登录社区云，与社区用户共同成长
邀请您加入社区
8月24日，宇树科技收跌10.3%，报603.08元，较上市首日开盘价回撤超过40%，总市值降至约2439亿元，短短四个交易日蒸发约2000亿元。2023年至2025年，公司营收从1.59亿元增至16.99亿元，主营业务毛利率升至60.13%，2025年归母净利润2.78亿元，经营活动现金流净额6.70亿元。发行价对应2025年扣非后摊薄市盈率已达219倍，而王兴兴对人形机器人商业化周期的判断，也
我们很多做技术的，有个习惯。就是看到报警了，赶紧去查指标。看到CPU报警了，就盯着CPU的折线图看。看完了，确认确实是高了，就把这个截图发到群里。
落地算力券、场景补贴等普惠举措，着力构建上下联动、全域覆盖的AI推广格局。接下来，除6大市级主活动外，东莞各镇街园区也将结合自身特色开展28场AI产业相关活动，还有医院、学校、银行、工厂、行业协会等将举办各类活动，全市合计将开展近百场人工智能相关活动，展现东莞“ALL in AI”的决心与行动。其中，主题展示区集中展示了东莞市《“人工智能+”城市实施方案》政策解读、6场市级主活动简介以及围绕AI+
总结核心观点，强调在技术快速演进和商业环境变化中，保持技术架构的灵活性、持续关注成本效益比，以及建立多元化的技术备选方案，才是应对此类变化的根本之道。
时序大模型 TimechoAI 让时序数据分析从“手工建模”走向“智能预测”。它基于清华大学 Timer 时序大模型，提供开箱即用的云服务，无需自建模型，即可获得高精度、低延迟的时序分析能力。无论你是零代码基础的业务人员（通过 Web 控制台上传数据、一键预测），还是需要编程集成的开发者（通过 REST API 或 Python SDK 接入），TimechoAI 都能提供最适合你的使用路径。它把
前 9 篇，系统是跑在单机上的：一个 TDengine 容器，REPLICA 1，数据只有一份。节点挂了，数据还在盘上，但服务没了。这一篇把部署换成三节点集群，REPLICA 3，然后真的停掉一个节点做故障演练——看看查询还能不能继续。这也是本系列最后一篇：从部署到高可用，一条遥测数据的旅程完整闭环。
本文介绍KaiwuDB双副本仲裁方案的设计思路与实战部署。该方案通过2个数据副本+1个仲裁副本的架构，在保证高可用性的同时降低存储成本。仲裁节点仅参与RAFT投票，不存储时序数据，可部署在低配机器上。 文章详细阐述了部署步骤：初始化数据节点、加入仲裁节点、启用双副本策略，并提供了扩缩容操作方法。该方案适用于时序数据占比高的物联网场景，实现了成本与可靠性的平衡，支持自动故障转移能力。部署时需注意仲裁
本文将根据惯视里程计中的时序对齐进行总结和讨论。
第 7 篇的模拟器里，电机设备的振动超过 0.18 就报状态码 2、超过 0.35 报 3——但这两个阈值是写死在模拟器里的。真实系统不能这样：阈值得能配、能停用、能按设备类型区分。这篇讲告警引擎：规则存 PostgreSQL，遥测在 TDengine，evaluate 实时跨库求值，一条规则从创建到触发的完整旅程。
档案放 PostgreSQL，时序放 TDengine——这是很多 IoT 系统的标准姿势。但真要把两个数据源塞进同一个 Spring Boot 应用，配置、注入、防注入、分页、健康检查，每一步都有坑。本文用实战源码，讲透双数据源查询层的完整实现。
第 4 篇我们搭好了写入管线，背压、攒批、并发 worker 都就位了。可管线再高效，也得有数据往里喂。今天回到源头：数据从哪来？两条路——模拟器直接造，采集器从三源收，最终都汇入同一条 pipeline。这篇就讲四件事：物理模型、确定性 seed、归一化漏斗、坏数据去向。读完你能回答：模拟器的物理模型为什么这么设计？三源各适合什么场景？坏数据去哪了？
昨日，《福布斯》援引分析师报道，行业监测数据显示，Anthropic约80%的营收来自API及企业业务，其今年5月年化营收突破80亿美元（约合人民币539.21亿元）的Claude Code，正成为第二增长曲线，这一部分属于面向企业的按量计费收入，营收规模随使用量上涨，而非按售卖席位数量增长。智东西8月18日消息，刚刚，据彭博社援引知情人士报道，截至7月底，Anthropic的年化营收已超650亿
制造业数字化转型中，时序数据库选型面临诸多挑战。本文系统对比了八大主流时序存储引擎（InfluxDB、TimescaleDB、TDengine、Prometheus、QuestDB、VictoriaMetrics、Apache IoTDB、ClickHouse），从技术架构、工业协议适配、许可证合规、性能特点等维度展开分析，针对不同制造业场景（设备采集、产线监控、能耗统计等）给出适配建议。重点提出
制造业时序数据管理挑战与解决方案 在制造业中，传感器、PLC和SCADA系统持续产生海量时序数据（如温度、压力、振动等），传统关系型数据库面临写入瓶颈、存储膨胀、聚合查询低效等问题。时序数据库（TSDB）通过LSM-Tree存储引擎、列式压缩、专用查询函数（如降采样、滑动窗口聚合）及自动生命周期管理（TTL），显著提升性能并降低成本。其典型应用场景包括高频设备监控、OEE统计和实时告警，尤其适用于
同一个数据库，三种进门方式：WebSocket 走 6041、REST 也走 6041、Native 独占 6030。端口背后藏着协议实现的本质差异。读懂这里，你才能写出公平的基准测试，也才知道日常开发该走哪扇门。
进入2026年，在“数字中国”与工业物联网浪潮的强劲推动下，国产时序数据库市场持续繁荣，竞争格局日趋清晰。本文将对当前主流的国产时序数据库进行梳理盘点，并特别聚焦于金仓数据库（Kingbase），深入剖析其以融合多模架构为核心的差异化竞争实力，为企业在数字化转型中的时序数据底座选型提供参考。
时序数据库选型避坑指南：一个老工程师的实战心得
摘要： AI在工业场景中难以精准判断设备异常，因单一数据（如温度）无法揭示复杂原因，需结合时序数据、维修记录等多维度信息。传统分散的数据系统导致分析效率低下，而金仓时序数据库（KES TimeSeries）采用融合架构，原生整合时序、关系、GIS等数据，优化写入（千万级/秒）、存储（压缩比10:1）和查询性能（毫秒级响应）。该方案已应用于北京轨道交通，性能提升10倍，存储减少80%，为实时监控和A
围绕安全可靠做时序分析，不是给模型外面套一层口号，而是把每个环节都写实：数据质量先检查，预测参数讲清楚，异常检测留分数，结果入库可追溯。TimechoAI 的价值在于，它把时序预测、异常检测、数据集管理和 API/SDK 接入放到了同一个使用路径里。对已经积累了大量传感器曲线的团队来说，可以先从一条曲线、一份 CSV、一个预测窗口开始，把流程跑通，再逐步扩展到协变量、批量测点和告警联动。这条路径不
时序数据库首次进入国家级安全可靠测评名录，是中国基础软件产业发展历程中的一个重要里程碑。它标志着国产时序数据库在核心技术能力、安全保障能力、持续发展能力与关键行业适用性四个维度上，已经通过了国家权威机构的系统性检验，具备了支撑金融、能源、工业制造等关键信息基础设施的能力。从更宏观的视角看，这一事件折射出中国信息技术自主可控战略的深入推进。从操作系统到关系型数据库，从中间件到办公软件，再到今天的时序
高频时序写入的朴素写法是：来一条数据，INSERT 一次。每秒上千条时，网络往返、内存堆积、连接池全部亮红灯。本文拆解一个生产级 asyncio 写入管线：有界队列背压、双触发攒批、多 worker 并发，外加转义、重试与优雅停机，一套可照抄的写入模式。
窗口聚合、每设备最新值、离线检测，是时序查询三个高频场景。本文用 TDengine 实战代码讲 INTERVAL + _wstart、LAST_ROW()、HAVING LAST(ts) 三种写法，解释为什么聚合列敢拼 SQL、条件却必须参数绑定，以及 31 天/5000 行边界背后的资源保护逻辑。
本文介绍了如何使用TimechoAI大模型进行时序数据异常检测。首先解释了为什么直接将数字序列输入大模型效果不佳，因为大模型需要带有语义的上下文信息才能更好理解数据。文章推荐将数据转换为"时间,指标名称,数值"的文本格式，并提供了Python代码示例来生成模拟的CPU监控数据（包含一个故意设置的异常点）。接着详细说明了如何构建有效的提示词(Prompt)，指导大模型分析数据中的异常波动。最后展示了
为什么你的子表名是一串看不懂的字符？建库语句里每个数字到底在管什么？哪些字段该当 TAG、哪些该当列？本文用真实可运行的 TDengine 建模代码，把这三个决策点一次讲透，读完你就能独立设计一张不踩坑的超级表。
工业物联网场景中，AI故障诊断常因数据分散和缺失而失效。金仓KES TimeSeries通过内置时序数据库能力，整合多源数据。其核心创新是“超表”架构——逻辑表对开发者透明，底层数据按时间/空间自动分片为物理Chunk，支持自动扩容、存储优化和无感查询。该架构既保留标准SQL易用性，又实现水平扩展，解决了传统时序库分片管理复杂、运维成本高的问题，为工业AI提供了高效的数据底层支持。（150字）
短视频平台的信息密度远超图文，一条15秒的视频里可能包含画面、字幕、背景音、评论区，传统爬虫抓回来的只是一堆无意义的二进制。更头疼的是，负面信息往往不是直接骂你，而是用隐喻、表情包、剪辑拼接的方式传播。我们连夜联系甲方核实，确认是虚假信息后，系统自动生成了申诉材料，早上七点之前提交平台，等主流媒体上班准备转载的时候，那条视频已经404了。某次某品牌出了质量风波，系统抓了几万条相关讨论，推送了一百多
本文通过实战案例，详细介绍了如何利用Apache IoTDB的树形数据模型优化工业设备监控系统。针对工业数据天然的层级结构，树形模型通过路径表示设备关系，相比传统关系型数据库，在数据建模、查询效率和扩展性方面优势显著。文章提供了完整的Python代码示例，涵盖环境搭建、数据建模、高效查询和性能优化，帮助开发者快速构建高性能的工业物联网时序数据平台。
11.客户端与连接器 |：04 Python 连接器TDengine 提供taospy（Native）和taos-ws-py（WebSocket）两个 Python 包，均实现 PEP 249 DB-API 规范。本文涵盖安装、基本用法、STMT2、Schemaless、订阅、Pandas/SQLAlchemy 集成。
先掌握SQLite基础操作，再学习MySQL/PostgreSQL等数据库。可加速$O(n)$到$O(\log n)$的查询。
导读： 物联网数据一天产生上亿行，MySQL 扛得住吗？本文从一个可运行的工业 IoT 参考项目出发，讲清楚时序数据库为什么适合物联网、系统分哪五层、怎么用 Docker Compose 五分钟拉起完整环境，再跟随一条遥测数据走完从模拟器到 Grafana 面板的完整旅程。
没有回滚点的自主执行，不适合做默认模式。对高副作用工具，执行前展示：将调用的工具名、参数摘要、影响对象、是否可回滚。每次工具调用记录：时间、会话 id、工具名、参数摘要（脱敏）、结果状态、触发该步的模型决策摘要。把 Agent 当「带权限的自动化脚本」管理：最小权限、确认闸、审计、回滚、对抗评测。参数侧还要做白名单校验：路径越界、URL 外域、超量批量，直接拒绝，而不是交给模型「注意安全」。3.
文章摘要：随着AI技术在数据库运维领域的应用，"Agent自动运维"工具展现出高效分析处理能力，但其通用性导致对特定数据库内核的理解不足，且存在安全隐患。文章提出未来智能运维应采用"数据库→专业管控平台→Agent"三层架构，其中管控平台需具备深度数据采集、安全隔离与精准执行能力。以金仓KEMCC为例，其原生集成的监控、诊断、执行和安全管理功能，成为AI与数据库内核间的关键缓冲层，确保运维的精准性
金仓时序数据库的超表架构(Hypertable)通过自动分区和物理分片透明化技术，有效解决了时序数据管理中的分片难题。该架构采用二维分区策略，同时按时间轴和空间轴自动路由数据，支持高并发写入和高效查询。开发者只需使用标准SQL操作逻辑表，无需关心底层分片细节，系统自动处理分区裁剪、冷热数据分离和过期数据清理。相比传统时序数据库，这种设计显著降低了运维复杂度，提升了写入吞吐和查询性能，尤其适合物联网
本文介绍了KaiwuDB在建晖纸业工业物联网项目中的应用实践。造纸行业面临多源数据采集难、数据孤岛、决策支撑不足等挑战。KaiwuDB通过高性能时序数据处理、多模数据融合管理和内置AI预测分析能力，实现了全量高频数据稳定采集、设备监控预警和能耗分析优化。该方案显著提升了设备监控效率，降低了数据存储成本，为流程制造企业数字化转型提供了有效解决方案。
31项KES专业技能开源，让AI编程助手更懂数据库
提起 DolphinDB，大多数人第一反应是"金融/物联网场景的高性能时序数据库"。这个印象没错，但已经远远不够。2026 年 7 月 12 日，DolphinDB V3.00.6 正式发布，企业级 Agent 开发与治理平台 DolphinX 重磅上线，并伴随 FeatureDB、FICC 全定价链路、JIT 编译增强、流计算高可用等一系列能力扩展。
时序数据库是处理时间序列数据的专用数据库系统，其核心原理在于高效存储和查询按时间顺序排列的数据点，通过数据压缩、时间分区和专用索引等技术实现高性能。在物联网、监控和金融分析等场景中，时序数据库对于海量时间序列数据的实时写入与查询具有关键价值。随着AI Agent技术的发展，尤其是具备代码解释与执行能力的智能体，为数据库部署与运维带来了范式转变。AI Agent能够理解用户意图，自动完成环境检查、依
时序数据库是处理带时间戳数据流的核心基础设施，广泛应用于物联网、监控和金融领域。其核心原理是通过优化的存储引擎和索引结构，高效管理时间序列数据的写入、压缩和查询。在工程实践中，部署和运维时序数据库往往面临环境配置复杂、版本兼容性、性能调优等技术挑战。通过引入AI Agent技术，可以将运维专家的经验封装为智能化的执行流程，实现从环境分析、依赖解决、配置调优到服务验证的全自动部署。本文聚焦于如何利用
/ Rust 实现 taosX 插件// 详见《TaosX 插件开发》// 插件实现 trait// 自定义解析逻辑;Ok(vec!}])// 编译为 .so// 加载到 taosX 注册为 parserRust 插件机制支持任意协议。或在应用层自行转换为 TDengine 支持的格式。
本文分享了作者在工业物联网项目中关于时序数据库选型的实践经验。最初计划采用专业时序数据库应对高频数据写入，但客户业务需求（需跨设备档案、维修记录等多维度关联查询）促使重新评估方案。作者最终选择金仓数据库的超表功能，其优势在于：1）内置时间分块管理，简化传统按月分表的繁琐运维；2）支持时序数据与关系型数据的统一存储，避免跨库关联的复杂性；3）提供连续聚合、数据压缩等实用功能，减少开发维护成本。通过实
TDengine TSDB 作为华渚物联核心平台数字化转型的核心数据引擎，成功地将物联网时序数据处理能力深度融入了 UPS 设备从"设备物联"到"预测托管"的全生命周期管理链条中。它不仅解决了海量设备数据带来的高并发写入、统一管理、实时告警、长期存储等技术挑战，更赋能华渚物联持续引领不间断电源行业向资产数字化、运维流程化、监控实时化、健康智能化方向迈进，为金融、交通、医疗、教育等关键行业用户构筑了
本文深入探讨了Apache IoTDB时序数据库在车联网和智能工厂等工业物联网场景中，如何应对千万级设备数据管理的核心挑战。通过分析其树形数据模型、端边云协同架构及高频写入优化策略，并结合冷热数据分层、预测性维护等实战案例，展示了IoTDB处理海量时序数据、实现高效存储与实时分析的能力。
本文深度解析工业时序数据库选型，聚焦InfluxDB、TimescaleDB和Apache IoTDB三大主流方案。针对工业场景高吞吐写入、多维查询、冷热数据分层及存储压缩等核心需求，提供了从关键性能指标拆解到实战POC验证的完整选型框架，帮助企业为海量传感器数据选择最契合的管家。
时序数据库
——时序数据库
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DAMO开发者矩阵
葡萄城开发者空间
DeepSeek技术社区
EazyDevelop社区
亚马逊云科技技术品牌专区
全球具身智能开发者社区
MCP技术社区
AI硬件创业社区
openEuler 社区
AI Agent技术社区
CSDN-OPC开发者社区
AI编程社区
