数据分析一直是”拉”的模式：你提问，系统作答。这个模式有两个隐性前提——你得知道该问什么，你得有时间去问。对于工厂里没有深厚数据背景的工程师，或者接手陌生系统的分析师，这两个前提往往都不成立。更深的困境在于，即便是行业专家也会因为关注点和经验的局限，无法通过提问挖掘数据的全面价值。

TDengine 的 AI 智能洞察从两个方向打破这个循环：系统不等你问就主动推送发现，你想深究的时候随时可以开口。底层由两个引擎支撑——内置的 TDgpt 时序 AI 引擎负责异常检测、预测、缺失数据填补等计算密集型任务，直接在数据库内核执行；外部大语言模型负责自然语言理解、内容生成和多步推理，通过标准 OpenAI 兼容接口接入，内置 15 天试用连接，开箱即可体验。

无问智推：不需要提问，洞察主动找上门

当你打开一台设备的面板标签页，AI 已经根据这台设备的属性、模板类型和历史数据，生成了一组可视化面板——功率曲线、电压趋势、效率指标，无需任何配置。打开分析标签页，系统已经推荐了适合这台设备的实时分析方案，一键保存即可运行。面对一台从未接触过的设备，你打开页面，分析和面板已经在那里了。

这不是模板匹配。TDengine IDMP 的 AI Agent 读取每个元素的结构信息、属性描述、单位配置和历史数据，构建提示词，调用大语言模型进行推断，再将结果转换为可直接使用的面板配置和分析规则。AI 还为每一类资产生成与行业对齐的复合指标库——对电表元素生成负荷率、电压稳定性指数，对油井元素生成产能效率、含水率——每个指标附带计算公式、TDengine SQL 和业务含义解释，作为团队的分析基准。

能做到这一点，根本上是因为 TDengine 的数据是 AI-Ready 的。”一设备一张表”的数据模型、超级表对同类设备的聚合简化、IDMP 数据情景化带来的业务语义——这些基础工作让大语言模型有足够的上下文理解每一台设备，而不是面对一堆没有背景的数值。

LLM推荐的面板、你也可以用自然语言让LLM创建面板

智能问数：用自然语言操作整个系统

无问智推给你一个起点，但有时你想要的东西更具体，或者需要主动发起一个操作。AI 问答界面（AI 助手小 T）接受任何与系统相关的自然语言输入——不只是数据查询。

你可以询问数据：某台风机昨日发电量比上周同期低了多少？某条产线上周五夜班的 OEE 低谷发生在几点？小 T 将问题翻译为 TDengine SQL，查询真实数据后给出答案，数值可溯源、可验证，不是大模型的猜测。

在面板页面，你也可以直接描述你想要什么面板——”以折线图显示过去 7 天每小时平均电压”——AI 为你构建并生成面板配置。在分析页面，你还可以描述一个分析需求——”计算每小时最大电流并在超出正常范围时告警”——AI 为你创建完整的分析规则。对于需要跨时间窗口关联分析或多步推理的复杂问题，深度思考模式提供更充分的推断过程。如果不确定该从哪里开始，系统根据资产结构和当前数据主动推荐问题，点击即用，支持语音输入。

无问智推和智能问数是同一个智能体系的两面：一个在你不问的时候主动告知，一个让你用自然语言驱动整个平台。

看完数字，AI 告诉你意味着什么

数字能告诉你发生了什么，但”意味着什么”往往需要经验。打开任何一张面板——无论是 AI 生成的还是手动创建的——点击解读面板，AI 面板洞察功能为这张图生成一段自然语言叙述：整体数值范围是否正常，出现过哪些峰值或低谷，当前读数与历史平均相比如何，是否有需要关注的异常或趋势。这段解读不是固定模板，而是基于当前数据窗口实时生成的，每次点击都是最新的分析。

这让仪表板从”需要你自己读懂”变成”主动告诉你该注意什么”。

根因分析：告警来了，调查已经开始

一台压缩机触发了过温告警。过去的处理流程是：运维人员打开告警，查历史数据，逐个属性翻看，凭经验判断原因，再决定处置方案。这个过程快则半小时，慢则数小时，设备可能还在继续运行。

根因分析把这个流程自动化。点击事件详情页的根因分析按钮，系统启动多步调查工作流：检索事件前后的完整时序数据，进行统计探索，搜索相关技术文档和已知故障模式，生成关于潜在根因的假设列表，再逐一用实际数据验证，最终输出一份结构化报告——时间线、数据分析、根因假设、建议措施。运维工程师打开报告时，调查工作已经完成了大半，需要做的是判断、决策和行动，而不是花时间翻数据找线索。

TDgpt：时序 AI 直接运行在数据库内核

大语言模型擅长理解语义、生成内容和多步推理，但对时序数据执行计算密集型分析——异常检测、趋势预测、缺失数据填补——需要另一类专门的 AI 引擎。TDgpt 是 TDengine 内置的时序 AI 引擎，直接在数据库内核执行这些任务，通过 ANOMALY_WINDOW()、FORECAST() 等 SQL 函数对外提供服务，不依赖大语言模型连接，在私有化部署环境下同样完整可用。

异常检测不依赖预设阈值。TDgpt 自动学习属性的正常运行规律，识别偏离这一规律的数据片段——哪怕读数仍在正常范围内。一台注塑机料筒温度的周期性细微波动，一台冷水机能效系数历史规律之外的小幅下滑，都会被检测到并生成事件。预测引擎基于历史行为估算未来值，储罐液位何时达到上限、压缩机排气温度趋势是否在未来 24 小时内突破阈值，从凭经验判断变为数据驱动。当传感器离线或网络中断造成数据缺口时，缺失数据填补使用学到的信号规律估算缺口期间的数值，确保 KPI 计算和下游分析不因缺失读数产生偏差。

TDgpt 支持从经典统计模型到深度学习的完整算法库，以及在多样化工业数据上预训练的 TDtsfm 时序基础模型——历史数据量不足的场景下支持零样本启动，无需训练即可使用。

Q&A

Q：无问智推和 Chat BI 有什么区别？

A：Chat BI 是”你问，系统答”，需要用户主动提出有价值的问题。无问智推是”系统主动告诉你”——基于设备结构和采集数据，AI 自动感知应用场景，在你打开页面时已经准备好了可视化面板、分析推荐和指标建议。它不依赖你对业务的积累，也不要求会写 SQL 或使用数据工具。

Q：TDgpt 和接入的大语言模型是什么关系，各自做什么？

A：TDgpt 是 TDengine 内置的时序 AI 引擎，专门执行计算密集型的时序分析任务——异常检测、预测、缺失数据填补——直接在数据库内核运行，不依赖外部服务。大语言模型负责自然语言理解、面板和分析生成、洞察叙述以及根因推理。两者分工不同，互相独立运行：TDgpt 功能在没有大语言模型连接的情况下依然完整可用。

Q：根因分析需要额外配置吗？

A：不需要。根因分析使用连接管理中配置的深度思考模型，无需额外设置。从事件详情页点击根因分析按钮即可启动，系统自动完成数据检索、假设生成和验证，通常在几分钟内输出结构化报告。

Q：AI 生成的面板和指标准确吗，能直接用于生产环境吗？

A：AI 生成的是高质量的起点，而不是最终答案。面板和分析配置可在保存前审查修改，复合指标提供下载/上传工作流供人工校验。AI 完成大部分配置工作，最后的判断和确认由工程师完成。

Q：这些 AI 能力对数据质量有要求吗？

A：有直接关系。属性有描述信息、配置了物理单位和上下限的元素，AI 推断更准确；字段命名随意、缺失语义配置的数据，推荐质量会相应下降。这也是 TDengine IDMP 强调数据标准化和情景化的原因——AI-Ready 的数据是所有智能能力的基础。

Q：在没有公网连接的私有化部署环境下，AI 功能还能用吗？

A：TDgpt 的所有功能——异常检测、预测、缺失数据填补——不依赖外部服务，在完全离线的私有化部署环境下完整可用。无问智推、AI 问答、根因分析依赖大语言模型，需要配置可访问的 LLM 端点，支持私有部署的本地大模型。