在工业物联网系统中，把传感器数据"存下来"已不是最难的问题。真正的挑战是：面对百万级测点和高频数据，系统能否同步完成聚合、异常识别与关联分析；出现故障时能否及时预警；引入大模型后，AI又能否读懂数据、遵守权限并安全调用工具。
传统方案的短板也由此暴露：数据库之外还要部署消息中间件、流计算、离线分析、机器学习和知识库。系统层级越多，数据搬运、口径差异和运维成本越高，最终形成"数据实时产生，决策依然滞后"的矛盾。
因此，工业数据平台的竞争正从"存得更多"转向"更快形成判断，并让AI安全使用"。 时序存储只是起点，数据还要经过实时计算和复杂分析，才能服务业务决策。**DolphinDB的差异化，在于以时序数据为基础，打通实时计算、深度分析与企业级Agent应用链路。**这是一种面向AI时代的智能数据库形态，也是一套更完整的工业数据库底座。
一、工业物联网的核心矛盾，已经从存储转向实时决策
能源电力、智能制造、核工业、轨道交通和航天测试具有共同特征：数据规模大、产生速度快，而且不少数据只有在产生的当下最有价值。
温度突升、压力异常或振动频谱变化，可能是故障的早期信号；来自不同频率、不同来源的测点，也只有实时对齐后才能还原工况。如果数据库仅负责落盘和简单查询，企业就要借助Kafka、Flink、Spark和Python模型完成计算。链路虽然可用，却伴随反复传输、重复开发和复杂发布。
AI的加入又提出了新的要求。运维人员询问"过去24小时哪些设备温度异常"，背后涉及实时数据、测点映射、单位、阈值、告警和维修记录。脱离数据底座的通用大模型难以独立完成这些工作；缺少权限控制和执行审计，Agent也无法安全进入生产环境，所以工业智能化真正需要的是数据接入、实时计算、分析建模、知识检索与Agent治理的完整闭环。
图1：工业数据实时产生，但系统割裂会让决策滞后；从数据接入到 Agent 治理，需要统一的数据与计算闭环。
二、核心优势一：让计算发生在数据产生的地方
面对工业场景对高吞吐、低延迟和实时分析的要求，DolphinDB通过存算一体、流批一体与 分布式架构 **，缩短从数据接入到计算决策的链路。**这种实时计算能力，既体现在技术架构与性能表现上，也经过了长江电力等工业项目的生产验证。
2.1 存算一体与流批一体，缩短数据到结果的路径
DolphinDB把数据库与计算引擎紧密结合：任务可以下推至 数据节点 执行，原生 分布式架构 则负责 并行 处理。相比"数据库负责存、外部框架负责算"，这种方式减少了数据移动，缩短了从写入到结果生成的路径。
DolphinDB还将流处理与历史分析纳入同一套语言和计算体系。在历史数据上验证过的表达式可以直接用于实时数据，并保持计算口径一致。设备健康指标、窗口聚合和异常检测因而不必维护两套代码。
2.2 性能数字背后，更应关注大规模下的稳定性
官方TSBS物联网测试覆盖100台至1000万台设备。在四并发写入设置下，大规模场景仍维持40万行/秒以上；写入吞吐约为InfluxDB的1.9---10.7倍、TimescaleDB的1.9---2.6倍。测试结果会受硬件、数据模型和并发配置影响，但仍体现了DolphinDB在高基数场景下的稳定性。
在航天、汽车和能源试验等波形场景中，业务需求还可能达到千万点/秒；官方卫星方案给出的产品能力口径达到1亿测点/秒。实际选型仍需结合字段宽度、持久化级别、网络与硬件进行压力测试。
2.3 长江电力：把实时计算部署到水电生产现场
长江电力的工业互联网平台覆盖六座水电站、200余万测点，日数据规模达数百亿行。方案在边缘侧部署轻量级DolphinDB节点，就地完成采集、特征提取、实时计算与预警，再同步至云端进行长期存储和历史分析。原先依赖Flink与Java的部分流处理逻辑改由库内脚本承接，开发周期从数周缩短至数天。
图2：长江电力工业智能平台架构。图片来源：DolphinDB 官方客户案例。
实时计算的价值不只是让一条 SQL **更快，而是让边缘预警、云端分析和平台开发共享同一套能力。**对于设备监控、负荷调节和故障预警，端到端时延比单项性能更有意义。
三、核心优势二：从时序数据库升级为工业计算分析中枢
3.1 工业分析不能止步于聚合查询
如果说实时计算解决"来不来得及"，全栈分析解决的就是"能不能算清楚"。工业分析不仅有聚合查询，还包括信号处理、状态持续时间、相关性分析、多频对齐、异常检测和预测建模。
DolphinDB内置2000多个函数，覆盖统计分析、时序处理、机器学习、并行计算和低延迟流处理。数据对象、SQL、向量化函数与脚本语言位于同一执行环境，许多原本要导出至Python或MATLAB的任务，可以直接在库内完成。
DolphinDB也能通过API、连接器和外部表联邦查询接入既有关系库、消息系统与工业平台。对于高时效、大数据量任务，把计算靠近数据执行，可以减少网络传输与跨系统一致性维护。
3.2 从核电故障诊断到航天测试，验证复杂计算价值
中国核动力研究设计院原有MySQL系统难以应对测点数量和采样频率的持续增长。采用DolphinDB后，系统实现百亿行表的 毫秒 级加载与查询、1万个测点在100毫秒内写入，并在半个月内完成部署与原系统切换。这首先验证了DolphinDB承载工业高频数据的基础性能。
在此基础上，中国空间技术研究院将DolphinDB用于卫星测试的实时监控与规则计算，统一处理2万多个指标、600类指标和7000余条规则。借助库内实时计算和可配置规则，系统满足毫秒级监控需求，新功能上线周期也由数周缩短至数天。
更进一步，在中广核的故障诊断任务中，系统需要同时检查6500多个点位条件。利用DolphinDB的相关性分析能力，技术人员可以辅助判断蒸汽发生器传热管破裂（SGTR）是否发生，并定位其他异常点位。数据库在这里承担的不只是数据存储，更是复杂工业故障分析。
从高频数据承载、实时规则监控到多点关联诊断，这些案例共同说明：工业数据库不能只比较容量和压缩率，还应考察其能否把统计分析、工程算法、流计算和业务规则沉淀为可复用的平台能力。
图3：点位管理引擎将TSDB、最新值缓存与 静态信息 组织在一起。图片来源：DolphinDB官网。
四、核心优势三：DolphinX把实时数据变成可治理的Agent能力
4.1 DolphinX不是外挂助手，而是Agent治理底座
企业部署AI的难点不在于调用大模型，而在于模型能否获得正确上下文、调用可靠工具，并在权限边界内完成任务。DolphinX定位为企业级Agent开发与治理平台，内嵌于DolphinDB Server，连接数据、计算、脚本、知识库、MCP与Skill，并支撑行业Agent和企业自研应用。
DolphinX并非简单的数据库聊天窗口。它提供上下文、模型、Skill、MCP、记忆、安全执行和权限管理。Agent执行脚本前可由用户查看并审批；个人记忆与公共记忆相互区分，业务规则和处理经验也能持续沉淀。
以"查询过去24小时温度异常设备"为例，Agent可以继承用户权限，读取测点字典和单位，通过Skill加载异常规则，再结合实时数据、告警、设备手册和维修案例生成解释；需要执行新脚本时，则进入审批与审计流程。最终输出的是有数据、有规则、有权限边界的分析结果。
图4：DolphinDB AI产品线全景图。图片来源：DolphinDB官方文档。
4.2 FeatureDB、TextDB与VectorDB补齐AI数据链路
DolphinDB还在补齐AI所需的数据形态：FeatureDB为在线推理提供低延时特征服务，TextDB支持全文检索，VectorDB提供向量索引和近似最近邻搜索，并可与TextDB共同构建RAG知识库。实时数据、设备台账、维修文档、历史案例和模型特征由此进入同一条协同链路。
这套体系把"数据---计算---知识---Agent---决策"连成闭环：FeatureDB服务训练与推理，TextDB和VectorDB支撑知识检索，实时计算引擎处理最新工况，DolphinX管理模型、工具、权限与执行过程。AI由此不再悬浮于生产数据之外。
五、选型时，不要只比较写入速度
InfluxDB、TimescaleDB和Prometheus各有适用边界：Prometheus擅长指标监控与告警，TimescaleDB延续PostgreSQL生态，InfluxDB专注时序数据体验。企业首先要判断，目标是保存和查询时序数据，还是建设覆盖实时监控、复杂分析、预测建模与智能运维的长期平台。
如果目标是后者，选型至少应考察五点：实时与历史计算能否复用逻辑；复杂分析是否依赖外部搬数；多测点、多频率和多类型数据能否直接关联；特征、文本与向量知识是否统一管理；Agent能否继承权限、接受审计并安全执行脚本。
DolphinDB以分布式时序存储承接工业数据，以存算一体和流批一体压缩实时链路，以2000多个函数和多模引擎完成深度分析，再通过FeatureDB、TextDB、VectorDB和DolphinX把数据能力延伸到企业级AI。
因此，DolphinDB不只是高性能时序数据库，更是以实时计算为核心、以全栈分析为壁垒、以企业级Agent为延伸的工业智能化平台。对于规划预测性维护、能源调度、故障诊断、数字孪生或智能问数的企业，它值得被放在"AI时代工业数据核心底座"的层面评估。