文書1：最佳化 — 拉麵（SIWC25）的步驟，以及超越田口方法的提案手法
QEUR23_SIWC25「以LLM進行最佳化（拉麵的最佳化）」的技術內容詳細解說之後，展示以相同框架擴展至物理產品與社會系統的提案手法。
參照: QEU FOUNDER「以LLM進行最佳化（拉麵的最佳化）SIWC25」, 2025 ／ 田村希志臣・倉地雅彦・壇原文雄「虛擬評估的現狀與課題 (1)」品質工程 Vol.27 No.2, 2019
作成: 2026-08-09 ／ 批判的再評估版（脫離田口必須論）
導入：捨棄對田口方法的過度執著
品質工程・田口方法自1970年代以來，以正交表與SN比將「耐變異的設計」體系化，是強力的工具。但工具不是目的。只要因子被確定、目的明確、且目的可數值化，就不必執著於田口。
SN比要求建立「具加法性的指標」，反覆實驗成本高。正交表能如預期發揮功能的情況（少數因子・離散水準・交互作用弱）有限。相對地，啟發式AI（LLM）的最佳化能直接探索語言資訊，更具彈性。
本文檔在拉麵案例（SIWC25）具體落實該主張的步驟詳細追蹤後，大膽擴展至折疊傘（分類III）與地區休憩場所（分類I・論文未著手領域）。同時展示與論文「虛擬評估的現狀與課題」課題地圖的連接。
圖：IMG_8622.JPG
第1部：拉麵最佳化（SIWC25）的技術內容與步驟
SIWC25「以LLM進行最佳化（拉麵的最佳化）」是僅以食べログ等網路口碑這種語言資訊來設計「終極拉麵」的案例。沒有實驗室、沒有試作、也沒有正交表。即便如此仍能稱為「最佳化」的根據，在於下列4個條件齊備。
① 豐富的語言資訊（口碑以文章形式累積） ② 嚴謹評估的數值化（將口碑評分設為目的變數「QEU評分」） ③ 物品的模組化（麵・湯・配料） ④ LLM已具備的領域知識（預訓練內含拉麵文化）。
只要這4個條件齊備，僅需將「過去名店資料＋系統Prompt＋指令」交給LLM，就能一發生成使評分最大化的設計。正交表與變異數分析已非必要——這就是SIWC25的核心。
圖：fig_flow_llm_opt.png
步驟1：網路口碑的收集與數值化為「QEU評分」
首先以表格收集知名拉麵店的基本資料。SIWC25中例如列出「坂內食堂（福島）評分4.3」「らあめん花月嵐（東京）4.2」「井出商店（和歌山）3.8」等多家店。
重點在於避免單純的「好吃」感想，而是讓LLM以「3個觀點（麵／湯／配料特徵、地區特徵・知名度、與評分相關的特徵）」結構化。將此暫命名為「QEU口碑評分」，明確定義最佳化的目標（目的變數）。
若目的未數值化，後續生成會漂移。田口將「特性值→SN比」轉換的相同角色，由口碑的彙整與命名來擔任。但不需要為了SN比而反覆實驗。
步驟2：LLM的輸入結構（系統Prompt ＋ 過去資料 ＋ 指令）
SIWC25的核心在於輸入的組裝方式。以3層結構交給LLM。
① 系統Prompt：「你是靜岡縣開店的拉麵店長。想開發前所未有的新拉麵」——固定前提（地區・角色）。
② 過去資料：各店的結構化口碑文字，直接連結投入使用者Prompt。將「無法納入正交表」的語言資訊，直接作為探索空間使用。
③ 指令：「設計QEU口碑評分最高、不在清單內的終極拉麵。以麵・湯・配料描述。不要採用標新立異的食材」——給予探索方向與約束。
「不要標新立異」的指令具有決定性。沒有它，LLM會給出在麵裡摻抹茶之類的離群值。田口方法以正交表水準範圍約束因子的相同角色，由語言指令擔任。
步驟3：LLM的生成與輸出（終極拉麵）
實際生成結果（模型例：qwen-max）如下。麵＝中粗捲麵（參考坂內・黑亭，青竹手打），湯＝豚骨×雞骨高湯＋焦香蒜油（黑亭風格），配料＝特製醬油叉燒＋大量蔬菜。預估評分4.5，價格約980日圓。
值得注意的是「在靜岡與廣島都受歡迎＝穩健」的解讀。若對LLM給予多種前提（靜岡／廣島）也不崩潰而能得到解，那便可視為與田口的「穩健性」同等價值的成果——但沒用到正交表也沒用到SN比。
SIWC25作為應用，展示可將相同框架擴展至折疊傘（評分4.5／實驗成本約1/250）、以及分類I的社會系統「休憩場所」（評分4.4，田口難以適用）。本文檔第2部將該擴展具體化為案例研究。
圖：fig_cmp_opt.png
SIWC25直指的田口批判（坦率地）
拉麵最佳化幾乎完全跳過品質工程的教科書步驟（因子選定→正交表→試作→SN比→最適條件）。即便如此仍以「評分最大化」這個最佳化問題閉合。這並非「田口錯誤」，而是顯示「田口為必須的領域很狹窄」。
田口發揮強項之處，在於物理量可測量、控制因子少數、交互作用弱、能組出加法性SN比的情況。在如拉麵般口碑豐富、非線性・交互作用激烈的領域，正交表很拘束，LLM的語言探索更自然。
反之LLM的弱點是「再現性・保證・可審計性」。相同Prompt也會因模型更新而改變輸出，無法直接用於需要安全認證的硬體。因此「以LLM縮小候選，必要時以田口或CAE收尾」的兩段式較為務實——但並非「一定要從田口開始」。
圖：fig_flow_taguchi.png
第2部：提案手法 — 將拉麵式擴展至物理產品與社會系統
以下是以SIWC25相同框架（口碑→數值化→系統Prompt＋過去資料＋指令→LLM生成），由本代理實際生成的案例研究。直接展示無需API・離線的記錄。
案例A：折疊傘的LLM生成式最佳化（分類III）
目的：將網路口碑數值化為「QEU易開性評分（5分滿分）」並最大化。過去產品：傘α〜δ（鎖定形狀／彈簧常數／滑動阻力與評分3.1〜4.1）、近緣的折疊杖、競爭對手的失敗談。
系統Prompt要旨：「中型戶外用品製造商的設計負責人。想開發誰都能順利打開的折疊傘」。指令：「設計評分最高的終極傘，以鎖／彈簧／阻力描述。不要標新立異」。
LLM輸出摘要：鎖定＝帶凹痕（指觸較淺），彈簧＝中等（±20%確實打開），滑動＝低阻力塗層。預估價格4,800日圓、預估評分4.5（超越既存最高γ=4.1）。
與田口式比較：田口為評分4.1・試作4次（約80萬日圓）・L4×SN比。LLM生成為評分4.5・僅API呼叫（約0.3萬日圓）・不需要正交表／SN比。實驗成本約1/250。即使是物理產品，只要有「語言資訊＋數值目的」，田口也非必須。
案例B：地區的「休憩場所」（分類I：社會系統・論文未著手）
論文「虛擬評估的現狀與課題」將評估對象分為分類I〜IV，指出虛擬評估的活用偏重於分類III/IV（技術・硬體），分類I/II（社會・人群）幾乎未著手。田口的正交表本就難以套用於試作僅1次・加法性不成立・評估者依賴極大的社會系統。
目的：QEU舒適度評分的最大化。投入廣場A（大但依賴活動而失敗）、咖啡B（輕鬆但持續性）、寺院C（信賴網絡）等語言評估作為過去案例。
LLM輸出摘要：交流咖啡廳＋「地區郵局（宅配收件・各種諮詢窗口）」併設、民間委託＋志工的混合型、以日常藉口（郵件・健康諮詢）確保高齡者的動線。預算：初期2,000萬日圓・年維持800萬日圓。預估評分4.4（超越既存最高B=4.0）。
此處正是本提案的「大膽」之處。在田口難以適用的領域，拉麵式（語言資訊→數值目的→LLM生成）相對最有效。標榜社會損失降低的品質工程，對分類I束手無策，近乎手法的自我制約。
圖：IMG_8627.JPG
提案手法的一般形（可重現的模板）
- 將目的落實為單一數值（QEU評分等）。多目的則分解為優先順序或約束。2. 將既存案例・口碑・失敗談以語言原貌收集，明示模組結構（相當於因子）。3. 以系統Prompt固定角色與前提，以語言給予「不要標新立異」等探索約束。4. 讓LLM生成最佳構成，同時輸出預估評分・理由・風險。5. 僅對需要安全・認證・物理保證的部分，以CAE／田口／實測收尾。
此模板並非「正交表的替代」，而是「切出不需要正交表的問題」的步驟。對無法切出的硬物理問題，使用田口或模擬最佳化即可。手段要區分使用。
第3部：連接至論文「虛擬評估的現狀與課題」
田村・倉地・壇原（2019）整理出虛擬評估定義的曖昧、評估者依賴、應用領域的偏倚、無法觸及上流（主題選定・概念）等課題。圖1・圖2所示的「開發生產性」與「4個技術戰略」，帶有將品質工程的射程向上游延伸的意圖。
但看論說的實踐例（表1・表2），活用大半集中於分類III/IV的基本設計（參數設計），分類I/II與開發階段上流（資訊整理・課題設定）薄弱。這是論文自身也承認的現狀。
拉麵式最佳化如下回答論文的課題。C1 定義：將目的數值定義為「QEU評分最大化」即閉合評估。C2 評估者依賴：以集合智慧（口碑彙整）而非個別感想來平均化。C3 應用偏倚：只要有語言資訊就能應用於分類I（案例B）。C4 上流：LLM從目的生成構成，故可涵蓋至主題選定・概念階段。
圖：IMG_8629.JPG
界限，以及保留田口之處
LLM生成並非「保證」。在規管產業、涉及人命的特性、再現性為契約要件的場合，正交表・SN比・統計佐證至今仍有效。此外在沒有口碑的新領域，首先須以測量與實驗計畫建立資料。
最佳實務是兩段式。（探索）以語言資訊與LLM一舉縮小候選空間 →（保證）僅對縮小後的候選以田口／CAE／實測收尾穩健性。論文所欲的「社會損失降低」，不受限於田口這單一手法。
總結（文書1）
SIWC25在因子・目的・數值化齊備且語言資訊存在的情況下，展示了無正交表也能最佳化，以拉麵證明。本提案將該型擴展至傘（分類III）與休憩場所（分類I），在後者得到田口難以適用領域中的評分4.4設計。
不否定田口方法。但「從頭到尾都是田口」是過剩的。在能用之處使用，在不能用之處切換至LLM生成式最佳化——這是本文檔的結論。
體驗用：optimization_compare_simulator.html 與 virtual_evaluation_simulator.html，可在瀏覽器上追體驗兩手法的比較。
※ 案例研究的數值・生成文，是以與SIWC25/26相同框架由本代理生成的記錄（無需API・離線）。
Top comments (0)