TDengine 可以基于采集的数据，无需人的干预，自动生成业务洞察所需要的实时面板和报表。即使您没有积累足够的业务知识，不懂SQL, 不懂如何使用分析工具，TDengine 也能让您了解业务运行是否正常，效率是否有提升的空间，安全是否存在隐患，帮您大幅降低数据价值挖掘的门槛。
与传统数据分析以及 Chat BI 的对比
使用正常的BI或可视化工具来分析数据，您需要理解数据的来源、数据的结构和每个字段的含义；需要知道如何对数据进行清洗与转换；需要理解星型、雪花型模型，理解事实表与维度表；需要创建并管理表与表之间的关系；理解并会定义业务的各种指标；掌握一些数据分析的方法和算法；熟练掌握各种图表类型及其适用场景，熟悉各种图标格式的设置；甚至要掌握 SQL、Python/R 脚本语言等；还要掌握工具本身的很多使用技巧，有相当的技术和业务门槛。
随着 LLM 的发展，市场上涌现了很多 Chat BI 工具，用户只需要用自然语言描述要做的分析，看板或报表就能自动生成，或使用 Co-Pilot 协助设计看板和报表，效率得到大幅提升。但它依然依赖提问人对业务知识的掌握程度，因为“提出问题就解决了问题的一半”。很遗憾的是，即便是熟悉业务的专业人士也因经验、关注点等局限性，不能通过提问挖掘数据“全面价值”。因此数据价值挖掘还无法真正大众化，依然有门槛。
TDengine 也具备 Chat BI 的能力，但在 Chat BI 的基础上更进一步，它不需要您提问，它基于您采集的数据以及数据上下文，通过 LLM，自动感知应用场景，再由 LLM 推荐出该应用场景下所需要的实时分析、面板或报表。您可以选择 Like 或 Dislike，让系统根据您的喜爱推荐更适合您的分析。最后，您如果点击创建，TDengine 就会自动创建出面板、报表或实时分析的配置文件，再将最后的报表、面板直接呈现给您。相对于“智能问数”的 Chat BI 而言，TDengine 的这项功能被称之为“无问智推”。
AI Agent 的主要流程
自动生成面板、报表、分析的核心组件是 TDengine 内置的能处理多任务的 AI Agent。这个 AI Agent 工作的主要流程如下：
- AI Agent 从数据平台获取每个设备或每个逻辑实体的表结构，包括表的名字、描述信息，列的名字、列的数据类型、描述信息、物理单位等辅助性的元数据，同时获取每个实体的子系统的相应信息。
- AI Agent 基于从数据平台获取的元数据，构建提示词，要求 LLM 基于描述的场景给出该场景下需要有的实时面板、报表和分析，并按照指定的 JSON 格式提供。
- LLM 在深度思考后，给出回应，AI Agent 做必要的合法性检查，过滤掉错误的内容输出。
- AI Agent 基于 LLM 的回复，自动构建出可视化/报表模块所需要的配置文件，发送给可视化/报表模块。
- 可视化/报表模块基于获得的配置信息，从数据平台获取数据，将最终结果呈现给用户。
为什么TDengine 能做到“无问智推”？
上述的流程看上去很简单，也是很多人能想到的，但实现它有相当大的工程技术的挑战，因为数据平台里往往有很多数据库，很多表，在工业场景里，测点数可能超过千万，设备种类都是数千个，要让LLM把这些库、表之间的关联关系，每张表以及每个字段的业务意义理解挖掘出来是极为困难的。对于复杂查询而言，由 LLM 完成 Text to SQL 的任务是相当有挑战的。那为什么 TDengine 能做到呢？有几点：
- TDengine 有独特的存储模型，采用“一个设备一张表”的建模方式。如果你有一百万个设备，就需要建立一百万张表。即使一个设备有不同的子系统，每个子系统的采集频次完全不一样，甚至采集点不停增删改变，通过 TDengine 创新的“虚拟表”设计，逻辑上仍然能将一个设备用一张表来描述。而且 TDengine 提出创新的“超级表”的设计，能将同类设备数据的聚合简化为一张超级表的查询。通过“虚拟表”与“超级表”，极大的减少了 JOIN 操作，简化了 SQL 查询，让 SQL 自动生成成为可能。
- TDengine 的内核是一个高性能、分布式时序数据库TSDB，它能汇聚、清洗、转换并存储各种数据源的数据，包括 MQTT, Kafka, OPC-UA, OPC-DA 等等。而且它内置有强大的流式计算引擎，提供定时窗口、滑动窗口、事件窗口、状态窗口、会话窗口、计数窗口等多种触发方式，提供表达式计算、时间窗口聚合计算、不同流之间的聚合计算，它还能主动将窗口的触发以及计算的结果通知给应用。而且用户是通过 SQL 语句来创建和管理流计算的，这样便于 APP 来使用，更便于 LLM 生成。
- TDengine 在 TSDB 基础上，推出了工业数据管理平台，让用户构建统一的数据目录，能够对存储的数据进行标准化和情景化处理。它容许配置各种设备、属性、面板、分析、通知的模版，提供物理单位的自动转换，支持计算表达式、命名模式、字符串构建、数据引用等等，让数据实现标准化；同时容许给每个设备、每个属性配置描述信息、极限值、位置、物理单位、标签等等，让数据具有业务意义，实现数据的情境化。同时它还提供树状层次结构模型，帮用户把数据目录建立起来，不仅便于浏览数据，更是帮助建立物理或逻辑实体之间的关系。
通过这些基础性的工作，存储在 TDengine 数据平台里的海量数据成为 AI-Ready 的数据集。如果仅仅是一个通用型的时序数据库，没有“超级表”“虚拟表”带来的 SQL 简化，没有内置的流式计算带来的实时分析，没有数据标准化、情景化带来的数据业务语义，自动生成实时面板、报表没有可能。
从拉到推，数据消费范式的改变
TDengine 的创新和工程技术的实现带来的是数据消费范式的改变(Data Consumption Paradigm Shift)。数据分析，历来都是由用户主动发出请求(比如SQL查询), 然后由系统返回给用户。现在依靠 LLM，AI Agent 让数据自己说话，主动将业务分析洞察的结果推送给你，将分析由“Pull”变成”Push”，用户的数据消费变为被动消费，数据分析进入”抖音”时代，数据分析的门槛直接降为零。
通过一系列的数据处理的基础性工作，借助 LLM，数据平台就可以成为了一个自治的数据平台，成为了一个自我驱动(Self Driving)的实时分析平台，不再依赖用户的知识积累和工具使用技能。TDengine 只是开了行业的先河，相信今后有很多类似系统的出现，而且流行起来。
TDengine 将更进一步，将 AI-Ready 的数据通过开放的 API 给第三方应用提供。它提供的不再是传统的数据库的SQL查询结果，而是带有数据业务语义、带有数据上下文的 AI-Ready 的查询结果，赋能给众多的 AI 应用，让数据的拥有者能最大程度的挖掘出数据的价值。
10 倍以上工作效率的提升
数据消费范式的改变带来的是工作效率的指数级提升。在过去，数据分析严重依赖数据分析师或 IT 工程师与业务人员的沟通交流。因为真正懂业务知识的业务主管往往不懂数据分析和工具的使用，而工程师又往往不懂业务，两个人群之间存在一个巨大的缝隙，导致业务提出分析的需求，无法实时满足。流程压缩和快速获取数据结论，会使洞察更深入，及时，决策更快更准。
另外一方面，业务人员需要有行业知识的积累。一个行业，特别是传统行业，比如钢铁、石油、电力等，往往需要至少五年到十年的行业知识的积累，才能真正提出有价值的分析需求。现在对于普通的分析，不再需要多年知识和技能的积累，几天就够。对更高级的分析，往往依赖管理和技术的创新，还需要专家的深度参与。
对于一个物联网、工业数据平台的建设，您只要采用 TDengine, 把数据源的管理做好，制定好数据治理的标准，通过 TDengine 提供的工具实现数据的标准化、情景化，一切工作就完成了。
