工厂要实现 AI 落地，关键不是模型，而是一个能让 AI 看懂数据、调得动工具、管得住行为的运行环境。

一个对话框，不等于 AI 落地

工业软件行业过去两年出现了一个普遍现象：很多厂商在已有产品上快速接入了大模型。做法不复杂——平台不变，前端加一个对话框，用户输入自然语言，系统转发给大模型，大模型返回答案。从宣传上看，这些平台都有了”AI 智能问答”。

实际效果呢？不到一个月，用户就不用了。

问题出在三个根本性的断裂上。第一，数据语义断裂。 通用 AI 面对 temp_3 = 245 这样的裸数字，不知道它代表什么参数、单位是什么、正常范围是多少、属于哪台设备、与上下游什么测点存在关联。工业数据的业务上下文散落在工程师的经验里、工艺手册的附注里、不同系统命名规则的缝隙里——从未被系统地组织和沉淀。AI 拿到了数据，但读不懂数据。第二，系统能力断裂。 对话式 AI 可以输出”建议检查轴承”，但不能自主查询趋势数据、创建监控面板、配置流计算规则、触发根因分析。它输出回答后，所有的操作步骤仍然需要人来完成。AI 会说话，但不会动手。第三，信任断裂。 大模型存在幻觉——当缺乏相关知识时，它会用虚构的信息拼凑答案。消费者场景里这可以一笑了之，工业场景里一个错误的分析结论可能意味着产线停机和物料损失。AI 敢说，但你不敢信。

这三个断裂不是某一家厂商的实现问题，而是”平台建成后再接入大模型”这条路线的结构性缺陷。当一个系统在设计时没有为 AI 预留位置，事后接入的 AI 就只能停留在流程表层——它能生成文字，但触不到业务意义和系统能力。

解开这个困局，不能靠一个更强的大模型，只能靠一套不同的系统架构。这套架构需要回答四个问题：数据能否被 AI 直接访问和理解？系统能力能否被 AI 直接调用和执行？行业知识能否在 AI 推理时被自动检索和引用？行动能否在权限内由 AI 自主完成？ 如果一个答案是不能，说明 AI 在这个平台里只是停留在表层的对话组件。

TDengine 的回答是：从设计的第一天起，就把 AI 当作数据的消费者、系统的操作者、应用的使用者来对待。在 TSDB 高性能时序引擎之上，构建了多项核心能力——工业本体，为每一条数据标注业务上下文，回答”数据能否被 AI 看懂”；在工业本体上又构建了工业智能体运行时 IAR，统一回答”系统能力能否被 AI 调用”、”知识能否被 AI 检索”、”行动能否受控执行”这三个问题。

IAR：让 AI 从”客人”变成”主人”

IAR（Industrial Agent Runtime）的定位很明确：不做大语言模型，不做内置的大模型服务。 它在大模型之上做两件事：让 AI 懂行业，让 AI 受管控。

让 AI 懂行业。 通用 AI 之所以在工厂里水土不服，是因为工业领域最核心的知识——工艺手册、操作规程、历史故障案例、老师傅几十年的经验判断——不在互联网上。它们锁在企业内部的档案柜和专家脑子里。IAR 的知识库管理让企业将工艺手册、操作规程、设备维护指南、历史故障案例上传后自动索引，AI 在问答、根因分析、数据解读时就能给出贴合企业实际工艺的回答，而不是靠通用知识猜测。Skills 机制更进一步——将行业经验固化为 AI 可调用的标准化工作流。一个老师傅判断压缩机喘振的流程，可以被定义为一个 Skill，之后任何工程师调用这个 Skill，AI 就按这套章法来。知识库定义”依据是什么”，Skills 定义”怎么做”。两者叠加，让 AI 从通用对话工具转变为具备行业认知能力的工业智能体。

让 AI 受管控。 聊天助手答错一句话影响很小。工业 AI 答错一个工艺参数、误判一次设备状态，可能造成数百万物料损失甚至安全事故。IAR 围绕可控、可信、可审计、稳健四个维度构建完整的安全管控体系。我们在后面展开。

十三个 AI 助手：工业数据消费的完整链条

传统工业数据平台有一个根深蒂固的前提：默认用户会写代码。 查数据要写 SQL，搭面板要配数据源，做分析要写 Python，设告警要懂规则引擎。真正需要从数据里找答案的人——工艺工程师、设备主管、运行值长——反而被挡在门外。他们不是不会分析，是被技术手段隔离在数据之外。

TDengine 内置了十三个 AI 助手，每个专精一件事，合在一起覆盖了工业现场从查数据到写报告的完整链条。不需要写一行代码，用自然语言描述需求即可。

数据查询 + 面板创建。 “烘丝机昨晚十点到凌晨两点的出口水分趋势，把蒸汽压力和公共风量也拉出来，三条线放一起。”几十秒，曲线叠加，嫌疑范围收窄。”帮我把这几条线做成实时趋势图，加上目标值和参考线。”面板自动生成并发布。从”找 IT 写 SQL、来回几天”变成”说一句话、几十秒”。解决的不仅是效率问题，更是”谁有资格看数据和用数据”的问题。

分析任务 + 告警配置。 “每 5 分钟看一次蒸汽压力平均值，如果过去 10 分钟跌了超过 0.05MPa，生成预警事件，严重程度 Major，通知发给值班工程师。”这条需求被自动翻译成流计算任务，配好触发类型、窗口参数、输出属性，创建后立即启用。告警准不准，取决于定规则的人离现场有多近——把这件事从 IT 手里交还给最懂工艺的人，漏报和误报才会真正减少。

异常检测 + 趋势预测。 很多异常在数值越限之前就已经有征兆了——连续几天小幅波动、一天比一天晃得厉害，但每次都在正常阈值以内，传统告警根本没反应。异常检测不只看”有没有超标”，它分析数据的变化模式。趋势预测走得更远——根据历史走势推演未来，在问题发生前发出预警。阈值告警告诉你”已经超标了”，异常检测告诉你”有点不对劲”，趋势预测告诉你”接下来可能会出事”。

根因分析。 最花时间的不是发现异常，而是搞清楚异常怎么传导的。根因分析助手在告警事件触发后自动启动，沿着工业本体中已建好的设备关系网络一层层往回追溯——这个异常关联的上游设备有哪些、同时段同类设备有没有异常、知识库里有没有相关的历史案例——每一步有记录、有依据，最后生成从”发生了什么”到”为什么会发生”的结构化调查报告。

事件查询 + 对比分析。 “过去一年所有 Major 级别的蒸汽压力波动事件”，几秒钟完整列表。”把 A 线和 B 线在同一次波动中的受影响程度叠在一起对比”——一句话完成。对比不是为了好看，是为了找到规律、找到差距、找到该从哪里下手。

健康评估 + 指标计算 + 报告生成。 健康评估持续跟踪每台设备的运行状态，生成评分和退化趋势，维护资源跟着数据走。指标计算把 OEE、能效比等复合业务指标变成系统里持续更新的标准资产。报告生成把这些能力串成一个动作——”生成 3 号产线烘丝段上周的运行报告”——图表、分析、事件、指标自动汇总为结构化报告。人的时间应该花在读报告、做决策上，不是花在凑数据和排版上。

AI 助手的能力扩展：知识库、技能与自定义 AI Function

TDengine 内置了完整的工业知识管理体系，支持用户对私有域的工业知识进行集中管理，将企业积累的行业知识与经验转化为可被复用的AI 技能，并基于这些技能构建个性化的AI Function。

知识库管理。 企业可以把各种格式的文档——Word、PDF、Markdown，也包括工艺图纸和现场照片——直接上传到TDengine 系统内对应的设备节点上。系统自动对文档内容进行语义解析和索引，构建一套 Wiki 化的知识图谱，不需要人工标注关键词或分类。这套知识图谱和工业本体是打通的：一份风机故障案例上传到某台风机上，它会自动关联到同型号的其他风机、同一个车间的同类设备、同一次故障涉及的上游测点和下游工序。知识不再是孤立的文件，而是工业本体这张大网上的节点。更重要的是，TDengine 的所有 AI 功能都设定为优先检索这套企业知识库——只有找不到相关信息时，才会退回到通用知识，确保 AI 的每一次回答都基于工厂的真实经验。

Skills 管理。 一个 Skill 就是一个 Markdown 文档，它不需要编程，只需用自然语言编写，描述一个完整的业务场景和操作流程。它和提示词不同——提示词只是给大模型的一段指令，而 Skill 是一套被系统管理、可版本化、可复用的标准化任务流程和执行要求。上传到系统后，AI Agent 就能在对应业务场景下按步骤执行。TDengine 内置了一整套 Skills 管理体系——创建、编辑、测试、发布、回滚，支持完整的版本管理。TDengine 预置了一批经过验证的通用 Skills，第一篇里讲的十三个 AI 助手，每个助手背后都是由多个 Skills 组合而成。企业也可以上传 Customized Skills，针对自己行业的设备特性和管理流程定制专属工作流。每个 Skill 均可以设置为公开或私有，也可以指定对接的大模型——这意味着不同的 AI 任务可以选用最合适的模型来执行，而不被单一模型锁定。

个性化 AI Function 配置。 用户不仅可以使用系统内置的 AI 助手和 Skills，还可以在 TDengine 的管理后台中创建自己的 AI Function——选择要对接的模型、上传自定义的 Skills、配置预设提示词和输出规则、设定对其他用户是否可见、决定是否出现在某个页面分析按钮的下拉菜单中。系统内置的 AI Function 作为经过验证的基础能力不可编辑，但用户自定义的 AI Function 可以随时修改和迭代。这让每个企业、每个团队都能构建专属的 AI 能力，而不是只能被动使用厂商预置的固定功能。

从”看见”到”行动”：AI 落地的最后一公里

以上十三个助手，解决的是”看见”和”理解”的问题——让数据能被任何人访问、分析、解读。

但工业 AI 的价值不止于看见。凌晨两点设备异常，大屏前面没有人。配了告警规则，系统看见了，发一条通知——然后呢？值班工程师收到通知，还需要自己登录系统、拉趋势图、判断严重程度、决定要不要派人。通知发出去了，行动链还没走完。从”看见问题”到”解决问题”，中间横着一道被忽视了二十年的断层。

TDengine 的实时分析引擎在流计算触发的那一刻就预定好了”然后”。分析创建表单中内置动作（Action）区段——条件满足时，动作自动执行。当前版本已完整实现通知类动作——飞书、邮件、企业微信，通过联系途径和动作模板在基础库中统一管理。

更长远的规划中，动作库（Action Library）将所有”向外部下指令”的能力收敛到统一的动作模板，按风险等级 L0 到 L4 分级治理——L0 信息类（通知、报表）可全自动，L3 生产影响类（调整报警阈值）必须人审，L4 现场指令类（启停设备、调用 PLC）必须人审加二次确认。AI、自动化、人触发同一个动作，走同一套审批。风险等级 ≥ 中的动作不允许全自动，超时不放行。从”看见”到”行动”，不是加一个通知按钮，而是把”然后怎么办”从人的脑子里搬到系统的执行链路里。

工业 AI 的安全边界：可控、可信、可审计、稳健

企业级 AI 的可信，不来自 AI 的天然可靠，而来自它被嵌入一个可治理、可管控、可追溯的运行环境中。

可控。 Agent 沙箱让每个 AI Agent 运行在独立隔离环境中，不能直接访问底层数据库。身份继承式权限让 Agent 不拥有独立身份——它每次调用的权限完全等于发起用户，用户看不到的数据 AI 也看不到，由沙箱在工具调用层强制拒绝。双层护栏在提示词层注入本体上下文和权限边界，在工具调用层每次操作前二次校验。行为准则预设可自主完成、需人工确认、绝对不可委托三类边界。任务安全等级按风险分级——低风险自主执行，中风险需用户确认，高风险必须 human-in-the-loop。

可信。 AI 的推理路径被限定在工业本体信息结构之内，偏离即拒绝。每个结论必须标明数据来源、分析路径和本体节点，输出前自动与本体交叉校验。未引用本体对象的输出标记为”未绑定工业对象”，禁止驱动下游动作。

可审计。 IAR 记录 Agent 工作流的每一个关键节点——从任务触发、Skill 调用、大模型交互、工具执行到用户反馈——形成完整证据链，日志不可篡改。

稳健。 TDgpt 时序 AI 引擎独立于外部大语言模型运行，异常检测、趋势预测、数据补全不依赖任何外部 AI 服务。AI 生成的面板和分析一旦创建，脱离 AI 持续运行。即使外部大模型完全不可用，数据接入、存储、查询、流计算、告警通知依然独立稳定运行。AI 是增强器，不是依赖项。

开放即生态：AI 不是封闭王国里的私有财产

“我们选平台，最怕的就是被锁死。”花几年时间把数据和流程迁进去，结果想接新工具接不了，想导出数据做分析导不出——换平台的代价大到换不动了。TDengine 对开放性的理解，通过一系列”不做”来定义。

不做紧耦合架构。 每个组件独立部署，客户可以用现有采集工具、熟悉的 BI 工具、自建的模型服务替换对应模块。不被任何厂商锁定。

不内置大模型。 大模型赛道变化太快。IAR 统一连接所有主流大模型，企业自己选，今天 DeepSeek 明天 GPT-5，随时切换。模型可以换，数据、能力和配置始终留在平台里。

不做数据烟囱。 JDBC/ODBC 对接 BI 工具，原生 Excel 插件让业务人员直接查询，Kafka/MQTT 支持实时数据订阅和发布。数据应该自由流向每一个需要它的地方，带着完整的业务语义。

不做封闭系统。 MCP 协议将 50 余项系统能力以标准化工具暴露给外部 AI Agent——远程即可按语义路径查询元素、检索事件、创建分析、生成面板。CLI 面向脚本和自动化，REST API 以 OpenAPI 规范完整描述。任何外部程序和 AI 智能体都可以用标准方式调用平台全部能力。

不限制部署方式。 公有云全托管（AWS、Azure、Google Cloud、阿里云），私有化部署（适配麒麟、统信及龙芯、鲲鹏），边云协同——网络中断时边缘独立运行，恢复后自动补传。

功能不黑盒。 页面操作可查看后台 SQL，Skills 可编辑，知识库可在线阅读，模型训练和推理全过程可追溯。

以上每一条开放能力有一个共同前提：相应权限。 角色权限精细到元素级别，API Key、MCP、CLI 全部在权限框架下运行。开放越彻底，管理越严格。

一个封闭的平台，每一次新需求都是一道墙。一个开放的平台，每一次新需求只是一条新通道。过去几十年，工业软件行业习惯了先建平台、再加功能——每次加装都在一个没有为 AI 预留位置的架构上打补丁。TDengine 的选择是在写出第一行代码之前，就把 AI 放到架构的中心位置。AI 能做多少事，不取决于模型本身，而取决于平台给了它多少空间。这份空间就是 IAR——让 AI 走出对话框，走进真实生产力的工业运行环境。

IAR（Industrial Agent Runtime）是 TDengine 为工业 AI 提供的企业级运行环境。它统一连接所有主流大模型，通过知识库和 Skills 将行业隐性知识转化为 AI 可调用的数字资产，内置十三个开箱即用的 AI 助手覆盖从数据查询到报告生成的全链条，以可控、可信、可审计、稳健四根支柱构建完整的安全管控体系。在这里，AI 不是外加的对话框，而是原生在架构中的数据消费者、系统操作者和应用使用者。