數(shù)據(jù)分析一直是”拉”的模式：你提問，系統(tǒng)作答。這個模式有兩個隱性前提——你得知道該問什么，你得有時間去問。對于工廠里沒有深厚數(shù)據(jù)背景的工程師，或者接手陌生系統(tǒng)的分析師，這兩個前提往往都不成立。更深的困境在于，即便是行業(yè)專家也會因?yàn)殛P(guān)注點(diǎn)和經(jīng)驗(yàn)的局限，無法通過提問挖掘數(shù)據(jù)的全面價值。

TDengine 的 AI 智能洞察從兩個方向打破這個循環(huán)：系統(tǒng)不等你問就主動推送發(fā)現(xiàn)，你想深究的時候隨時可以開口。底層由兩個引擎支撐——內(nèi)置的 TDgpt 時序 AI 引擎負(fù)責(zé)異常檢測、預(yù)測、缺失數(shù)據(jù)填補(bǔ)等計算密集型任務(wù)，直接在數(shù)據(jù)庫內(nèi)核執(zhí)行；外部大語言模型負(fù)責(zé)自然語言理解、內(nèi)容生成和多步推理，通過標(biāo)準(zhǔn) OpenAI 兼容接口接入，內(nèi)置 15 天試用連接，開箱即可體驗(yàn)。

無問智推：不需要提問，洞察主動找上門

當(dāng)你打開一臺設(shè)備的面板標(biāo)簽頁，AI 已經(jīng)根據(jù)這臺設(shè)備的屬性、模板類型和歷史數(shù)據(jù)，生成了一組可視化面板——功率曲線、電壓趨勢、效率指標(biāo)，無需任何配置。打開分析標(biāo)簽頁，系統(tǒng)已經(jīng)推薦了適合這臺設(shè)備的實(shí)時分析方案，一鍵保存即可運(yùn)行。面對一臺從未接觸過的設(shè)備，你打開頁面，分析和面板已經(jīng)在那里了。

這不是模板匹配。TDengine IDMP 的 AI Agent 讀取每個元素的結(jié)構(gòu)信息、屬性描述、單位配置和歷史數(shù)據(jù)，構(gòu)建提示詞，調(diào)用大語言模型進(jìn)行推斷，再將結(jié)果轉(zhuǎn)換為可直接使用的面板配置和分析規(guī)則。AI 還為每一類資產(chǎn)生成與行業(yè)對齊的復(fù)合指標(biāo)庫——對電表元素生成負(fù)荷率、電壓穩(wěn)定性指數(shù)，對油井元素生成產(chǎn)能效率、含水率——每個指標(biāo)附帶計算公式、TDengine SQL 和業(yè)務(wù)含義解釋，作為團(tuán)隊的分析基準(zhǔn)。

能做到這一點(diǎn)，根本上是因?yàn)?TDengine 的數(shù)據(jù)是 AI-Ready 的。”一設(shè)備一張表”的數(shù)據(jù)模型、超級表對同類設(shè)備的聚合簡化、IDMP 數(shù)據(jù)情景化帶來的業(yè)務(wù)語義——這些基礎(chǔ)工作讓大語言模型有足夠的上下文理解每一臺設(shè)備，而不是面對一堆沒有背景的數(shù)值。

LLM推薦的面板、你也可以用自然語言讓LLM創(chuàng)建面板

智能問數(shù)：用自然語言操作整個系統(tǒng)

無問智推給你一個起點(diǎn)，但有時你想要的東西更具體，或者需要主動發(fā)起一個操作。AI 問答界面（AI 助手小 T）接受任何與系統(tǒng)相關(guān)的自然語言輸入——不只是數(shù)據(jù)查詢。

你可以詢問數(shù)據(jù)：某臺風(fēng)機(jī)昨日發(fā)電量比上周同期低了多少？某條產(chǎn)線上周五夜班的 OEE 低谷發(fā)生在幾點(diǎn)？小 T 將問題翻譯為 TDengine SQL，查詢真實(shí)數(shù)據(jù)后給出答案，數(shù)值可溯源、可驗(yàn)證，不是大模型的猜測。

在面板頁面，你也可以直接描述你想要什么面板——”以折線圖顯示過去 7 天每小時平均電壓”——AI 為你構(gòu)建并生成面板配置。在分析頁面，你還可以描述一個分析需求——”計算每小時最大電流并在超出正常范圍時告警”——AI 為你創(chuàng)建完整的分析規(guī)則。對于需要跨時間窗口關(guān)聯(lián)分析或多步推理的復(fù)雜問題，深度思考模式提供更充分的推斷過程。如果不確定該從哪里開始，系統(tǒng)根據(jù)資產(chǎn)結(jié)構(gòu)和當(dāng)前數(shù)據(jù)主動推薦問題，點(diǎn)擊即用，支持語音輸入。

無問智推和智能問數(shù)是同一個智能體系的兩面：一個在你不問的時候主動告知，一個讓你用自然語言驅(qū)動整個平臺。

看完數(shù)字，AI 告訴你意味著什么

數(shù)字能告訴你發(fā)生了什么，但”意味著什么”往往需要經(jīng)驗(yàn)。打開任何一張面板——無論是 AI 生成的還是手動創(chuàng)建的——點(diǎn)擊解讀面板，AI 面板洞察功能為這張圖生成一段自然語言敘述：整體數(shù)值范圍是否正常，出現(xiàn)過哪些峰值或低谷，當(dāng)前讀數(shù)與歷史平均相比如何，是否有需要關(guān)注的異?；蜈厔荨＿@段解讀不是固定模板，而是基于當(dāng)前數(shù)據(jù)窗口實(shí)時生成的，每次點(diǎn)擊都是最新的分析。

這讓儀表板從”需要你自己讀懂”變成”主動告訴你該注意什么”。

根因分析：告警來了，調(diào)查已經(jīng)開始

一臺壓縮機(jī)觸發(fā)了過溫告警。過去的處理流程是：運(yùn)維人員打開告警，查歷史數(shù)據(jù)，逐個屬性翻看，憑經(jīng)驗(yàn)判斷原因，再決定處置方案。這個過程快則半小時，慢則數(shù)小時，設(shè)備可能還在繼續(xù)運(yùn)行。

根因分析把這個流程自動化。點(diǎn)擊事件詳情頁的根因分析按鈕，系統(tǒng)啟動多步調(diào)查工作流：檢索事件前后的完整時序數(shù)據(jù)，進(jìn)行統(tǒng)計探索，搜索相關(guān)技術(shù)文檔和已知故障模式，生成關(guān)于潛在根因的假設(shè)列表，再逐一用實(shí)際數(shù)據(jù)驗(yàn)證，最終輸出一份結(jié)構(gòu)化報告——時間線、數(shù)據(jù)分析、根因假設(shè)、建議措施。運(yùn)維工程師打開報告時，調(diào)查工作已經(jīng)完成了大半，需要做的是判斷、決策和行動，而不是花時間翻數(shù)據(jù)找線索。

TDgpt：時序 AI 直接運(yùn)行在數(shù)據(jù)庫內(nèi)核

大語言模型擅長理解語義、生成內(nèi)容和多步推理，但對時序數(shù)據(jù)執(zhí)行計算密集型分析——異常檢測、趨勢預(yù)測、缺失數(shù)據(jù)填補(bǔ)——需要另一類專門的 AI 引擎。TDgpt 是 TDengine 內(nèi)置的時序 AI 引擎，直接在數(shù)據(jù)庫內(nèi)核執(zhí)行這些任務(wù)，通過 ANOMALY_WINDOW()、FORECAST() 等 SQL 函數(shù)對外提供服務(wù)，不依賴大語言模型連接，在私有化部署環(huán)境下同樣完整可用。

異常檢測不依賴預(yù)設(shè)閾值。TDgpt 自動學(xué)習(xí)屬性的正常運(yùn)行規(guī)律，識別偏離這一規(guī)律的數(shù)據(jù)片段——哪怕讀數(shù)仍在正常范圍內(nèi)。一臺注塑機(jī)料筒溫度的周期性細(xì)微波動，一臺冷水機(jī)能效系數(shù)歷史規(guī)律之外的小幅下滑，都會被檢測到并生成事件。預(yù)測引擎基于歷史行為估算未來值，儲罐液位何時達(dá)到上限、壓縮機(jī)排氣溫度趨勢是否在未來 24 小時內(nèi)突破閾值，從憑經(jīng)驗(yàn)判斷變?yōu)閿?shù)據(jù)驅(qū)動。當(dāng)傳感器離線或網(wǎng)絡(luò)中斷造成數(shù)據(jù)缺口時，缺失數(shù)據(jù)填補(bǔ)使用學(xué)到的信號規(guī)律估算缺口期間的數(shù)值，確保 KPI 計算和下游分析不因缺失讀數(shù)產(chǎn)生偏差。

TDgpt 支持從經(jīng)典統(tǒng)計模型到深度學(xué)習(xí)的完整算法庫，以及在多樣化工業(yè)數(shù)據(jù)上預(yù)訓(xùn)練的 TDtsfm 時序基礎(chǔ)模型——?dú)v史數(shù)據(jù)量不足的場景下支持零樣本啟動，無需訓(xùn)練即可使用。

Q&A

Q：無問智推和 Chat BI 有什么區(qū)別？

A：Chat BI 是”你問，系統(tǒng)答”，需要用戶主動提出有價值的問題。無問智推是”系統(tǒng)主動告訴你”——基于設(shè)備結(jié)構(gòu)和采集數(shù)據(jù)，AI 自動感知應(yīng)用場景，在你打開頁面時已經(jīng)準(zhǔn)備好了可視化面板、分析推薦和指標(biāo)建議。它不依賴你對業(yè)務(wù)的積累，也不要求會寫 SQL 或使用數(shù)據(jù)工具。

Q：TDgpt 和接入的大語言模型是什么關(guān)系，各自做什么？

A：TDgpt 是 TDengine 內(nèi)置的時序 AI 引擎，專門執(zhí)行計算密集型的時序分析任務(wù)——異常檢測、預(yù)測、缺失數(shù)據(jù)填補(bǔ)——直接在數(shù)據(jù)庫內(nèi)核運(yùn)行，不依賴外部服務(wù)。大語言模型負(fù)責(zé)自然語言理解、面板和分析生成、洞察敘述以及根因推理。兩者分工不同，互相獨(dú)立運(yùn)行：TDgpt 功能在沒有大語言模型連接的情況下依然完整可用。

Q：根因分析需要額外配置嗎？

A：不需要。根因分析使用連接管理中配置的深度思考模型，無需額外設(shè)置。從事件詳情頁點(diǎn)擊根因分析按鈕即可啟動，系統(tǒng)自動完成數(shù)據(jù)檢索、假設(shè)生成和驗(yàn)證，通常在幾分鐘內(nèi)輸出結(jié)構(gòu)化報告。

Q：AI 生成的面板和指標(biāo)準(zhǔn)確嗎，能直接用于生產(chǎn)環(huán)境嗎？

A：AI 生成的是高質(zhì)量的起點(diǎn)，而不是最終答案。面板和分析配置可在保存前審查修改，復(fù)合指標(biāo)提供下載/上傳工作流供人工校驗(yàn)。AI 完成大部分配置工作，最后的判斷和確認(rèn)由工程師完成。

Q：這些 AI 能力對數(shù)據(jù)質(zhì)量有要求嗎？

A：有直接關(guān)系。屬性有描述信息、配置了物理單位和上下限的元素，AI 推斷更準(zhǔn)確；字段命名隨意、缺失語義配置的數(shù)據(jù)，推薦質(zhì)量會相應(yīng)下降。這也是 TDengine IDMP 強(qiáng)調(diào)數(shù)據(jù)標(biāo)準(zhǔn)化和情景化的原因——AI-Ready 的數(shù)據(jù)是所有智能能力的基礎(chǔ)。

Q：在沒有公網(wǎng)連接的私有化部署環(huán)境下，AI 功能還能用嗎？

A：TDgpt 的所有功能——異常檢測、預(yù)測、缺失數(shù)據(jù)填補(bǔ)——不依賴外部服務(wù)，在完全離線的私有化部署環(huán)境下完整可用。無問智推、AI 問答、根因分析依賴大語言模型，需要配置可訪問的 LLM 端點(diǎn)，支持私有部署的本地大模型。