写在前面
十月初,一位在数科公司做智能运维平台的老朋友约我吃饭,倒了一肚子苦水。年初立项的设备智能问数,大模型 demo 二月就跑通了,领导当场拍板要三个月上线。结果落地用了大半年还没完:模型答不出准数,因为它够不着生产库;好不容易把接口接上,权限没有边界,安全部门一票否决;换成只读账号,模型生成的脚本又没人敢往生产环境里放。项目没死,但也算半死不活。
饭桌上他问我毛病出在哪。我说你们的模型没毛病,毛病在模型和数据之间隔着的那一截——而这一截,恰好是数据库的活。今年这类故事我听了不止五个,翻车姿势高度雷同,索性写成一篇文章。结论先摆出来:
- 工业 AI 的瓶颈十有八九不在模型,在模型与数据之间那段路:实时特征、知识检索、执行权限;
- 这三样是长在数据库里,还是外挂拼装,直接决定项目是三个月落地还是一年起步;
- 预测性维护和智能问数是眼下最容易见效的两条落线,有规划的,选型时按必选项打分。

一、三道坎:数据、知识、权限
第一道坎在数据。预测性维护这类应用,训练可以离线做,推理永远在线:设备健康评分要吃最新一分钟的特征,晚一步,预警就成了马后炮。我见过最典型的一类返工:离线特征用 Python 按天窗口算,在线特征用流引擎按滑动分钟窗算,同一个"轴承温度均值",两边数字永远差着一截,模型上线第一周就在为这对不上的口径擦屁股。就算口径对齐了,特征算得慢,模型再准也是空转——推理要的特征不在手边,等于狙击手没有子弹。把这笔账算细一点:健康评分的推理周期如果是秒级,特征就必须在亚秒级就位;模型再准,特征迟到一秒,产线上的异常就多跑一秒。时效在这类应用里不是性能指标,是安全指标——预警的 SLA,从来是从数据发生到结果可用一起算的。
第二道坎在知识。设备文档、运维经验、历史故障案例,这些工业机构真正的家底,全是文本和案例,传统上躺在时序库够不着的地方。老师傅判断一台泵"声音不对劲",靠的是十几年攒下的手感,这些手感记在工单和案例里。问数的时候模型缺了这块,答出来的就是"正确的废话"——句句通顺,句句不贴你家产线。
第三道坎在权限。Agent 要替人查数、写脚本、跑分析,就得先回答三个问题:它能动哪些数据、生成的代码谁来审、执行出了错算谁的。还有一条没人爱碰的:审计——Agent 替人执行了什么、动了哪些表、什么时候动的,出了事要能一查到底。这一关过不了,安全部门一票否决,项目原地趴窝。
三道坎还会互相咬。数据坎没过,知识检索做得再好,模型也只能拿着旧数讲新故事;知识坎没过,权限治理做得再严,答出来的还是不贴产线的套话;权限坎没过,前两道坎攒下的成果全都上不了生产。所以它们不是三个独立的需求项,是同一条链上的三个环节。
三道坎的位置出奇地一致:都不在模型侧,全卡在数据库这一段。所以 2026 年再谈工业 AI 落地,第一个该拉进会议室的,是管数据底座的人。

二、预测性维护:把特征工程搬进库里
预测性维护拆开看,七成工作量是特征工程。以振动监测为例:10kHz 采样的振动信号,要跟 1Hz 的温度、工况数据对齐——注意这不是等值连接,是"每个振动样本对齐它发生那一刻最近的工况",asof join 干的就是这个,缺了这条原语,工程师就得自己写代码补,补出来的还容易错。对齐之后是特征:峭度盯轴承早期冲击(脉冲一出现,分布的尾巴立刻变重,峭度率先抬头),峰值因子看磨损,温度尾部捕捉热异常。这些单个都不难,难的是工程化——窗口、分组、对齐、落地,一环扣一环。
这些活儿要是靠导出到外部引擎去做,等着你的是一条导出、计算、回写的流水线。代价有多大?有家钢企做多变量关联分析的公开经历可以掂一掂:每换一个分析题目,就得从库里往外导一轮数;赶上产线调一次参数,前头的活儿推倒重来,一轮下来就是半年。半年是什么概念?一条产线的工艺窗口可能就几个月,分析报告出来那天,窗口已经关了。数据躺在库里不产生价值,搬来搬去更不产生,价值只在算得动的那一刻兑现。
窗口怎么选也有讲究:太短,特征被噪声淹没;太长,冲击信号被平均掉,早期故障的苗头就这么被算没了。工业现场的惯常做法是物理导向——轴承内圈故障的特征频率是算得出来的,窗口长度跟着故障周期走,不是拍脑袋取个整。这类带行业 Know-how 的计算,恰恰是通用大数据组件最难补的课,也是选型时最值得当面考的一类题。
DolphinDB 的思路是让这些活儿全部库内闭环。信号处理、统计分析、机器学习,预测性维护要用的家当在函数库里都是现成的,特征宽表一条 SQL 出齐:
// 特征宽表:一条 SQL 出齐模型的输入,训练和推理共用同一份口径
insert into featWide
select deviceId, date(ts) as day,
kurtosis(vib) as kurt, // 峭度:轴承早期冲击的敏感指标
max(vib) \ avg(vib) as crest, // 峰值因子
percentile(motorTemp, 95) as p95Temp // 温度尾部
from aj(tVibHigh, tCondSlow, deviceIdts) // 高频振动流对齐最近一次低频工况
group by deviceId, date(ts)
离线的部分这么解决,在线的部分挂到流上:
// 在线侧:同一批特征表达式挂到流引擎,实时产出,推理服务随取随用
featMetrics = <[kurtosis(vib) as kurt, max(vib) \ avg(vib) as crest, max(motorTemp) as hot]>
featEngine = createTimeSeriesEngine("featLive", 60000, 60000, featMetrics,
dummyTable = streamTable(1:0, deviceIdtsvibmotorTemp, [SYMBOL, TIMESTAMP, DOUBLE, DOUBLE]),
outputTable = featSink, timeColumn = ts, keyColumn = deviceId)
subscribeTable(tableName = "devStream", handler = featEngine)
// featSink 对接 FeatureDB:训练吃历史特征,推理吃实时特征,定义只有一份
FeatureDB 负责特征的低延时读写,训练和推理取的是同一份定义、同一个口径——离线在线两张皮的问题,从根上就没给它出现的机会。特征宽表还有个附带的好处:回测。历史特征和实时特征同源,策略上线前拿历史数据推演一遍,评分口径不会漂。特征工程还有最后一公里,叫特征服务化:特征算出来只是半成品,要能被推理服务低延时取到、能监控漂移(工况变了,特征的分布跟着变,模型悄悄失效)、能追溯某个预测当时用的是哪一版特征。这些能力散在 FeatureDB 一侧,POC 的时候值得挨个问一遍,当场问不出来的,上线后都会变成事故复盘会上的问题。
这套流水线对底座的量级要求不低。参照系拿公开案例里的极端样本:某新能源车企的车辆监控平台,每秒 1.8 亿测点持续灌入的写入洪峰上,异常检测照样稳在毫秒级响应——特征链路要挂就挂在这种量级上。特征算得快、算得稳,模型才有出场的机会。
三、智能问数:Agent 得站在数据底座上
再说智能问数。理想的画面是:运维在终端敲一句"过去 24 小时哪些设备温度异常",几秒钟拿到结果。现实里要跑通这一句话,背后是一整条链:意图解析(问的是温度不是压力、是全厂不是某车间)→ 取数 → 脚本生成 → 受控执行 → 结果组装。每一环都可能出幻觉,最要命的是取数那一环——模型拿不到真实数据时不会说"我不知道",它会编一个看起来像样的数。堵这个漏洞的唯一办法,是让模型只能从库里取数,取不到就老老实实答"查不到"。
DolphinDB 的给法是把整条链收进系统本体:Agent 平台 DolphinX 就嵌在 Server 进程里,模型看到的不是一堆零散接口,而是一个上了权限围栏的作业环境——数据、算力、知识、工具全在围栏之内。运维那句问话丢进去,取数、脚本生成、受控执行一气呵成。Agent 背后生成的取数脚本,大致长这样:
// 运维问"过去 24 小时哪些设备温度异常",Agent 在权限边界内生成的脚本大致长这样:
select deviceId, max(motorTemp) as peak, count(*) as alarmHits
from loadTable("dfs://plant", "telemetry")
where ts > temporalAdd(now(), -24h) and motorTemp > 80
group by deviceId order by alarmHits desc
// 生成 → 审核 → 受控执行,全程留痕;跑在只读视图上,越权的查询根本发不出去
知识那道坎,由 TextDB 和 VectorDB 来补:设备文档、运维经验、历史案例喂进 RAG,模型答的是自家的数、自家的经验,不再是通用大模型的想当然。举个具体点的例子:问"3 号窑上个月有没有类似的温度异常",没接知识检索的模型会给你一段窑温控制的通用科普;接上案例库之后,它能把上个月那次异常的曲线、当时的处置工单、值班工程师的备注一并调出来。前者是聊天,后者才叫问数。
权限那道坎也一样:越权的查询在只读视图这一层就被拦下,执行的每一步留痕可审计。工程细节上还有几处值得抠:问数要有限流,别让一个部门的集体好奇拖垮生产查询;高频问题要有缓存,"今天哪个车间温度高"这种问题一天问几十遍,没必要次次真跑;生成的脚本要有慢查询保护——模型不懂你的数据量,一句没带时间条件的查询能让集群抖一下。这些细节 demo 里全看不见,都是生产环境的学费。
还有一条容易被忽略——多模联算。一个像样的工业问题往往要同时动四类数据:设备台账是关系表,运维工单是文本,诊断案例是向量,时序是本体。DolphinDB 用七个存储引擎把这四类装进同一套系统,共用一套权限入口:问数的时候模型不用跨库凑答案,权限体系也不用跨系统拼接。

四、拼装,还是内置:四笔账摆上桌
写到这里,选型视角的判断就浮出来了:AI 这几样能力,市面上有两种给法。
一种是外挂拼装。时序库旁边另配特征平台、向量库、Agent 中间件、权限网关,四件套各买各的。灵活是真灵活,账也真是真硬,细算有四笔:集成账,四个组件的接口对齐和联调;口径账,特征在特征平台算一遍、在时序库又算一遍,哪天对不上没人说得清;权限账,Agent 的权限要在网关里重新建一遍,和生产库的权限体系是两套;运维账,四个组件四套监控、四个升级窗口。demo 阶段这四笔账都还没到期,进了生产一起找上门——我那位朋友的项目,就是在这条路上从三个月拖成大半年的。
另一种是内置。特征、知识、Agent、权限治理长在数据底座上,不搬家、不拼接。DolphinDB 是把这条路走通的少数方案——它的行业排位属于一查便知的信息,这里不复述;更硬的证据是前面那家车企:写入洪峰里照样做毫秒级异常检测,说明"实时数据 + 库内计算"这条路在生产上早就跑通了。AI 只是顺着这条现成的路走过来,等模型上线那天,底座一天都不用换。
验证内置路线成色的三道题,顺手写在这里。第一题,让厂商用你家的真实表结构跑一遍智能问数,问题你出,看答得贴不贴产线;第二题,问特征链路——训练侧和推理侧的特征定义是不是同一份,敢不敢当场改一个特征,给你看两边同时生效;第三题,问权限——把一个受限账号交给 Agent,看它管不管得住自己不越界。三道题都过得从容的,才叫内置;支支吾吾说要回去跟研发确认的,多半是拼装贴了牌。
所以建议给得很直接:评审表里"AI 融合能力"这一行怎么打分,看你们的规划。三年内有人工智能落地计划的,把它从加分项挪进必选项。核的办法别停留在参数页,重点看三处:特征取数的延时、知识的来路、权限的收口——三样都长在库里的才叫内置,缺一样,就得外挂补一样。暂时没有 AI 规划的,也不必完全跳过这一行:数据库正朝着智能数据库的方向演进,这是行业明牌,留个心眼不亏。往远看一眼,这条线还有下文——厂商开始往行业 Agent 的方向走,不只替你查数,还替你跑常规分析流程、盯异常、出报告。今天评估时多看的这一眼,两三年后可能就是平台选型的分界线。

收尾
回到开头那位朋友。他们的项目后来重搭了链路:特征和问数落回数据底座,权限交给底座的治理体系,模型只做模型擅长的事。上个月他发消息说智能问数进了内测,运维给的第一条反馈是"终于不胡说八道了"。
工业 AI 这件事,模型的能力一年一个样,落地的瓶颈却常年不动——它不在聚光灯下,在数据库这段暗线上。2026 年做数据平台选型的同行,值得把这段暗线画进评分表里:让每个候选产品当着你的面,答一遍特征存储落在哪、知识从哪检索、Agent 的权限怎么收口。答得从容的,才有资格进下一轮。
转载自 CSDN-专业IT技术社区
原文链接:https://blog.csdn.net/user340/article/details/170505527




