정보
이 스킬은 GC 및 HPLC 시스템의 크로마토그래피 분리 문제를 체계적으로 진단하고 해결합니다. 분석 증상을 평가하고, 피크 모양 및 머무름 시간 문제의 근본 원인을 식별하며, 통제된 변수별 접근법을 사용하여 표적 해결책을 구현하도록 개발자를 지원합니다. 분석 방법에서 분리도 저하, 피크 이상 현상 또는 시스템 적합성 실패 문제를 해결할 때 사용하십시오.
빠른 설치
Claude Code
추천npx 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-separationClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
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 저장소
Frequently asked questions
What is the troubleshoot-separation skill?
troubleshoot-separation is a Claude Skill by pjt222. Skills package instructions and resources that Claude loads on demand, so Claude can perform troubleshoot-separation-related tasks without extra prompting.
How do I install troubleshoot-separation?
Use the install commands on this page: add troubleshoot-separation to Claude Code as a plugin, or clone its repository into your skills directory, then restart Claude so it picks up the skill.
What category does troubleshoot-separation belong to?
troubleshoot-separation is in the Other category, tagged general.
Is troubleshoot-separation free to use?
Yes. troubleshoot-separation is listed on AIMCP and free to install. It runs inside Claude, so no separate service account is required to use the skill itself.
연관 스킬
LlamaGuard는 폭력 및 혐오 발언 등 6가지 안전 범주에서 LLM 입력과 출력을 조정하기 위한 Meta의 70-80억 파라미터 모델입니다. 94-95% 정확도를 제공하며 vLLM, Hugging Face 또는 Amazon SageMaker를 사용해 배포할 수 있습니다. 이 기술을 사용하여 AI 애플리케이션에 콘텐츠 필터링 및 안전 가드레일을 손쉽게 통합하세요.
이 Claude Skill은 리소스 적정화, 태깅 전략, 지출 분석을 통해 개발자들이 클라우드 비용을 최적화할 수 있도록 지원합니다. AWS, Azure, GCP에서 클라우드 비용을 절감하고 비용 거버넌스를 구현하기 위한 프레임워크를 제공합니다. 인프라 비용을 분석하거나, 리소스를 적정화하거나, 예산 제약을 충족해야 할 때 사용하세요.
이 Claude Skill은 스프레드, 오버/언더, 프로프 베트를 포함한 스포츠 베팅 시장을 분석합니다. 역사적 추이와 상황별 통계를 검토하여 가치 베트를 발견하고, 교육적 목적으로 실행 가능한 권장 사항이 담긴 구조화된 마크다운 결과를 제공합니다. 개발자는 이 기능을 스포츠 베팅 분석 도구에 활용할 수 있으며, 단순히 엔터테인먼트/교육 목적으로만 설계되었음을 유의해야 합니다.
이 스킬은 bitsandbytes를 사용하여 LLM을 8비트 또는 4비트 정밀도로 양자화하며, 최소한의 정확도 손실로 50-75%의 메모리 감소를 달성합니다. 제한된 GPU 메모리에서 더 큰 모델을 실행하거나 추론을 가속화하는 데 이상적이며, INT8, NF4, FP4와 같은 형식을 지원합니다. 이 스킬은 HuggingFace Transformers와 통합되어 QLoRA 학습 및 8비트 옵티마이저를 가능하게 합니다.
