TDengine 可以基于采集的數(shù)據(jù)，無需人的干預(yù)，自動生成業(yè)務(wù)洞察所需要的實時面板和報表。即使您沒有積累足夠的業(yè)務(wù)知識，不懂SQL, 不懂如何使用分析工具，TDengine 也能讓您了解業(yè)務(wù)運行是否正常，效率是否有提升的空間，安全是否存在隱患，幫您大幅降低數(shù)據(jù)價值挖掘的門檻。

與傳統(tǒng)數(shù)據(jù)分析以及 Chat BI 的對比

使用正常的BI或可視化工具來分析數(shù)據(jù)，您需要理解數(shù)據(jù)的來源、數(shù)據(jù)的結(jié)構(gòu)和每個字段的含義；需要知道如何對數(shù)據(jù)進行清洗與轉(zhuǎn)換；需要理解星型、雪花型模型，理解事實表與維度表；需要創(chuàng)建并管理表與表之間的關(guān)系；理解并會定義業(yè)務(wù)的各種指標；掌握一些數(shù)據(jù)分析的方法和算法；熟練掌握各種圖表類型及其適用場景，熟悉各種圖標格式的設(shè)置；甚至要掌握 SQL、Python/R 腳本語言等；還要掌握工具本身的很多使用技巧，有相當?shù)募夹g(shù)和業(yè)務(wù)門檻。

隨著 LLM 的發(fā)展，市場上涌現(xiàn)了很多 Chat BI 工具，用戶只需要用自然語言描述要做的分析，看板或報表就能自動生成，或使用 Co-Pilot 協(xié)助設(shè)計看板和報表，效率得到大幅提升。但它依然依賴提問人對業(yè)務(wù)知識的掌握程度，因為“提出問題就解決了問題的一半”。很遺憾的是，即便是熟悉業(yè)務(wù)的專業(yè)人士也因經(jīng)驗、關(guān)注點等局限性，不能通過提問挖掘數(shù)據(jù)“全面價值”。因此數(shù)據(jù)價值挖掘還無法真正大眾化，依然有門檻。

TDengine 也具備 Chat BI 的能力，但在 Chat BI 的基礎(chǔ)上更進一步，它不需要您提問，它基于您采集的數(shù)據(jù)以及數(shù)據(jù)上下文，通過 LLM，自動感知應(yīng)用場景，再由 LLM 推薦出該應(yīng)用場景下所需要的實時分析、面板或報表。您可以選擇 Like 或 Dislike，讓系統(tǒng)根據(jù)您的喜愛推薦更適合您的分析。最后，您如果點擊創(chuàng)建，TDengine 就會自動創(chuàng)建出面板、報表或?qū)崟r分析的配置文件，再將最后的報表、面板直接呈現(xiàn)給您。相對于“智能問數(shù)”的 Chat BI 而言，TDengine 的這項功能被稱之為“無問智推”。

TDengine IDMP 無問智推

AI Agent 的主要流程

自動生成面板、報表、分析的核心組件是 TDengine 內(nèi)置的能處理多任務(wù)的 AI Agent。這個 AI Agent 工作的主要流程如下：

1. AI Agent 從數(shù)據(jù)平臺獲取每個設(shè)備或每個邏輯實體的表結(jié)構(gòu)，包括表的名字、描述信息，列的名字、列的數(shù)據(jù)類型、描述信息、物理單位等輔助性的元數(shù)據(jù)，同時獲取每個實體的子系統(tǒng)的相應(yīng)信息。
2. AI Agent 基于從數(shù)據(jù)平臺獲取的元數(shù)據(jù)，構(gòu)建提示詞，要求 LLM 基于描述的場景給出該場景下需要有的實時面板、報表和分析，并按照指定的 JSON 格式提供。
3. LLM 在深度思考后，給出回應(yīng)，AI Agent 做必要的合法性檢查，過濾掉錯誤的內(nèi)容輸出。
4. AI Agent 基于 LLM 的回復(fù)，自動構(gòu)建出可視化/報表模塊所需要的配置文件，發(fā)送給可視化/報表模塊。
5. 可視化/報表模塊基于獲得的配置信息，從數(shù)據(jù)平臺獲取數(shù)據(jù)，將最終結(jié)果呈現(xiàn)給用戶。

為什么TDengine 能做到“無問智推”？

上述的流程看上去很簡單，也是很多人能想到的，但實現(xiàn)它有相當大的工程技術(shù)的挑戰(zhàn)，因為數(shù)據(jù)平臺里往往有很多數(shù)據(jù)庫，很多表，在工業(yè)場景里，測點數(shù)可能超過千萬，設(shè)備種類都是數(shù)千個，要讓LLM把這些庫、表之間的關(guān)聯(lián)關(guān)系，每張表以及每個字段的業(yè)務(wù)意義理解挖掘出來是極為困難的。對于復(fù)雜查詢而言，由 LLM 完成 Text to SQL 的任務(wù)是相當有挑戰(zhàn)的。那為什么 TDengine 能做到呢？有幾點：

• TDengine 有獨特的存儲模型，采用“一個設(shè)備一張表”的建模方式。如果你有一百萬個設(shè)備，就需要建立一百萬張表。即使一個設(shè)備有不同的子系統(tǒng)，每個子系統(tǒng)的采集頻次完全不一樣，甚至采集點不停增刪改變，通過 TDengine 創(chuàng)新的“虛擬表”設(shè)計，邏輯上仍然能將一個設(shè)備用一張表來描述。而且 TDengine 提出創(chuàng)新的“超級表”的設(shè)計，能將同類設(shè)備數(shù)據(jù)的聚合簡化為一張超級表的查詢。通過“虛擬表”與“超級表”，極大的減少了 JOIN 操作，簡化了 SQL 查詢，讓 SQL 自動生成成為可能。

• TDengine 的內(nèi)核是一個高性能、分布式時序數(shù)據(jù)庫TSDB，它能匯聚、清洗、轉(zhuǎn)換并存儲各種數(shù)據(jù)源的數(shù)據(jù)，包括 MQTT, Kafka, OPC-UA, OPC-DA 等等。而且它內(nèi)置有強大的流式計算引擎，提供定時窗口、滑動窗口、事件窗口、狀態(tài)窗口、會話窗口、計數(shù)窗口等多種觸發(fā)方式，提供表達式計算、時間窗口聚合計算、不同流之間的聚合計算，它還能主動將窗口的觸發(fā)以及計算的結(jié)果通知給應(yīng)用。而且用戶是通過 SQL 語句來創(chuàng)建和管理流計算的，這樣便于 APP 來使用，更便于 LLM 生成。
• TDengine 在 TSDB 基礎(chǔ)上，推出了工業(yè)數(shù)據(jù)管理平臺，讓用戶構(gòu)建統(tǒng)一的數(shù)據(jù)目錄，能夠?qū)Υ鎯Φ臄?shù)據(jù)進行標準化和情景化處理。它容許配置各種設(shè)備、屬性、面板、分析、通知的模版，提供物理單位的自動轉(zhuǎn)換，支持計算表達式、命名模式、字符串構(gòu)建、數(shù)據(jù)引用等等，讓數(shù)據(jù)實現(xiàn)標準化；同時容許給每個設(shè)備、每個屬性配置描述信息、極限值、位置、物理單位、標簽等等，讓數(shù)據(jù)具有業(yè)務(wù)意義，實現(xiàn)數(shù)據(jù)的情境化。同時它還提供樹狀層次結(jié)構(gòu)模型，幫用戶把數(shù)據(jù)目錄建立起來，不僅便于瀏覽數(shù)據(jù)，更是幫助建立物理或邏輯實體之間的關(guān)系。

通過這些基礎(chǔ)性的工作，存儲在 TDengine 數(shù)據(jù)平臺里的海量數(shù)據(jù)成為 AI-Ready 的數(shù)據(jù)集。如果僅僅是一個通用型的時序數(shù)據(jù)庫，沒有“超級表”“虛擬表”帶來的 SQL 簡化，沒有內(nèi)置的流式計算帶來的實時分析，沒有數(shù)據(jù)標準化、情景化帶來的數(shù)據(jù)業(yè)務(wù)語義，自動生成實時面板、報表沒有可能。

從拉到推，數(shù)據(jù)消費范式的改變

TDengine 的創(chuàng)新和工程技術(shù)的實現(xiàn)帶來的是數(shù)據(jù)消費范式的改變(Data Consumption Paradigm Shift)。數(shù)據(jù)分析，歷來都是由用戶主動發(fā)出請求(比如SQL查詢), 然后由系統(tǒng)返回給用戶?，F(xiàn)在依靠 LLM，AI Agent 讓數(shù)據(jù)自己說話，主動將業(yè)務(wù)分析洞察的結(jié)果推送給你，將分析由“Pull”變成”Push”，用戶的數(shù)據(jù)消費變?yōu)楸粍酉M，數(shù)據(jù)分析進入”抖音”時代，數(shù)據(jù)分析的門檻直接降為零。

通過一系列的數(shù)據(jù)處理的基礎(chǔ)性工作，借助 LLM，數(shù)據(jù)平臺就可以成為了一個自治的數(shù)據(jù)平臺，成為了一個自我驅(qū)動(Self Driving)的實時分析平臺，不再依賴用戶的知識積累和工具使用技能。TDengine 只是開了行業(yè)的先河，相信今后有很多類似系統(tǒng)的出現(xiàn)，而且流行起來。

TDengine 將更進一步，將 AI-Ready 的數(shù)據(jù)通過開放的 API 給第三方應(yīng)用提供。它提供的不再是傳統(tǒng)的數(shù)據(jù)庫的SQL查詢結(jié)果，而是帶有數(shù)據(jù)業(yè)務(wù)語義、帶有數(shù)據(jù)上下文的 AI-Ready 的查詢結(jié)果，賦能給眾多的 AI 應(yīng)用，讓數(shù)據(jù)的擁有者能最大程度的挖掘出數(shù)據(jù)的價值。

10 倍以上工作效率的提升

數(shù)據(jù)消費范式的改變帶來的是工作效率的指數(shù)級提升。在過去，數(shù)據(jù)分析嚴重依賴數(shù)據(jù)分析師或 IT 工程師與業(yè)務(wù)人員的溝通交流。因為真正懂業(yè)務(wù)知識的業(yè)務(wù)主管往往不懂數(shù)據(jù)分析和工具的使用，而工程師又往往不懂業(yè)務(wù)，兩個人群之間存在一個巨大的縫隙，導(dǎo)致業(yè)務(wù)提出分析的需求，無法實時滿足。流程壓縮和快速獲取數(shù)據(jù)結(jié)論，會使洞察更深入，及時，決策更快更準。

另外一方面，業(yè)務(wù)人員需要有行業(yè)知識的積累。一個行業(yè)，特別是傳統(tǒng)行業(yè)，比如鋼鐵、石油、電力等，往往需要至少五年到十年的行業(yè)知識的積累，才能真正提出有價值的分析需求?，F(xiàn)在對于普通的分析，不再需要多年知識和技能的積累，幾天就夠。對更高級的分析，往往依賴管理和技術(shù)的創(chuàng)新，還需要專家的深度參與。

對于一個物聯(lián)網(wǎng)、工業(yè)數(shù)據(jù)平臺的建設(shè)，您只要采用 TDengine, 把數(shù)據(jù)源的管理做好，制定好數(shù)據(jù)治理的標準，通過 TDengine 提供的工具實現(xiàn)數(shù)據(jù)的標準化、情景化，一切工作就完成了。

Q&A

Q：什么是 TDengine 無問智推？它主要解決時序數(shù)據(jù)分析中的什么問題？

A：TDengine 無問智推是針對時序數(shù)據(jù)設(shè)計的 “主動式智能分析能力”，無需人工預(yù)設(shè)需求或編寫代碼，能自動挖掘數(shù)據(jù)中的異常、趨勢與關(guān)聯(lián)關(guān)系，并將分析結(jié)果主動推送。它主要解決傳統(tǒng)時序分析 “被動、低效、門檻高” 的問題 —— 避免用戶手動寫 SQL、查數(shù)據(jù)、找規(guī)律，讓不懂技術(shù)的業(yè)務(wù)人員也能快速獲取數(shù)據(jù)洞察，讓時序數(shù)據(jù)從 “需主動查詢” 變?yōu)?“能主動輸出價值”。

Q：TDengine 無問智推和傳統(tǒng)的時序數(shù)據(jù)分析工具相比，最大的區(qū)別是什么？

A：最大區(qū)別在于 “無需預(yù)設(shè)需求” 和 “主動推送”：① 傳統(tǒng)工具需用戶先明確需求（如 “查設(shè)備 A 近 3 天溫度是否異?！保偻ㄟ^ SQL、代碼或可視化操作查詢；② 無問智推無需預(yù)設(shè)，會自動掃描全量時序數(shù)據(jù)，識別異常波動、趨勢變化、關(guān)聯(lián)影響等信息，然后通過面板主動推送給相關(guān)人員，大幅降低分析成本。