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

kwdb-performance-review 的价值，不在于替代 DBA 或开发者做最终判断，而是把 KWDB 慢 SQL 分析中容易遗漏的步骤固化下来：先识别表类型，再阅读执行计划，再定位查询反模式，最后用改写 SQL 和新执行计划验证优化效果。对于正在尝试把 AI Agent 接入数据库工作流的团队来说，这类 Skill 可以把一次性的经验提示沉淀为可复用的工程流程，让 KWDB 查询优化、

kwdb-performance-review 的价值，不在于替代 DBA 或开发者做最终判断，而是把 KWDB 慢 SQL 分析中容易遗漏的步骤固化下来：先识别表类型，再阅读执行计划，再定位查询反模式，最后用改写 SQL 和新执行计划验证优化效果。对于正在尝试把 AI Agent 接入数据库工作流的团队来说，这类 Skill 可以把一次性的经验提示沉淀为可复用的工程流程，让 KWDB 查询优化、

kwdb-performance-review 的价值，不在于替代 DBA 或开发者做最终判断，而是把 KWDB 慢 SQL 分析中容易遗漏的步骤固化下来：先识别表类型，再阅读执行计划，再定位查询反模式，最后用改写 SQL 和新执行计划验证优化效果。对于正在尝试把 AI Agent 接入数据库工作流的团队来说，这类 Skill 可以把一次性的经验提示沉淀为可复用的工程流程，让 KWDB 查询优化、

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。

KWDB 是一款面向 AloT 场景的分布式、多模融合的数据库产品，支持在同一实例同时创建时序库和关系库，并融合处理多模数据，具备千万级设备接入、百万级数据秒级写入、亿级数据秒级读取等时序数据高效处理能力，具有稳定安全、高可用、易运维等特点。面向工业物联网、数字能源、车联网、智慧产业等领域，提供一站式数据存储、管理与分析的基座。KWDB 3.2.1 版本在保持原有特性的基础上，在数据类型和时区设置

容器模块也包含 concurrent_hash_map，它是一种支持多线程并发使用的 Hashmap 容器，有着较好的并发操作性能。该容器保存具有唯一 Key 的键值对，并且支持并发插入、查找、擦除等功能。同时，该容器支持迭代器功能。使用并发 Hashmap 容器，可以在保证并发操作性能的同时，维护并发操作数据的安全。

如果我要在团队里引入 KWDB 智能巡检 Skill，会先把它当成巡检 runbook 使用。我会要求使用者在发起任务时给出节点地址、端口、巡检范围和是否启用告警判断；如果要判断 CPU、内存、QPS 或延迟异常，还要给出阈值和采样窗口。Agent 执行后，产物只接受 Markdown 报告，不接受一句话结论。报告里必须列出数据来源、采样时间、异常规则和无法采集的项目。把一次数据库巡检里最容易漏掉

很多数据库示例项目的问题，不是没有脚本，而是脚本太像“交付物清单”：数据生成、建库建表、导入、查询都在那里，但第一次上手的人仍然要判断该先跑哪一步、当前环境是不是已经有数据库、容器端口是否冲突、失败时该从哪里看起。SampleDB 最近的更新，正是在解决这个入口问题。它不只是继续补示例 SQL，而是把“快速体验”做成了面向 AI Agent 的，让 Agent 帮用户检查环境、选择示例、解释步骤，

很多数据库示例项目的问题，不是没有脚本，而是脚本太像“交付物清单”：数据生成、建库建表、导入、查询都在那里，但第一次上手的人仍然要判断该先跑哪一步、当前环境是不是已经有数据库、容器端口是否冲突、失败时该从哪里看起。SampleDB 最近的更新，正是在解决这个入口问题。它不只是继续补示例 SQL，而是把“快速体验”做成了面向 AI Agent 的，让 Agent 帮用户检查环境、选择示例、解释步骤，