编辑分配样例。 结果片段： | 样本 | 批次 | 处理 | |---|---|---| | A1 | A | 高温 | | A2 | A | 低温 | | A3 | A | 低温 | | A4 | A | 高温 | | B1 | B | 低温 | | B2 | B | 高温 | | B3 | B | 低温 | | B4 | B | 高温 | 设计说明：批次内平衡分配，实际随机化需记录工具、种子与生成顺序；此表不是已运行随机结果。 示例显示区组平衡结构，并如实区分人工示意与正式随机化输出。 此为编辑示例，未安装或运行上游 Skill。 首次任务 根据【研究单位/因素水平】和【样本池/随机化约束/资源】设计实验；验收：实验单位清楚、分配可复现、批次与重复处理明确，功效需求另列。 必需材料：研究单位和因素/水平：【请填写或粘贴】；样本池、随机化约束与资源上限：【请填写或粘贴】 验收方法 随机化单位是否与分析单位一致 批次和顺序效应是否有安排 种子、分配与偏离是否保存 依赖与准备 上游脚本需 Python 3.10+、numpy、pandas、pyDOE3；样本量可另用 statistical-power 相关工具。 使用边界 样本量功效需要单独评估，随机分组不自动保证足够检验能力。 真实受试者研究仍需相应审批，不能把技术分组当伦理许可。 排错 把同一样本多次测量当独立重复：重新识别实验单位，把重复测量纳入对应模型与设计。 处理组与批次完全重合：在批次内安排各处理，或明确无法分离的混杂限制。 固定来源 https://github.com/K-Dense-AI/scientific-agent-skills/blob/49c6e97775eaa18ba791bebe23162a70ae601c18/skills/experimental-design/SKILL.md