troubleshoot-separation
About
This skill systematically diagnoses and fixes chromatography separation issues in GC and HPLC systems. It helps developers analyze symptoms, identify root causes of peak shape and retention time problems, and implement targeted fixes using a controlled variable-by-variable approach. Use it when troubleshooting resolution loss, peak abnormalities, or system suitability failures in analytical methods.
Quick Install
Claude Code
Recommendednpx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/troubleshoot-separationCopy and paste this command in Claude Code to install this skill
Documentation
色谱分离故障排除
系统地诊断和解决 GC 和 HPLC 分离问题,涵盖症状记录、峰形诊断、保留时间异常调查、基质效应评估,以及使用可控的逐一变量法进行经验证的纠正措施。
适用场景
- 峰出现拖尾、前伸、分裂或比预期更宽
- 保留时间发生偏移或变得不可重复
- 关键对之间的分辨率下降
- 出现基线漂移、鬼峰或负峰
- 灵敏度下降或信噪比恶化
- 之前正常工作的方法现在未通过系统适用性测试
输入
必需
- 问题色谱图:显示问题的当前数据
- 参考色谱图:同一方法的最近良好色谱图,用于对比
- 方法条件:色谱柱、流动相/载气、温度/梯度、检测器、流速
- 系统日志:近期维护、色谱柱更换、流动相配制、仪器事件
可选
- 空白色谱图:最近的空白或溶剂进样
- 系统适用性趋势数据:拖尾因子、分辨率、理论塔板数、保留时间的历史值
- 色谱柱历史:进样次数、样品类型、色谱柱使用时间
- 仪器维护日志:泵密封更换、灯管工时、检测器维修日期
步骤
第 1 步:记录问题
- 精确描述症状:哪些峰受到影响,它们与参考色谱图有何不同。
- 确定问题何时开始:逐渐退化还是突然发生。
- 记录问题是否影响所有峰还是仅影响特定峰。
- 注意问题是否出现在标准品、样品或两者中。
- 收集当前系统适用性数据并与历史趋势进行比较。
- 拍照或导出问题色谱图与参考色谱图并排对比。
预期结果: 记录完整的问题陈述,包含时间线、范围(所有峰 vs. 特定峰、标准品 vs. 样品)以及与参考数据的对比。
失败处理: 如果没有参考色谱图可用,在记录的方法条件下进样新配制的标准品溶液,以在故障排除之前建立当前基线。
第 2 步:诊断峰形问题
使用症状表识别可能的根本原因。
| 症状 | 可能原因 | 解决方案 |
|---|---|---|
| 拖尾 (T > 1.5) | 二次相互作用(硅羟基活性)、接头死体积、色谱柱筛板污染、活性位点过载 | 添加胺改性剂(HPLC)、去活化衬管(GC)、更换筛板、修剪柱入口、减少进样量 |
| 前伸 (T < 0.8) | 色谱柱过载(质量或体积)、样品溶剂与流动相强度不匹配 | 减少进样体积或浓度,用弱溶剂稀释,使用更大内径的色谱柱 |
| 分裂/双峰 | 筛板部分堵塞、柱头空隙、两种多晶形态、异构体互变 | 更换筛板、重填柱头、验证样品稳定性、调节 pH 锁定一种形态 |
| 宽峰(全部) | 柱外展宽、管路内径不当、检测器池体积过大、老化色谱柱、塔板数低 | 最小化柱后管路长度和内径、检查接头、更换色谱柱 |
| 宽峰(早出峰) | 柱头聚焦不良、进样溶剂太强(HPLC)、冷柱上进样(GC) | 使用弱进样溶剂、减少进样体积、提高初始柱温 |
| 宽峰(晚出峰) | 柱上扩散、温度过低(GC)、梯度不够陡(HPLC) | 提高最终柱温、加陡梯度、添加有机溶剂冲洗 |
| 负峰 | 样品溶剂的折射率/吸光度与流动相不同、空位峰(IEX) | 使样品溶剂与流动相匹配、使用不同检测波长 |
| 鬼峰 | 前一次进样的残留、流动相污染、柱流失、隔垫流失(GC) | 运行空白确认、清洗或更换进样系统、过滤/脱气流动相、更换隔垫 |
| 基线漂移(向上) | 柱流失(GC 高温)、梯度洗脱基线偏移(HPLC)、灯不稳定(UV) | 降低最高温度、使用低流失色谱柱(GC)、运行空白梯度表征(HPLC)、更换灯 |
| 基线噪声(高频) | 电干扰、泵脉动、检测器中气泡、检测器污染 | 仪器接地、更换泵密封、脱气流动相、清洗检测器池 |
- 将观察到的症状与上表匹配。
- 通过检查问题是否影响所有峰还是特定峰、是突然出现还是逐渐出现来缩小原因列表。
- 根据系统历史(近期变更、色谱柱使用时间、维护状态)确定最可能的原因优先级。
预期结果: 从症状-原因映射中识别出一到两个最可能的根本原因,按系统历史排列优先级。
失败处理: 如果症状不匹配表中任何行,或同时存在多个症状,问题可能是复合的(例如色谱柱退化加泄漏)。首先解决最明显的问题,然后重新评估。
第 3 步:诊断保留时间问题
| 症状 | 可能原因 | 解决方案 |
|---|---|---|
| 所有峰提前出峰 | 流速增加、柱温升高、流动相更强、色谱柱空隙 | 检查流速设置和实际输出、验证温度、重新配制流动相、检查色谱柱 |
| 所有峰推迟出峰 | 流速降低、柱温降低、流动相更弱、管路部分堵塞 | 检查是否泄漏(压力降低)、验证温度、重新配制流动相、检查在线过滤器 |
| 保留时间漂移(渐进) | 色谱柱退化、流动相蒸发(开放储液瓶)、温度波动 | 更换色谱柱、密封储液瓶、稳定柱温箱、使用柱温控制器 |
| 保留时间不可重复 | 接头泄漏、单向阀故障、自动进样器定时错误、再平衡不充分 | 对接头进行压力测试、更换单向阀、验证自动进样器、增加平衡体积 |
| 保留丧失(k' 接近 0) | 相塌缩(高含水 RP)、色谱柱脱湿、流动相错误、连接反向 | 使用极性嵌入型或 AQ 型色谱柱、用有机溶剂重新润湿色谱柱、验证流动相、检查管路 |
| 共洗脱(之前已分开) | 色谱柱选择性丧失(键合相剥离)、流动相组成变化、温度变化 | 更换色谱柱、验证流动相配制、检查温度设定值与实际值 |
- 确定保留时间偏移是均匀的(所有峰)还是选择性的(特定峰)。
- 均匀偏移指向系统性原因(流速、温度、流动相组成)。
- 选择性偏移指向色谱柱化学变化或特定分析物相关问题。
- 检查仪器压力迹线:突然的压力变化表示泄漏或堵塞。
- 重新进样参考标准品以确认问题是在系统还是样品中。
预期结果: 保留时间异常的根本原因被识别并归类为系统性的(仪器/流动相)或色谱柱相关的。
失败处理: 如果在新色谱柱上重新进样标准品解决了问题,原始色谱柱就是问题所在。如果问题在新色谱柱上持续存在,原因在上游(流动相、仪器或方法参数)。
第 4 步:评估基质效应
- 比较标准品色谱图与样品色谱图:
- 样品中是否有标准品中不存在的额外峰?
- 在特定保留时间窗口中基线是否升高或有噪声?
- 样品中的分析物峰形是否与标准品不同(更宽、拖尾更严重)?
- 对 LC-MS:评估离子抑制/增强:
- 柱后灌注测试:连续灌注分析物同时进样空白基质提取物;分析物信号的下降表示离子抑制区域。
- 如果分析物保留时间与抑制区域重合,修改方法以移动分析物的洗脱位置。
- 检查色谱柱污染:
- 在样品序列之后进样溶剂空白;持续出现的峰表示色谱柱污染。
- 用强溶剂冲洗色谱柱(RP 使用 100% 有机溶剂,或按色谱柱制造商建议)。
- 评估样品制备:
- 进样器脏(自动进样器针、GC 进样口衬管):更换或清洗。
- 样品净化不充分:添加过滤、SPE 或蛋白沉淀步骤。
- 对 GC:检查进样口衬管中的不挥发残留物积累,随时间推移会导致峰拖尾和鬼峰。
预期结果: 基质效应被表征(干扰物的存在/不存在、LC-MS 的离子抑制区域、色谱柱污染状态),并提出可操作的建议。
失败处理: 如果无法用现有数据充分表征基质效应,制备基质匹配校准曲线并与溶剂校准曲线比较斜率。斜率差异 > 15% 表示存在显著的基质效应,需要方法修改。
第 5 步:实施并验证修复
- 每次仅更改一个变量。记录更改了什么以及为什么。
- 每次更改后,重新进样系统适用性标准品并与参考色谱图对比。
- 尝试更改的顺序(从最小到最大破坏性):
- 配制新鲜流动相 / 更换载气瓶
- 更换消耗品(隔垫、衬管、筛板、在线过滤器、灯管)
- 拧紧或更换接头和管路
- 冲洗/再生色谱柱
- 调整方法参数(温度、流速、梯度、pH)
- 更换色谱柱
- 维修仪器(泵密封、单向阀、检测器)
- 一旦识别出修复方案,运行完整的系统适用性测试(n >= 5 次进样)。
- 将所有参数(保留时间、面积、分辨率、拖尾因子、塔板数)与历史规格对比。
- 在仪器/色谱柱日志中记录根本原因、纠正措施和验证结果。
- 如果同一问题再次发生,建立预防性维护计划以主动解决根本原因。
预期结果: 问题已解决,系统适用性参数恢复到规格范围内。根本原因、纠正措施和验证已记录。
失败处理: 如果所有逐一变量更改都未能解决问题,问题可能涉及多个同时发生的故障。同时更换所有消耗品和色谱柱,用新鲜标准品验证,并从新基线重新开始故障排除。如果全部消耗品更换后问题仍然存在,升级到仪器维修。
验证清单
- 问题已记录,包含症状描述、时间线和范围
- 使用症状-原因映射表识别了根本原因
- 故障排除期间每次仅更改一个变量
- 修复已通过系统适用性测试验证(n >= 5 次重复进样)
- 所有系统适用性参数恢复到规格范围内
- 根本原因和纠正措施已记录在日志中
- 识别了预防措施以避免再次发生
常见问题
- 同时更改多个变量:使得无法识别实际根本原因。始终更改一项、测试,然后决定是否更改另一项
- 第一步就更换色谱柱:色谱柱更换昂贵,且可能掩盖真正的问题(例如泄漏、流动相错误或进样口污染)。先排除更简单的可能性
- 忽略仪器日志:许多问题可追溯到最近的维护事件、流动相批次更换或色谱柱更换。始终检查最近更改了什么
- 在没有证据的情况下怪罪样品:先运行参考标准品。如果标准品也显示问题,问题在系统中而非样品中
- 用不相容的溶剂冲洗色谱柱:切勿用纯水冲洗反相色谱柱(导致相塌缩)或用纯水性缓冲液冲洗硅胶 HILIC 色谱柱(不可逆损伤)。遵循制造商的清洗规程
- 不记录尝试过什么:失败的故障排除尝试是有价值的信息。记录每一次更改尝试及其结果,以避免重复不成功的修复并积累机构知识
相关技能
interpret-chromatogram— 理解揭示分离问题的色谱数据develop-gc-method— GC 方法开发,当故障排除需要方法重新设计时相关develop-hplc-method— HPLC 方法开发,当故障排除需要方法重新设计时相关validate-analytical-method— 故障排除期间重大方法变更后可能需要重新验证
GitHub Repository
Related Skills
llamaguard
OtherLlamaGuard is Meta's 7-8B parameter model for moderating LLM inputs and outputs across six safety categories like violence and hate speech. It offers 94-95% accuracy and can be deployed using vLLM, Hugging Face, or Amazon SageMaker. Use this skill to easily integrate content filtering and safety guardrails into your AI applications.
cost-optimization
OtherThis Claude Skill helps developers optimize cloud costs through resource rightsizing, tagging strategies, and spending analysis. It provides a framework for reducing cloud expenses and implementing cost governance across AWS, Azure, and GCP. Use it when you need to analyze infrastructure costs, right-size resources, or meet budget constraints.
quantizing-models-bitsandbytes
OtherThis skill quantizes LLMs to 8-bit or 4-bit precision using bitsandbytes, achieving 50-75% memory reduction with minimal accuracy loss. It's ideal for running larger models on limited GPU memory or accelerating inference, supporting formats like INT8, NF4, and FP4. The skill integrates with HuggingFace Transformers and enables QLoRA training and 8-bit optimizers.
dispatching-parallel-agents
OtherThis Claude Skill dispatches multiple agents to investigate and fix 3+ independent problems concurrently. It is designed for scenarios involving unrelated failures that can be resolved without shared state or dependencies. The core capability is parallel problem-solving, assigning one agent per independent problem domain to maximize efficiency.
