作者｜齐马
编辑｜星奈
媒体｜AI大模型工场
通用智能体进入工业现场，往往会出现“水土不服”。问题未必出在模型参数，而在于物理世界的数据形态与风险边界截然不同：传感器数据连续涌入，噪声、漂移和缺失相互交织，设备之间又存在复杂耦合；一旦判断失准，往往牵一发而动全身。
在AI大模型工场2026 AI产业生态大会上，涛思数据联合创始人李广没有从模型切入，而是把问题拉回数据工程的底层：
时序数据就是物理世界的数字脉搏。
在信息物理系统（CPS）中，时序数据并非静态记录，而是设备状态随时间演化的轨迹。AI不仅要读取数值，还要识别事件发生的时间、设备所属层级、参数的业务含义及上下游关联。缺少这些上下文，再强的模型也难以形成可靠判断。
沿着这一逻辑，工业AI的落地可以拆解为三条相互咬合的链路：数据链负责采集、清洗、存储与实时计算；语义链通过工业本体补齐设备、参数和关系；执行链则把分析、告警与处置连接起来。三者若彼此割裂，智能体就只能给出建议，无法进入生产闭环。
TDengine据此构建六层工业数据底座，并将IAR工业智能体运行时、知识图谱和Skills机制纳入同一架构。其目标不是另起炉灶，而是在既有工业数据体系上补齐语义理解与智能执行能力。
李广的论述由通用Agent与工业Agent的差异出发，继而分析数据、语义与执行断裂，再落到平台架构、工业本体、智能体运行时和开放生态，呈现了一条从时序数据到实时决策闭环的完整技术路径。
核心观点梳理
通用智能体与工业智能体处理的数据不同。工业数据具有连续、高频、实时和质量不稳定等特征，不能直接照搬面向文本与图像的处理方式。
工业AI面临数据、语义与执行链路的断裂。模型不仅要读到数据，还要理解设备、参数和业务关系，并将分析结果及时转化为行动。
时序数据记录了物理设备随时间发生的状态变化，是连接物理世界与数字世界的重要数据基础。
工业数据应尽量就近存储、就近计算，减少跨系统搬运带来的架构复杂度与时效损失。
工业数据底座需要覆盖数据汇聚、存储引擎、语义建模、计算分析、AI智能和数据消费六个层次。
工业本体的作用，是为设备、参数和关联关系补充统一的业务语义，让AI能够理解数据上下文。
工业智能体的目标不是生成一份分析报告，而是打通实时分析、异常告警、过程洞察与决策执行，形成闭环。
Skills机制可以将算法、行业知识和系统接口封装为可插拔模块，降低工业智能体的扩展与复用成本。
以下为李广演讲全文：
工业智能体与通用智能体的差别
我今天分享的主题是《Agent时代的时序底座》。过去十几年，我们围绕时序数据库开展工作；最近几年，又开始基于智能体建设数据平台，探索如何让工业数据更好地服务AI应用。
涛思数据长期深耕工厂、产线和能源等工业场景。随着行业数字化发展，我们积累了大量时序数据处理经验。TDengine也通过开源进入开发者社区，目前在GitHub上的Star数超过25K。最近两年，AI快速发展，如何让模型与工业数据、业务场景真正结合，成为我们重点解决的问题。
2025年以前，AI更多以助手形态回答问题。现在，基于智能体进行任务规划和执行的应用越来越多。但通用智能体与工业智能体存在明显差别。
从我们观察到的数据看，在营销客服、办公自动化等数字化流程中，智能体的企业部署比例已经比较高；在工厂、管线和电网等物理场景中，部署比例仍然较低。造成这一差距的原因，首先在于数据。
通用AI主要处理文本、图片和视频，这些数据大多是离散、相对静态的。工业场景面对的则是传感器持续产生的时序数据，数据量大、速度快，部分场景每秒会产生上百万个数据点。
工业数据的质量也更复杂。传感器可能出现数据缺失、漂移和噪声等问题。模型即使读到了数据库中的某个字段，也未必知道这个字段对应哪台设备、代表什么参数，更不了解它与其他设备之间的关系。在这样的基础上直接训练或分析，效果往往有限。
此外，很多工业数据以秒级甚至毫秒级持续流入。工业生产又对可靠性要求很高，错误判断可能直接影响设备运行。因此，工业场景需要专门的数据平台来支撑实时分析和智能体执行。
数据、语义与执行链路的三重断裂
工业AI落地主要面临三类断裂。
第一类是数据断裂。机器设备来自不同厂商，使用不同协议，数据分散在多个封闭系统中。数据进入平台前，还要完成采集、清洗、治理和质量控制。
第二类是语义断裂。AI看到一个温度或压力值，却不知道它对应哪台设备、处于哪个工序，也不了解正常区间和上下游关系。缺少这些上下文，模型就无法准确判断数据意味着什么。
第三类是执行链路的断裂。传统方式通常要把数据导出，再交给其他系统或人员分析，最后把结论传回现场。链路过长会削弱实时性，也很难支撑工业场景中的连续决策。
连接这些环节，需要一个覆盖数据、语义、分析与执行的数据底座。
在我看来，时序数据就是物理世界的数字脉搏。所谓时序数据，是带有时间戳、按照时间顺序记录的数据序列。在工业场景中，每一个传感器、每一台设备和每一条产线都在持续产生这类数据，包括温度、压力、流量、振动、电流和电压等。
这些数据应尽量就近存储、就近计算。如果先搬运到多个第三方系统再做分析，不仅架构复杂，时效性也会受到影响。因此，平台需要把存储、分析和决策能力放在一起。
六层工业数据底座
我们将工业数据底座划分为六个层次。
第一层是数据汇聚，负责边缘采集、多协议接入、数据清洗、边缘计算和断点续传。
第二层是存储引擎。TDengine采用“一个数据采集点一张表”的模型，并支持列式存储、多级压缩、多级存储和集群高可用。在部分场景中，数据压缩比可以达到10:1。
第三层是语义建模。平台通过工业本体的树状层级和网络关联关系，为数据补充业务语义。
第四层是计算分析，包括流计算、实时分析、过程分析、连续查询、聚合和降采样等能力，并支持多种触发窗口和毫秒级处理。
第五层是AI智能，包括IAR工业智能体运行时、13个AI助手、TDgpt库内AI、TDmodel模型管理以及知识库和知识图谱。
第六层是数据消费，包括实时大屏、BI报表、API接口、告警通知、移动端以及第三方系统集成。
工业本体是连接数据与智能的重要桥梁。模型需要知道一个参数是否来自1号风机的齿轮箱，这个参数代表什么，以及这台设备与其他设备有什么关系。工业本体的作用，就是统一这些上下文和关联关系，使不同来源的数据能够在同一套业务语义下被理解和使用。
完成数据存储与语义建模后，平台可以进一步支持批次分析、周期分析和过程对比。例如在化工产线中，可以对不同生产批次进行时间对齐，分析“黄金批次”的关键参数与变化过程。
工业现场并没有足够多熟悉IT工具的工程师，因此平台还要降低使用门槛。通过零代码或低代码方式，工业工程师可以直接开展分析，也可以把老师傅长期积累的经验沉淀到知识库中。
一份信息资产可以通过实时大屏、报表、接口、告警和移动端等多种界面被使用。我们把这种能力称为柔性的数据消费方式。
从实时分析走向决策闭环
IAR工业智能体运行时与通用Agent的区别，在于它要基于工业数据和业务语义完成连续执行。
我们的目标，是把设备数据采集、业务含义识别、趋势分析、异常告警、过程洞察和实时决策连接起来，形成闭环，而不是把数据导出后再等待人工分析。
以风机齿轮箱温度异常为例，传统流程通常需要人员查看数据、判断问题，再派发工单。新的模式下，平台感知到异常后可以自动标记，并调用相应的分析能力，结合设备上下文和历史数据给出判断，再进入后续处置流程。
围绕这一目标，IAR包含工业智能体运行时、认知框架、13个AI助手、知识库、知识图谱和AI安全机制。它代表着TDengine从时序数据库向AI原生工业数据平台延伸。
目前，我们已经在电力、制造、水务、燃气、石油石化和炼化装置等场景中进行探索。在部分企业实践中，存储成本最高可以降低约90%，相关查询与分析性能也得到提升。
用Skills扩展工业智能体能力
Skills技能市场用于持续扩展工业智能体的能力。每个Skill都是一个可插拔模块，封装特定的工业分析能力、行业知识或系统接口。用户可以按需安装，不必为增加一项能力而升级整个系统。
Skills主要分为三类：
分析技能：封装特定算法和分析流程，如振动频谱分析、油液品质分析、电能质量分析和热成像分析。
领域技能：封装具体行业的知识与规则，如风电齿轮箱诊断、汽轮机启动分析、变压器绝缘评估和水泵汽蚀检测。
集成技能：封装与第三方系统的对接能力，如SAP工单、西门子Teamcenter、OSIsoft PI和AWS IoT等系统的集成或数据迁移。
整个Skills生态分为三个层次。官方技能库已有50多个技能，由涛思数据开发和维护，覆盖电力、制造、水务、石化和冶金等行业；合作伙伴技能超过100个，由行业合作伙伴、设备厂商和系统集成商开发；企业还可以通过Skill SDK创建自定义技能，封装自身的分析流程和知识经验，在内部共享复用。
配套工具链包括Python和Java SDK、本地调试器、模拟运行与性能测试工具，以及支持发布、审核、分发、版本管理和计费的技能市场。平台也支持可视化编排，让业务人员能够以零代码方式创建部分技能。
我们的目标，是让更多工业场景拥有对应的Skill，也让工业专家能够把自己的知识转化为可复用能力。
工业AI需要开放生态
工业行业涉及大量设备、协议和专业知识，不可能由一家公司独立完成。工业智能体需要开源社区、设备厂商、渠道、系统集成商和企业用户共同参与。
依托TDengine的开源社区，我们正在与更多合作伙伴协作。针对大量中小企业在AI应用中的成本压力，我们也推出了全功能免费计划，希望让更多企业能够从数据底座开始验证工业AI场景。
Agent时代的时序底座，承担的是连接数字世界与物理世界的任务。只有先解决数据、语义和执行链路的问题，工业智能体才可能真正进入生产流程。
