![img](https://developer.qcloudimg.com/http-save/yehe-11825160/97d597d19b89d914b223e73497062c6f.png)
# 摘要

>过去十年，工业物联网的故事前半段讲得很顺：传感器越装越多，采样频率从秒级卷到毫秒级，数据湖越堆越大。但故事的后半段——数据变成决策——在很多企业一直卡着：实时查询卡顿、故障预警延迟、复杂分析要跨四五套系统拼图，想上大模型更是连数据都喂不进去。
卡住的根源不是数据不够，而是**存储和计算被架构性地割裂了**。数据存在时序库里，计算在外部引擎里，AI 在另一套平台上，三份副本、三个团队、三段延迟。
这篇系统介绍 DolphinDB——一款国产分布式时序数据库，更准确地说，是一个把存储、实时计算、深度分析和 AI Agent 底座收进同一个进程边界的**智能数据库**。文章按"痛点—能力—案例—选型"四段展开：先拆工业物联网的真实痛点，再对应拆解它的三类差异化能力（实时计算、全栈计算分析、DolphinDB AI 体系），然后用长江电力、中广核等国家级标杆案例验证，最后给出选型判断。
**特别说明**：本文基于官方文档、官方资料与公开案例整理分析，仅代表个人技术理解，不具备官方或专业权威性；文中案例数据均引自公开资料。

# 一、先看清痛点：工业数据为什么"采得多、用得少"

## 1.1 四个反复出现的现场问题

和工业物联网从业者交流，痛点高度趋同，大致四类：
**实时性赤字。** 一台数控机床的振动传感器采样到 10kHz，一条产线上百台设备并发写入，峰值每秒几十万点。传统"Kafka + Flink + 时序库 + Spark"的组件堆叠架构里，数据在异构系统间反复搬运，端到端延迟普遍在秒级甚至十分钟级。对振动异常、电芯温控这类场景，1 秒的延迟就可能意味着设备损坏。
**复杂分析跨系统拼图。** 真正的业务问题从来不是"查个最新值"，而是"10kHz 的振动和 1Hz 的温度关联起来看，叶片结冰风险多大"。数据在时序库、分析需要导出到 Python/Spark、结果再写回看板——链路每多一环，口径多一处不一致，决策多一段等待。某钢铁企业优化焙烧工艺参数，单次产线调整周期长达半年。
**"重存储、轻计算"的选型陷阱。** 不少时序数据库（包括部分国产产品）把力气花在存得下、存得省上，查询和分析能力浅。企业选型后才发现：复杂分析要另搭平台、特征要另建管道、向量库和 Agent 工具链全要外挂——买回来的是一个仓库，不是一个引擎。
**AI 落地卡在数据之外。** 企业想引入大模型和 Agent，但模型不了解企业数据：不知道测点含义、字段单位、异常阈值；让它直接对生产库写脚本执行，权限、审计、安全没人签字。"数据库 + 外部 Agent 框架 + 自建工具链"的原型，往往到生产环境就停住。
## 1.2 根源：割裂的架构

四个痛点背后是同一个结构性问题：
![img](https://developer.qcloudimg.com/http-save/yehe-11825160/155a6d2035a5d7f216dcc6e0dfa0dd58.png)
```
传统架构：  传感器 → Kafka → Flink → 时序库 → 导出 → Spark/Python → AI平台 → 结果写回
 &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;  （每箭头一次搬运，每次搬运一份副本、一处口径、一段延迟）
​
理想形态：  传感器 → 一个平台内完成 存储 + 实时计算 + 深度分析 + AI 问数
```这就是理解 DolphinDB 的起点：它不是"又一个时序数据库"，而是针对这个割裂给出的整体答案。
# 二、DolphinDB 是什么：先把底细交代清楚

## 2.1 公司与定位

DolphinDB 由浙江智臾科技有限公司研发，公司 2016 年成立，2018 年正式发布产品，是国家高新技术企业、信创工委会会员单位。按 DB-Engines 最新排名，DolphinDB 时序数据库位列**世界前五、国内第一**；多次入选 Gartner《中国数据库市场指南》《中国数据库管理系统供应商甄选》等报告的代表厂商。2026 年 5 月，DolphinDB 成为**首批通过国家安全可靠测评的时序数据库软件**，在核心技术、安全保障、持续发展能力等维度获得国家权威认定。
自主可控这一项对工业用户是硬条件：DolphinDB 拥有完全自主知识产权，支持龙芯、鲲鹏、飞腾、海光、兆芯等国产芯片，以及统信 UOS、银河麒麟等国产操作系统，Windows/Linux 可单独或混合部署。
## 2.2 技术底座一览


|层|能力|关键点|
|:-:|:-:|:-:|
|存储|多模存储引擎|TSDB（PAX 行列混存）、OLAP、In-Memory OLTP、PKEY、VectorDB、TextDB，按访问模式各取所长|
|计算|原生分布式 + MPP|存算一体与存算分离双架构、向量化执行、SIMD、增量计算、JIT，读写较传统数据库提升百倍以上|
|编程|多范式脚本语言|SQL-92 + 命令式 + 函数式 + 向量化，图灵完备，SQL 内直接调函数|
|流处理|ORCA 实时计算平台|流批一体，批计算指标代码直接用于流计算；流图、流表统一权限管理；共享对象支持状态持久化与故障恢复|
|AI|DolphinDB AI 产品线|DolphinX Agent 平台、FeatureDB、TextDB/VectorDB、DocParser/ModelInference 插件、内置机器学习|
一句话概括：**它是工业时序数据的计算分析中枢，而不只是存储工具。** 下面按撰稿时最该关注的三类差异化能力展开。
# 三、核心优势一：业内顶尖的实时计算能力

DolphinDB 不是"重存储、轻计算"的传统时序数据库，实时计算能力是它最硬的长板。四个架构级设计支撑这一点：
**（1）存算一体 + 存算分离双架构。** 常规负载下，分布式任务直接下推到存储节点执行，数据在哪里计算就在哪里，消灭跨节点搬运开销；需要弹性扩缩容时，3.00.2 起支持计算组实现的存算分离架构，配合表级缓存规则（按需缓存热点表）和跨节点传输压缩，在弹性与性能之间取得平衡。官方口径的工业场景性能：**千万级测点/秒高并发写入、毫秒级实时查询响应、秒级复杂实时分析**。
**（2）MPP 引擎：复杂关联查询的架构级跃迁。** 3.00.5 引入大规模并行处理框架，把多表关联查询智能拆解、动态调度到集群多节点并行执行。在标准 TPC-H 基准中，典型多表关联查询（Q5、Q8 类）较单机执行提速数倍至十倍以上，复杂分析从分钟级缩到秒级——工业场景里"测点表 join 设备档案 join 告警表"这类即席分析直接受益。
**（3）向量化 + SIMD：榨干 CPU。** 列式存储配合向量化执行，一次处理一批数据而非逐行。以滑动窗口为例，内置函数用增量计算把复杂度从 O(n×k) 降到 O(n)——窗口大小不再线性拖累性能，这是"亿级数据上复杂分析还能秒级返回"的底层原因。
**（4）流批一体 + 工业级流引擎。** 同一函数加 `@state` 注解，既能在历史表上做批量验证，又能直接挂到流计算引擎做在线计算。针对工业数据的稀疏特性，3.00.5 还新增了**稀疏响应式状态引擎**（`createSparseReactiveStateEngine`）：一台设备关联上千测点、任意时刻只有少量测点产生有效数据时，引擎只为有效数据触发对应规则，从根源上消除空值无效计算——这是同类流计算框架很少为工业场景专门设计的引擎。配套的无状态响应式引擎支持 `triggerOn` 精确指定触发源，避免关联状态变化引发误触发。
对工业场景，这意味着四类刚需被直接支撑：设备实时监控、故障秒级预警、能源负荷动态调控、数字孪生实时渲染。预警从"分钟级事后追认"变成"毫秒级事前拦截"，差的不是阈值调得准不准，而是底座算得快不快。
![img](https://developer.qcloudimg.com/http-save/yehe-11825160/838b21e7db5a5cf6ebacfed19ba49374.png)
# 四、核心优势二：全栈深度优化的计算分析能力

存得快只是及格线，DolphinDB 的第二类差异化是把"分析"本身内置进来。
**（1）2000+ 高度优化的时序函数。** 覆盖时序聚合、异常检测、趋势推演、预测建模、信号处理（FFT、小波、包络分析）等，全部向量化优化，开箱即用。工业分析里最头疼的多频对齐，有专门的 `asof join`/`window join`——10kHz 振动与 1Hz 温度在原始数据层面直接关联，不用重采样，性能比传统 join 高两个数量级以上。
![img](https://developer.qcloudimg.com/http-save/yehe-11825160/f6fb113233f1f4e160d3c04762d58e74.png)
**（2）AI 原生融合。** 内置机器学习函数，支持 libTorch、XGBoost 等插件加载模型；配合 FeatureDB 的低延时特征存储，数据清洗、特征提取、模型训练与在线推理在库内闭环——"数据—计算—AI—决策"一条链，不用把数据搬出去再搬回来。流计算引擎原生支持数据更新与状态重算（changelog 流表），传感器状态修订、实时指标重算这类"流上改数"的工业刚需不再需要复杂变通。
**（3）多模协同计算 + 联邦查询。** 时序、关系、文本、向量、空间数据在同一平台内联合计算：设备测点（时序）、设备档案（关系）、维修工单（TextDB 全文检索）、故障波形案例（VectorDB 向量检索）一条 SQL 里 join。对暂时留在外部系统的数据，联邦查询（`runExternalQuery`）支持 MySQL、PostgreSQL、Oracle、Hive、GaussDB 等主流库的 SQL 透传联合分析，无需先迁移。
这三项合起来，回答的是选型时最实际的问题：**买回来之后，复杂分析是要再搭一套平台，还是当场就能做。**
# 五、核心优势三：DolphinDB AI 体系——工业 AI 的落地底座

这是 3.00.6 版本之后 DolphinDB 变化最大的一块，也是"智能数据库"这个说法的落点。
## 5.1 DolphinX：不是 AI 助手，是 Agent 底座

DolphinX 是企业级 AI Agent 开发与治理平台，**深度内嵌于 DolphinDB Server**：连接大模型与企业数据、计算、脚本、知识库、MCP、Skill 和行业能力。它解决的不是"回答问题"，而是企业 AI 落地的最后一公里：
- **权限继承**：Agent 的工具调用复用当前 DolphinDB 用户身份，数据库权限体系直接生效，不需要另建一套 Agent 权限模型；
- **安全执行**：模型生成、未经人工审核的脚本走 AIScript 受限执行，高风险操作在执行前被解析拦截；
- **上下文与知识**：自动上下文管理控制 token 成本；RAG 知识库让 Agent 理解测点含义、字段单位、告警规则、维修上下文；
- **经验沉淀**：Skill 把团队规范、诊断规则做成可注册、可授权、可复用的能力包；Memory 区分个人记忆与 Agent 公共记忆，老师傅的经验从脑子里进入平台。

工业语境下的直接效果：运维人员用自然语言问"过去 24 小时哪些设备温度异常"，Agent 在权限边界内查实时传感器数据、结合告警记录和维修上下文给出解释——可治理、可审计、可复用。
![img](https://developer.qcloudimg.com/http-save/yehe-11825160/8ce899b761b4a3513e0c5ab6d9fd5619.png)
## 5.2 配套组件：一条完整的 RAG 与特征链路

2026 年 9 月，DolphinDB 上新 **DocParser 与 ModelInference** 两款插件，把企业非结构化数据进 AI 流程的链路补齐：DocParser 解析 PDF、Word、PPT、Excel 等设备手册、运维规程、历史报告；ModelInference 完成文本向量化（embedding）；向量写入 **VectorDB** 做相似度检索与召回排序，原文与元数据存 **TextDB** 做全文检索——从文档到数据、从数据到模型，全在同一个平台内完成。ModelInference 后续还将支持时序预测等模型推理任务。

|组件|作用|
|:-:|:-:|
|DolphinX|Agent 开发与治理：会话、上下文、Skill、MCP、记忆、权限、安全执行|
|FeatureDB|面向 AI/ML 的低延时特征存储，支撑训练、在线推理与特征复用|
|DocParser / ModelInference|文档解析 + 文本向量化，补齐 RAG 数据链路|
|TextDB / VectorDB|全文检索 + 向量检索：设备手册、运维规程、历史故障案例|
|内置机器学习 + 时序分析|故障预测、负荷预测、健康度评分、智能报告|
关键区别在于：这些 AI 能力**不是外部拼装**，而是与数据底座、实时计算、企业治理长在同一个系统里。Agent 问数查的就是生产库的实时表，用的就是流引擎维护的同一套状态。
# 六、案例验证：国家级场景的压力测试

以上能力不是实验室跑分，以下案例数据均来自官方资料与公开报道。
**长江电力——百万测点水电平台的毫秒级预警。** 国内最大水电上市企业，200 余万测点、日增几百亿行数据，各电站地理分散、数据孤岛严重。DolphinDB 以分布式表支撑单表万亿行存储，六大水电站边缘侧部署轻量节点（部署包仅几十 MB）、云端全量汇聚，实现云边协同。结果：关联查询从分钟级到秒级，复杂分析效率提升 5-6 倍，故障预警压缩到毫秒级事前预警。
![img](https://developer.qcloudimg.com/http-save/yehe-11825160/d4fd230cfabedb98d7583fbc93d3cd03.png)
**中广核/中核系科研院所——核电监控的平滑替代。** 仪控团队原基于 MySQL 的组态监控体系，随测点与采样频率增长无法支撑并发写入与实时聚合。DolphinDB 分区配置后实现单表百亿数据毫秒级查询，高可用集群满足核电级容灾要求，实时分析与预测建模替代原有两套独立系统，分析效率提升约 10 倍，为安全决策赢得时间窗口。
**中科院相关研究所——核反应堆运行数据分析。** 借助 DolphinDB 完成反应堆运行数据的实时分析与预测，无需额外搭建分析体系，一站式完成原本要跨多套工具的计算链路。
**中国航天/地震台网类科研场景——波形数据的实时异常检测。** 10ms 级采样波形数据以 MiniSeed 文件持续接入，DolphinDB 完成解析、结构化入库、流式异常检测与预警，内置 FilterPicker、RTSeis、TensorFlow 插件支撑库内波形异常检测与预测，响应延迟毫秒级。
**智能制造与车联网的规模佐证。** 某全球领先的智能制造服务商：3 台 4 核 32GB 服务器扛住 32.4 万点/秒实时写入（双副本），百亿数据高并发即席查询毫秒级响应。某新能源车企：每秒 1.8 亿测点持续写入、支持乱序，写入过程资源利用率稳定在 40% 左右，单点查询平均 100ms 以内，异常检测引擎毫秒级输出告警。

|案例|核心挑战|关键成效|
|:-:|:-:|:-:|
|长江电力|200 万测点、数据孤岛|预警分钟级→毫秒级，分析效率 5-6 倍|
|核电科研院所|并发写入 + 毫秒查询 + 容灾|替代 MySQL，分析效率约 10 倍|
|智能制造服务商|30 万点/秒写入 + 即席查询|3 台小机器扛 32.4 万点/秒，百亿数据毫秒响应|
|新能源车企|1.8 亿点/秒写入 + 单车 7000 测点|单点查询 <100ms，毫秒级异常检测|
# 七、选型建议：把计算能力放在第一位

给正在做工业物联网时序数据库选型的同行一个维度优先级建议：
1. **第一维度：实时计算能力。** 写入吞吐（能否扛住峰值测点/秒）、查询延迟（高并发即席查询是否毫秒级）、复杂分析的实时性（滑动窗口、多频关联是否秒级内出结果）。这一维度上，InfluxDB、TimescaleDB、Prometheus 及多数国产时序数据库与 DolphinDB 存在架构级差距——差距不在参数调优，在存算分离与"只能存、难分析"的设计取向。
2. **第二维度：计算分析能力。** 内置函数丰富度与优化深度、AI 融合程度、多模计算支持、复杂分析的实现难度。选型时直接拿一个真实业务问题（如"振动与温度关联分析"）做 PoC，比看功能清单有效十倍。
3. **辅助维度：** 国产化与安全认证（芯片/OS 兼容清单、安全可靠测评）、高可用与容灾、生态（Grafana、BI、调度工具对接、模块市场）、学习成本（DolphinDB 脚本语言约 1-2 周上手）。

也要说清楚不适用场景：传感器数量少、只做简单存取和看板展示的轻量场景，InfluxDB + Grafana 更省事；DolphinDB 的价值在数据量大、计算复杂、AI 要落地的场景才充分兑现。
![img](https://developer.qcloudimg.com/http-save/yehe-11825160/3806fe0ebc97852418cd89fdcaa7ec73.png)
# 写在最后

核心就几句话：
- 工业物联网的数据困局是架构性的：存储与计算割裂，导致实时性赤字、分析拼图、AI 悬空；
- DolphinDB 的三类差异化——顶尖实时计算（存算一体 + MPP + 工业稀疏流引擎）、全栈计算分析（2000+ 函数、AI 原生、多模协同与联邦查询）、DolphinDB AI 体系（DolphinX + FeatureDB + DocParser/ModelInference + TextDB/VectorDB）——分别对应这三层困局；
- 长江电力、中广核、中科院、中国航天级场景的落地，加上首批国家安全可靠测评、DB-Engines 世界前五国内第一，验证的是生产可用性与国产工业数据库的天花板位置；
- 面向 AI 时代的工业数据底座，"智能数据库"不是营销词——它意味着数据、计算、模型、权限在一个进程边界内闭环。

模型会换代，架构会流行又过气，但工厂里"数据要实时算、决策要快速出、经验要沉淀下来"这三件事不会变。把这三件事交给一个底座，是这轮选型里最值得认真评估的选项。

过去十年，工业物联网的故事前半段讲得很顺：传感器越装越多，采样频率从秒级卷到毫秒级，数据湖越堆越大。但故事的后半段——数据变成决策——在很多企业一直卡着：实时查询卡顿、故障预警延迟、复杂分析要跨四五套系统拼图，想上大模型更是连数据都喂不进去。卡住的根源不是数据不够，而是存储和计算被架构性地割裂了。数据存在时序库里，计算在外部引擎里，AI 在另一套平台上，三份副本、三个团队、三段延迟。这篇系统介绍 DolphinDB——一款国产分布式时序数据库，更准确地说，是一个把存储、实时计算、深度分析和 AI Agent 底座收进同一个进程边界的智能数据库。文章按"痛点—能力—案例—选型"四段展开：先拆工业物联网的真实痛点，再对应拆解它的三类差异化能力（实时计算、全栈计算分析、DolphinDB AI 体系），然后用长江电力、中广核等国家级标杆案例验证，最后给出选型判断。

工业物联网的数据困局，需要的不是又一个数据库——系统介绍 DolphinDB

模型会换代，架构会流行又过气，但工厂里"数据要实时算、决策要快速出、经验要沉淀下来"这三件事不会变。把这三件事交给一个底座，是这轮选型里最值得认真评估的选项。

数据库

物联网

人工智能

DolphinDB是一款国产分布式时序数据库，核心解决工业物联网数据"采得多、用得少"的困境。它通过存算一体+MPP架构实现毫秒级查询，支持2000+分析函数与AI原生融合，内置DolphinX Agent平台，贯通数据存储、实时计算与AI决策全链路，在长江电力等国家级场景验证了毫秒级预警能力。

结构化数据

数据库管理

数字孪生

时序预测

机器学习

PostgreSQL

数据湖

服务器

MySQL

Kafka

Spark 

让每一个 Agent，都跑在云上

oceanus

ctsdb

tcmg

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

工业物联网的数据困局，需要的不是又一个数据库——系统介绍 DolphinDB-腾讯云开发者社区-腾讯云

工业物联网的数据困局，需要的不是又一个数据库——系统介绍 DolphinDB

工业物联网的数据困局，需要的不是又一个数据库——系统介绍 DolphinDB

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐