通用 AI 读遍了互联网的所有公开信息，却从没见过你的工厂产线。它不知道这台设备的操作规程、没见过那次故障的复盘报告、更不会懂老师傅凭二十年经验做出的判断。

TDengine 的知识管理体系，就是把散落在档案柜、共享盘和人脑里的私有知识，变成可管理、可复用、可被持续积累的企业资产。这些资产既可以被人使用，也可以被 AI 智能体调用——当知识被系统地管理起来，它就从个人的记忆，变成了持续增值的企业资产。

知识散落在各处，从未被当作资产来管理

任何一家运转了十年以上的工厂，都积累了大量业务知识与经验。

工艺工程师知道每个测点的业务含义，设备主管能从一段振动曲线的形态判断轴承还剩多少寿命，运行值长在三次异常中就能嗅出规律。工艺手册里写着标准操作流程，共享盘的某个文件夹里有过去五年的故障复盘报告，老员工脑子里的经验能在一个异常刚冒头时就把它识别出来。

这些知识不是不存在，是从来没有被放在一起集中管理过。工艺手册锁在档案柜里，操作规程存在某个部门的共享盘里，故障案例分散在不同工程师各自的文件夹里。经验判断全部活在人的脑子里——一个老师傅退休了，二十多年的积累就跟着走了。新员工上岗，从头开始踩前人踩过的坑。同一个问题，两年前发生过、分析过、解决过，但当时的报告找不到了或者根本不知道存在过，于是又重演一遍。

TDengine 的知识管理，就是把企业积累的宝贵知识从分散变成集中、从隐性变成显式、从个人记忆变成企业资产的完整管理体系。

这套知识管理体系也是 AI 在工业场景真正落地的基础前提。AI 要能回答工厂里的问题、能执行复杂的分析任务，首先得认识这个工厂——它需要知道每台设备是什么、每个参数代表什么、发生了异常该按什么流程处理。而这些私有信息，只有企业自己才能提供。

五种知识形态，一套管理体系

知识管理不是一个新概念。从 1990 年代起，业界就建立了清晰的理论框架：知识首先分为显性和隐性两大类——显性知识可以写成文档、编成手册，隐性知识存在人的脑子里，靠经验和直觉驱动。两者之间需要一套转化机制——隐性知识通过外化变成显性知识，显性知识通过组合形成体系，再通过内化沉淀为新的隐性判断力，循环往复，知识资产才能持续积累。工业领域的研究则进一步指出，企业知识存在递进形态——从原始数据到结构化信息，从信息中提炼模式，再将模式固化为可复用的技术组件，每一层都需要不同的加工提炼方法。

这些理论共同指向一个核心结论：知识不是一种单一形态，不同类型的知识形态各异，要根据具体使用场景采用不同方式来提炼、组织和管理——隐性知识需要显性化，数据知识需要标准化，信息知识需要结构化，模式知识需要范式化，技术知识需要模型化。

但在工业现场，知识管理一直缺乏一套体系化、产品化的落地平台。老师傅的经验怎么显性化？分散的故障案例怎么结构化？从数据中习得的模式怎么变成可调用的模型？复杂的操作流程怎么被 AI 按步骤执行？

TDengine 的知识管理体系，就是对这些问题的系统回答。它用五种管理机制来对应工业知识的五种典型形态：工业本体管理数据语义与对象关联，知识库管理文档与案例资产，计算表达式管理经验规则，分析模型从数据中习得的模式与规律，Skills 技能沉淀多步骤的复杂管理流程。

数据知识：让 AI 读懂每一个数字

一个 temp_3 = 245 的裸数字，对 AI 来说毫无意义。它代表什么参数？单位是摄氏度还是华氏度？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？历史上触发过哪些事件？

TDengine 用工业本体来管理这类知识。工业本体是在数据存储层与数据应用层之间，构建的一个统一语义层。它本身不存储原始数据，而是在原始数据之上，搭建一个让 AI、应用和人都能理解、访问与使用的语义网络。

工业本体的核心是围绕工业对象的”树 + 网络”两层信息结构。树型模型承担层级骨架——打开 TDengine，第一眼看到的就是一棵资产目录树，集团 → 工厂 → 车间 → 产线 → 工艺段 → 设备 → 测点，一级一级挂下来。绝大多数日常操作都围绕这棵树展开。TDengine 支持”多树并存、同实例共享”——同一台风机可以同时出现在地理树、运营责任树、设备类型库等多棵树下，底层始终只有一份对象与一份数据。网络模型补全树型结构覆盖不到的部分——工厂里的关系远不止”谁挂在谁下面”。跨层级、跨分支的联系，树表达不了。TDengine 用对象类型（Object Type） 和引用类型（Reference）来统一管理这些关系：生产过程关系描述设备之间的物流、信息流和能量流传递（feeds、upstream-of、measures），控制与冗余关系描述设备之间的控制链路和备用关系（controls、interlocks-with），故障影响与传播关系描述故障在不同设备之间的传递路径（affects、redundant-with）。每一条引用都是一个带传递方向、带业务语义的三元组。

树告诉 AI “这是谁、归属于谁”。网络告诉 AI “它和谁相关、影响谁、被谁影响”。两者叠加，构成一份源于现实工业世界、可被 AI 和人共同操作的数字镜像。

举个例子，某化工厂的精馏塔，塔底温度测点与回流比、进料温度、塔顶压力、再沸器热负荷四个参数之间存在明确的工艺关联——温度波动，大概率是上游的某一路出了问题。过去这些关联关系都存在工艺工程师的脑子里，排查时他凭经验逐一检查。现在，TDengine 的工业本体把这五个属性以显式引用关系连接起来，AI 在执行根因分析时，沿着这条关系网络自动回溯——它不再是猜测，而是沿着工程师建好的业务路径在推理。

文档知识：把档案柜变成可检索的知识图谱

每家工厂都有大量业务文档——工艺手册、操作规程、设备维护指南、历史故障案例、停机复盘报告。这些文档里沉淀了工厂最宝贵的操作经验，但它们分散在档案柜、共享盘、不同部门的文件夹里，检索困难，关联断裂。工程师要找一份三年前的故障复盘报告，可能得翻遍四个共享盘、问三个老同事，花半天时间还不一定能找到。

基于文档构建企业知识库，并从中提炼知识图谱，这项技术已经非常成熟。核心流程并不复杂：将非结构化的文档内容通过语义解析转化为向量化表示，对实体和关系进行自动抽取，构建可被语义检索和推理的知识网络。搜索引擎、智能客服、企业知识管理平台早已大规模应用这套技术。

TDengine 将这套成熟技术落地到了工业场景中。企业将各种格式的文档——Word、PDF、Markdown，也包括工艺图纸和现场照片——上传到对应的设备节点上，系统自动对内容进行语义解析和索引，构建向量化的知识图谱，不需要人工标注关键词或分类。文档中的实体——设备型号、故障类型、操作步骤、工艺参数——被自动抽取并关联到工业本体中对应的对象上。

更关键的是，这套知识体系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，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，而是工业本体这张网络上的节点。当工程师打开一台设备的详情页时，相关的工艺手册、操作规程、历史故障案例已经以引用方式挂在设备节点上——不需要搜，不需要翻，文档自己找到了需要它的人。TDengine 的所有 AI 功能都设定为优先检索这套企业知识库——找不到相关信息时，才退回到通用知识。

企业还可以根据业务场景，对文档进行提炼，形成结构化的案例资产。某电子厂的 SMT 贴片产线，每次换产都有可能出现首件不良。他们把过去三年所有换产异常的复盘文档提炼为”换产异常案例库”——每种异常类型对应一条结构化记录：异常现象、发生工位、根因归类、处置措施、处理时长、预防建议。当新一次换产出现异常时，AI 自动匹配最相似的历史案例，推送给现场工程师。以前翻半天文档才能找到的参考，现在几秒钟完成。一套完整的故障案例库建好之后，它的价值远不止于检索——新员工培训、工艺优化、设备选型，都可以基于这套案例资产展开。

规则知识：把经验变成可嵌入业务流程的计算表达式

大量运营经验可以被抽象为”if-then”的条件表达式——如果满足什么条件，就执行什么动作。压缩机排气压力持续高于 0.85 MPa 超过 5 秒，就生成喘振预警事件。变压器平均电压超过 235V，就通知运维群。批次注射温度在后半段偏离正常包络线，就触发质量预警。

这类业务规则的编辑和部署，在传统架构中需要通过独立的规则引擎来实现——企业需要额外部署 Drools、EasyRules 等规则引擎组件，定义规则语言，编写规则脚本，管理规则与业务系统的对接。一套下来，规则的创建和修改都需要 IT 团队介入，业务人员只能提需求然后排队等排期。

TDengine 的做法不同。它将计算表达式机制直接嵌入在实时分析、事件管理、动作执行等各种分析场景中——不需要独立的规则引擎，不需要额外的中间件。在实时分析的创建表单中，业务人员可以直接用 attributes['avg_voltage'] > 235 这样的表达式语法定义触发条件、事件过滤规则、输出计算规则、动作执行条件。表达式是零代码配置的——工业本体内的任意元素、任意属性的当前值或历史值都可以作为表达式的信息项输入。工程师不需要写代码就能把一条业务经验变成持续运行的监控规则。

这套表达式机制覆盖了多个关键场景：实时分析的触发规则决定了分析何时启动，输出规则定义了分析要产生什么结果，事件的通知规则控制了什么条件下发送通知、发给谁、最小通知间隔是多少，Action 的执行规则判断了触发后是否要执行预设动作。所有规则均透明可见、可验证、可编辑、可审计——规则不再藏在代码里，而是以业务人员能读懂、能修改的形式暴露在界面上。

例如，某水泥厂的回转窑工艺工程师有一条经验：如果窑尾温度在 30 分钟内上升超过 15℃，且窑头负压同时下降超过 50Pa，说明窑内通风出了问题，需要检查篦冷机。过去这条规则只在他交接班时口头交代。现在，他在实时分析中配置了一条事件窗口触发规则——启动条件就是这条复合判断表达式，终止条件是参数恢复正常。规则上线后第二周，准确捕获了一次篦冷机篦板脱落的前兆，避免了停窑事故。

模型知识：从海量数据中提炼模式与规律

规则能表达已知的经验判断，但有些问题靠规则解决不了。

规则能处理”温度超过 85℃ 就告警”这种确定性逻辑。但当问题变成”这台设备未来一周会不会出故障””这批产品的质量是否稳定””这个能耗趋势是正常波动还是异常信号”——答案不再是一个简单的阈值能给出的。它需要对历史数据中隐藏的模式和规律进行提炼，并用这些规律对未来做定量推断。

这时候就需要使用分析模型了。

分析模型，是指运用统计、数学理论及量化的系统方法，对数据进行处理并输出定量预测的计算过程。 它从一组输入变量出发，经过训练习得的内部结构和参数，输出一个或多个定量结果——可能是一个预测值，可能是一个分类标签，可能是一个异常评分。模型使用的不是人写出来的规则，是算法从数据中学习出来的模式与规律。

分析模型从数据中学习规律与模式的过程，被称为机器学习。它的基本逻辑并不复杂：给模型输入大量的历史样本，每个样本包含输入特征和期望的输出目标，模型不断调整自身参数，使得它的预测结果与真实结果之间的误差越来越小。经过足够多的迭代，模型学会了输入和输出之间的映射关系——它捕捉到了数据背后的模式，之后面对从未见过的新数据，也能给出合理预测。

机器学习是人工智能最成熟、应用最广泛的分支。从金融风控到气象预报，从推荐系统到医疗诊断，分析模型已经渗透到各行各业。工业场景中，预测性维护、质量异常检测、能耗优化、产能预测——每一个领域的背后，都运行着不同种类的分析模型。算法谱系覆盖了从经典统计（ARIMA、Holt-Winters、指数平滑）到传统机器学习（随机森林、XGBoost、SVM）再到深度学习（LSTM、Transformer、CNN）和最近的时序基础模型（PatchTST、TimesFM）的完整脉络。

机器学习的训练模式分为两大类。有监督学习需要标注样本——每条训练数据既要包含输入特征，也要包含已知的真实结果，模型通过对比自己的预测与真实结果来修正参数。这是最常见的模式，适用于有历史标注数据的场景，比如基于历史故障记录训练故障预测模型。无监督学习则不需要标注——模型直接从数据本身发现结构、识别模式、找出偏离正常的异常点。这在工业场景中尤其重要，因为大多数工厂的历史数据并没有被系统地标注过”正常”和”故障”，而无监督异常检测可以直接从数据中学习正常运行的特征，自动识别那些”看起来不太对”的瞬间。

TDengine 将这套成熟的分析模型方法论落地到了工业时序数据场景中，核心是 TDgpt 和 TDmodel 两个组件。

TDgpt 是 TDengine TSDB 内置的时序数据分析引擎。它由四个组件构成：内置分析库集成了 statsmodels、pyculiarity、pmdarima 等成熟的统计算法，覆盖 ARIMA、ADFuller 检测等经典场景；内置机器学习库预置了 PyTorch、Keras、scikit-learn 等深度学习框架，支持更复杂的时序建模；通用大语言模型适配模块通过 OpenAI 兼容接口接入外部大模型，让大模型的推理能力直接作用于工业数据；时序数据模型 Adapter 专门对接 Time-MoE、TDtsfm 等专用时序模型，解决传统统计算法难以处理的复杂模式识别问题。TDgpt 采用无状态设计，可按需部署、独立扩容，支持 GPU 加速。所有分析能力通过一条 SQL 语句即可调用，数据不出库。

TDmodel 是 TDegnine 前端应用中的模型开发与管理模块。它依托 TDgpt 的时序分析能力，基于工业本体中已标准化和情景化的 AI-Ready 数据，提供可视化界面完成从数据选择、算法配置、模型训练到模型发布的完整流程。用户可以在同一个平台内完成分析模型的全生命周期管理——不再需要把数据导出到 Python、在外面训练、再把结果拷回来。

模型训练完成后，模型部署方式是 TDengine 关键的差异化亮点：模型可以以 SQL 函数的形式直接在数据库内运行。

一种方式是部署为 UDF（用户自定义函数）。将自己的模型或算法注册为 UDF 后，在 SQL 查询中直接调用——SELECT my_model(temp, pressure) FROM sensor_data，一条语句完成批量推理。另一种是通过 TDgpt 部署为标准 SQL 函数——FORECAST()、ANOMALY_WINDOW()、FILL_HOLE()，语法统一，开箱即用。两种方式都实现了”数据不出库、模型在库内运行”——不需要把数据搬运到外部的模型服务中，不需要独立的推理服务器，不增加额外的延迟和故障点。TDgpt 还提供了开放 SDK，允许开发者将自己的算法或模型集成进 TDengine，集成之后同样可以用一条 SQL 调用，统一收敛到 SQL 这个入口。

这种库内计算模式在工业场景中带来的优势是直接的。某化工厂的离心压缩机，运行工况复杂，历史数据中从未做过故障标注。TDgpt 直接从两年历史数据中自动学习正常运行模式，识别出三种异常工况区间——其中两种是工艺团队已知的，一种是从未被注意到的润滑系统早期劣化信号。没有标注，没有阈值，模型从数据本身找到了隐藏的模式。整个过程中，数据从未离开过 TDengine，从异常检测到结果输出，毫秒级完成。

AI 的加持让分析模型的创建和部署门槛进一步降低。在模型训练阶段，用户可以通过自然语言描述业务场景——”基于过去三个月的数据训练一个能耗预测模型”——AI 自动选择算法、配置参数、评估效果。在模型部署阶段，过去需要用 C 语言编写和编译的 UDF，现在 AI 可以一键生成并快速部署，将原本数周的开发工作压缩到几分钟。对于更复杂的业务场景，用户还可以通过 Skills 编排多个模型和分析步骤——比如先调用异常检测模型发现异常区间，再调用根因分析模型追溯原因，最后自动生成调查报告——形成一套完整的 AI 驱动的分析链路。

流程知识：把复杂任务写成 Skill 技能

最复杂的知识，是一个特定业务场景下完整业务流程的判断和处理逻辑。发现设备异常之后，第一步确认什么、第二步对比什么、第三步评估什么、第四步通知谁、第五步建什么工单——多个步骤、多个判断条件、跨多个系统协同。这类知识过去几乎不可能被系统化管理，它完全依赖人的经验和临场判断。

Skills（技能）正是为了解决这类问题而生的。它是当前 AI 智能体领域最活跃的方向之一——核心思想是将复杂的、多步骤的任务流程，封装为可被 AI 智能体按章法调用的标准化能力单元。一个 Skill 就是一份用自然语言编写的文档，描述一个完整业务场景下的操作流程、判断依据和输出要求。它不需要编程——任何一个业务专家都可以把自己的行业 know-how 写成一个 Skill。

Skill 与提示词有本质区别。提示词只是给大模型的一段临时指令，这次用完下次还得重写，没有版本、没有管理、没有复用。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——创建、编辑、测试、发布、回滚，完整的生命周期管理。上传到系统后，AI Agent 就能在对应业务场景下严格按步骤执行。

TDengine 内置了几十个经过验证的 Skills，覆盖了工业现场最常见的分析和管理场景。基于这些 Skills，TDengine 构建了十三个开箱即用的 AI 助手——数据查询、面板创建、分析任务、告警配置、指标计算、异常检测、趋势预测、根因分析、健康评估、事件查询、对比分析、报告生成、文档问答。每个助手背后都是由多个 Skills 组合而成，比如根因分析助手背后是”异常事件提取””关联数据检索””统计探索””知识检索””假设验证””报告生成”等一系列 Skills 的编排协作。

企业也可以上传自己的 Customized Skills，针对本行业的设备特性和管理流程定制专属工作流。某钢铁厂的高炉工长把”炉况异常时我是怎么一步一步判断和处理的”写成了一个 Skill：第一步检查风量和风压的关系曲线，第二步对比近 24 小时的铁水硅含量趋势，第三步判断是否需要调整焦炭负荷，第四步根据严重等级选择通知对象，第五步建档并推送至下一班。这个 Skill 上传后，任何班次的工长都可以直接调用——经验不再只属于某一个人。

更进一步，TDengine 可以在任何有数据的页面上构建个性化的 AI Function——选择要对接的大模型、上传自己的 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。每个团队都能构建专属的 AI 能力组合，而不是只能被动使用厂商预置的固定功能。

你的知识，你的资产

工业企业进行知识管理，绕不开一个核心顾虑：企业几十年积累的宝贵经验，被大模型”学走”之后会不会泄漏给竞争对手？这些知识经验是公司的核心资产，不是大模型的免费训练数据。

TDengine 在这一问题上的立场是明确的：知识属于用户，不属于平台，更不属于大模型。

不绑定大模型。 TDengine 不内置任何特定的大模型服务。企业可以根据自身合规要求和安全策略自主选择——云端大模型、私有化部署的大模型、甚至完全在厂区内的本地模型。选择本地化部署后，所有知识不出厂区，大模型的学习过程完全在企业自己的数据边界内完成。大模型可以更换，知识始终留在企业手里。

五级安全策略。 TDengine 内的所有知识资产——工业本体对象、知识库文档、表达式规则、分析模型、Skills——都属于系统资源，受到全局统一的五级安全策略保护：可查看、可编辑、编辑时需提交变更原因、二次密码验证、MFA 多因素认证。每一种资源的安全策略可以独立配置，全局生效，与具体用户和角色无关。即便是系统管理员，修改一个被 MFA 保护的 Skill 也必须完成二次认证。一家企业最核心的工艺知识和故障处置经验，在系统层面得到了完整的保护。

精细化权限与审计追溯。 TDengine 通过用户、用户组、角色的权限管理体系实现精细化管控——权限可以精准到每一个具体功能、每一个元素、每一项知识。不同角色的用户和 AI Agent 对不同资源拥有不同级别的访问与控制权限，没有权限的节点对 AI 不可见。所有关键操作都有完整的审计日志，支持按时间、用户、任务、元素多维度查询——谁在什么时候修改了什么、谁调用了哪个 Skill、AI 执行了什么操作，全程可追溯，日志不可篡改。

让知识成为企业的长期资产

工业企业的竞争力，从来不只是设备和产能，更是几十年来在产线上积累的那套”知道怎么做”的经验。设备会更新，产线会改造，人员会流动——唯一不能被带走、不应该被遗忘的，是这些经验。

但这套经验过去几乎全部以隐性知识的方式存在。它脆弱，依赖个人的记忆与传承。它分散，散落在不同系统、不同格式、不同人的脑子里。它无法被调用，AI 看不到它，新人接不住它，历史问题一次次重演。

TDengine 的知识管理体系做的事，就是让这些隐性知识走出档案柜、走出人脑、走出共享盘——变成可管理、可复用、可被持续积累的企业资产。工业本体赋予每一个数字以业务语义，文档管理让历史经验可被检索和引用，计算表达式让业务经验判断变成持续运行的监控逻辑，分析模型让隐藏模式从海量数据中浮现出来，Skills 技能让 AI 智能体按用户定义的流程执行复杂的处置任务。五种知识形态，一套从沉淀到调用的完整闭环，一套全局统一的安全管控体系。

当企业的隐形知识被全面管理起来之后，它就不再依赖某一个具体的人了。知识可以被传承、被复用，可以被人、系统和 AI 智能体轻松使用，可以随业务演进持续积累——知识从个人的记忆，变成了持续增值的企业资产。