TDengine IDMP 十大亮点功能（一）

无问智推 ------不用开口，它已经把答案准备好了

一句话：IDMP 不用你写提示词、写 SQL、手工配图表，系统在后台自动读懂你的资产和时序数据，提前把「该看的面板」「该配的实时分析」「该算的指标」推到面前。

先说名字：为什么叫「无问智推」

官方英文名是 Zero-Query Intelligence ，官方中文 UI 术语是 「无问智推」。

三个字拆开正好是这个功能的全部含义：

字	含义	对应英文
无问	不需要你开口问、不用写查询	Zero-Query
智	靠大模型推理，而非固定规则	Intelligence
推	主动推送，而不是等你来拉取	（Push 模式）

备注：早期资料里也有「零提问智能」的译法，但官方文档已统一为「无问智推」。写材料时建议用「无问智推（Zero-Query Intelligence）」。

一、它是什么：从「你问它答」到「它不问先推」

IDMP 的 AI 能力分成两种互补的模式：

模式	叫什么	谁先动	典型代表
主动推送（Push）	无问智推	系统先动，不等你问	AI 生成面板、AI 生成分析、AI 复合指标
手工拉取（Pull）	AI 问答	你先动，系统回答	AI Chat 自然语言问答

传统的 BI 工具是拉取：你得先知道要看什么，再去写 SQL、拖图表。无问智推把方向反过来了------系统主动推给你：

打开元素的面板标签页，AI 生成的可视化面板已经在等你了；
打开元素的实时分析 标签页，AI 已经推荐了相关分析；
进到基础库 → 复合指标 ，AI 已经替你算好了一批行业 KPI。

官方原话是这么说的：

无问智推的核心理念：系统持续在后台工作，对您的资产层次结构和时序数据应用大模型推理，在您想到之前就将洞察呈现出来。

二、智在哪里：它凭什么知道该推什么

这是无问智推最关键、也最容易误解的一点------它不是套用一套写死的模板（"所有设备都推一张电压趋势图"），而是看懂你的资产和数据之后，再决定推什么。

"智"来自三个输入、一个推理引擎、一个反馈闭环：
#mermaid-svg-RdiwGRew4iyapyPu{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-RdiwGRew4iyapyPu .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-RdiwGRew4iyapyPu .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-RdiwGRew4iyapyPu .error-icon{fill:#552222;}#mermaid-svg-RdiwGRew4iyapyPu .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-RdiwGRew4iyapyPu .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-RdiwGRew4iyapyPu .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-RdiwGRew4iyapyPu .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-RdiwGRew4iyapyPu .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-RdiwGRew4iyapyPu .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-RdiwGRew4iyapyPu .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-RdiwGRew4iyapyPu .marker{fill:#333333;stroke:#333333;}#mermaid-svg-RdiwGRew4iyapyPu .marker.cross{stroke:#333333;}#mermaid-svg-RdiwGRew4iyapyPu svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-RdiwGRew4iyapyPu p{margin:0;}#mermaid-svg-RdiwGRew4iyapyPu .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-RdiwGRew4iyapyPu .cluster-label text{fill:#333;}#mermaid-svg-RdiwGRew4iyapyPu .cluster-label span{color:#333;}#mermaid-svg-RdiwGRew4iyapyPu .cluster-label span p{background-color:transparent;}#mermaid-svg-RdiwGRew4iyapyPu .label text,#mermaid-svg-RdiwGRew4iyapyPu span{fill:#333;color:#333;}#mermaid-svg-RdiwGRew4iyapyPu .node rect,#mermaid-svg-RdiwGRew4iyapyPu .node circle,#mermaid-svg-RdiwGRew4iyapyPu .node ellipse,#mermaid-svg-RdiwGRew4iyapyPu .node polygon,#mermaid-svg-RdiwGRew4iyapyPu .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-RdiwGRew4iyapyPu .rough-node .label text,#mermaid-svg-RdiwGRew4iyapyPu .node .label text,#mermaid-svg-RdiwGRew4iyapyPu .image-shape .label,#mermaid-svg-RdiwGRew4iyapyPu .icon-shape .label{text-anchor:middle;}#mermaid-svg-RdiwGRew4iyapyPu .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-RdiwGRew4iyapyPu .rough-node .label,#mermaid-svg-RdiwGRew4iyapyPu .node .label,#mermaid-svg-RdiwGRew4iyapyPu .image-shape .label,#mermaid-svg-RdiwGRew4iyapyPu .icon-shape .label{text-align:center;}#mermaid-svg-RdiwGRew4iyapyPu .node.clickable{cursor:pointer;}#mermaid-svg-RdiwGRew4iyapyPu .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-RdiwGRew4iyapyPu .arrowheadPath{fill:#333333;}#mermaid-svg-RdiwGRew4iyapyPu .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-RdiwGRew4iyapyPu .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-RdiwGRew4iyapyPu .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-RdiwGRew4iyapyPu .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-RdiwGRew4iyapyPu .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-RdiwGRew4iyapyPu .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-RdiwGRew4iyapyPu .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-RdiwGRew4iyapyPu .cluster text{fill:#333;}#mermaid-svg-RdiwGRew4iyapyPu .cluster span{color:#333;}#mermaid-svg-RdiwGRew4iyapyPu div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-RdiwGRew4iyapyPu .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-RdiwGRew4iyapyPu rect.text{fill:none;stroke-width:0;}#mermaid-svg-RdiwGRew4iyapyPu .icon-shape,#mermaid-svg-RdiwGRew4iyapyPu .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-RdiwGRew4iyapyPu .icon-shape p,#mermaid-svg-RdiwGRew4iyapyPu .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-RdiwGRew4iyapyPu .icon-shape .label rect,#mermaid-svg-RdiwGRew4iyapyPu .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-RdiwGRew4iyapyPu .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-RdiwGRew4iyapyPu .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-RdiwGRew4iyapyPu :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 点赞/踩 · 保存/删除
① 资产模型

元素模板 · 属性 · 单位 · 层级
大模型推理

LLM + 工业知识
② 时序数据

测点 · 数值范围 · 频率
③ 推荐结果

面板 · 分析 · 指标
反馈闭环

① 看资产模型------先"认出"它是什么设备。 元素模板定义了设备类型（污水提升泵？电表？油井？）、标准属性有哪些、单位是什么。AI 先靠这一步给设备"定身份"。

② 看时序数据------再看"它到底在传什么数"。 模板是纸面定义，数据是实际情况。有电流、有振动测点，AI 才会推"电流越限""振动异常"这类分析；只有温度数据，就推温度相关的内容。

③ 大模型推理------把"设备 + 数据"翻译成"该看什么"。 这一步是"智"的核心。LLM 带着工业领域知识做语义理解：

认出这是电表 → 推负荷率、电压稳定性、相不平衡度；
认出这是油井 → 推产能效率、含水率、压力衰减速率；
认出这是污水提升泵 → 推泵效率、单位能耗、气蚀风险。

这不是 if 设备类型 == 电表 then 显示负荷率 的死规则，而是大模型对"工业语义"的理解------这也是官方术语用「智」而不是「自」的原因。

④ 反馈闭环------越用越准。 你点的每一个 👍/👎、每一次保存或删除，都会回流成反馈信号，改善它下一次的推荐。

一句话概括实现原理：

「资产模型 + 时序数据」是输入，「大模型 + 工业知识」是推理引擎，「点赞 / 踩 / 保存」是反馈信号。

三、它具体「推」了什么：三个落地入口（含用户示例）

无问智推不是一个大而空的宣传词，它在 IDMP 里有三个看得见、点得到的入口。

#	入口	位置	推给你的东西
1	AI 生成面板	任意元素 → 面板标签页	一批开箱即用的可视化面板
2	AI 生成分析	任意元素 → 实时分析标签页	一批「推荐分析」建议
3	AI 复合指标	基础库 → 复合指标	每个资产分组的一套业务 KPI 库

1. AI 生成面板

系统根据元素的属性、模板和采集的时序数据，自动生成可视化面板，无需手动配置。

面板列表工具栏有 AI 筛选按钮，一键只看 AI 生成的面板；
每张面板卡片带预览、名称和 👍/👎 反馈按钮，点赞帮它越推越准；
列表末尾有 + 更多推荐 卡片，点了再生成一批新的。

用户示例：给一台空压机接入数据后，打开它的面板标签页，AI 已经推好了「排气压力趋势」「电流负荷曲线」「运行/停机时间占比」「出口温度趋势」------你以前要花半天拖的图，现在点开就能看。

2. AI 生成分析

系统根据元素上下文自动建议实时分析。以电表元素为例，它可能会推：

计算每小时最大电压；
用 TDgpt 对电流做异常检测；
计算 15 分钟滑动窗口内的平均功率因数。

点任意一条，AI 会把名称、触发类型、计算表达式、输出属性全部预填好，你审一眼点「保存」就行------不用懂触发器、不用写表达式。

用户示例 ：工艺员想让"3 号泵轴承温度超 80℃ 持续 5 分钟就告警"，他不需要会写流计算 SQL，也不用选触发窗口------AI 推荐列表里点一条「温度越限告警」，表单已填好触发类型、温度 > 80 表达式和输出属性，保存即可运行。

3. AI 复合指标

AI 为你的资产树分组生成一套与领域相关的指标库，每个指标带公式、TDengine SQL、业务含义和行业别名。

电表分组 → 负荷率、电压稳定性指数、相不平衡度；
油井分组 → 产能效率、含水率、压力衰减速率。

等于「这个行业该度量什么、怎么算」的参考答案，直接放在你面前。

用户示例 ：一家纺织厂想算"单件产品能耗"做节能考核，但没人说得清公式。打开复合指标库，AI 已经给出 单位产量能耗 = 总电量 / 产量，连 TDengine SQL 都写好了，直接拿去用。

四、一个生动的应用例子：污水厂张工的「零配置」一周

张工是某污水处理厂的自控工程师，负责厂里 6 座提升泵站。过去接入一个新泵站，他要干一周：先理清每台泵有哪些测点（流量、压力、电流、振动、温度......），再一个个拖图表、配告警阈值。

这一次，厂里把 3 座新泵站的数据通过 OPC UA 接进 IDMP，张工只做了三件事：

周一 · 建模。 把 3 座泵站建进元素树，套用「污水提升泵」元素模板，每个测点挂上标准属性（流量、电流、振动、温度...）。这一步是在告诉平台"这些是泵，测点都是什么"。

周一 · 看面板。 打开 1 号泵的「面板」标签页------AI 已经推了 8 张面板：泵流量趋势、电流负荷曲线、振动趋势、出口压力、启停次数统计......张工点 👍 留了 6 张，点 👎 删了 2 张不相关的。半天的工作，10 分钟完成。

周二 · 配分析。 打开「实时分析」标签页，AI 推荐了 4 条：电流 15 分钟滑动平均越限告警、振动异常检测（TDgpt）、启停频率统计、干运转保护。张工点开「振动异常检测」，表单已经填好触发类型（AnomalyDetection）、属性、输出，他直接保存并勾选「创建后立即启用」。

周三 · 建指标。 到「基础库 → 复合指标」，AI 已经为「污水提升泵」分组生成了 12 个指标：泵效率、单位能耗（kWh/m³）、气蚀风险指数、平均无故障时间......张工把「单位能耗」和「泵效率」两个指标直接拿去给厂长做月度能耗报表。

周六凌晨 2 点。 3 号泵振动异常事件触发------AI 早先推荐的异常检测分析在实时运行，发现振动谱出现高频分量，判定为"轴承早期磨损"，事件按严重级别路由到值班班组的钉钉群。值班员确认、派人检修，赶在轴承抱死前换掉了轴承。

这一周，张工没写一行 SQL，没配一个触发器，没画一张图。 他只是"确认"和"保存"------这就是无问智推：它把工程师从"造工具"里解放出来，让他专心"看结果、做决策"。

五、怎么用：三步上手

前提（一次性配置）

连一个大模型 ：通过 OpenAI 兼容接口配置 LLM。IDMP 内置 15 天试用连接，零配置就能先体验。
（可选）装 TDgpt：要用异常检测、预测、缺失数据填补时，需要装 TDgpt 模块。它独立于 LLM 运行，装完不用再做 AI 配置。

场景 A：新接入一批设备，想立刻看到数据长什么样

建好元素树（或导入示例数据）；
打开任意元素的面板标签页 → AI 已经推了一批面板；
点开看，顺眼的点 👍，看不顺眼的点 👎；
不够看就点 + 更多推荐；
想定制的，直接在 AI 输入框写一句「以折线图显示过去 7 天每小时平均电压」；
满意的点保存，它就和手工建的面板一样长期存在。

场景 B：想让设备「自己会告警」，但不会写流计算

打开元素的 实时分析 标签页 → 看 推荐分析 列表；
点一条合心意的建议 → 表单已自动填好；
检查后点保存；勾上「创建后立即启用分析」，它立刻开始跑。

场景 C：想建一套 KPI 体系，但不知道从哪下手

进 基础库 → 复合指标；
点开你的资产分组（如「电力」）→ 看 AI 生成的指标清单；
逐个点开看公式、SQL、业务含义；
需要修公式就 下载 → 改 → 上传 ；数据补齐后点 重新生成（约 5--10 分钟，别重复点）。

六、能解决什么问题

问题 1：传统 BI 的三座大山

传统 BI 要求使用者具备 SQL 能力 + 数据结构知识 + 可视化技巧 ，学习曲线陡峭。无问智推把这三样全部抹掉------非数据科学家背景的工程师也能建仪表板、配分析、检异常。

问题 2：「你得先知道要看什么」

传统平台的第一步卡点不是「怎么画」，而是「画什么」。无问智推省掉了这步------新设备接入后几分钟就能看到可用的默认视图，再按需调整，而不是从零拖拽。

问题 3：中小型企业请不起专职数据分析师

官方明确表达过这个立场：

先进的工业分析能力不应只属于拥有专职数据分析师的大企业------中小型企业同样可以用上它。

问题 4：新厂接入 / POC 出图慢

导入示例数据立刻出图，不需要行业专家参与配置。售前 POC、新产线接入、工艺工程师自助看数，都能显著提速。

一句话总结

官方口号 "Zero code. Zero SQL. Zero learning curve"（零代码、零 SQL、零学习曲线）------这就是无问智推要解决的问题。

七、和「AI 问答」怎么配合

无问智推（推）和 AI 问答（拉）不是二选一，而是推不准的时候拉一把：

情形	用哪个
系统推荐正好够用	无问智推，直接保存
推荐里没有我要的	自然语言描述（AI 生成面板/分析里都有输入框）
想随时问「昨天 3 号线能耗为什么升高」	AI 问答（AI Chat）
想从告警事件出发查原因	根因分析（RCA）

记住这个心法：先等它推，推不到位再开口拉。

八、边界与提醒（诚实版）

无问智推很强大，但有三点要心里有数：

建议 ≠ 成果：AI 生成的面板/分析只是「建议」，在你明确点「保存」之前不会永久保存。
AI 不能保证 100% 准确：复合指标专门设计了「下载 → 人工修正 → 上传」的工作流，就是因为 AI 生成的公式和 SQL 需要人来把一道关。建议把 AI 产出当「初稿」，不直接当「权威口径」。
用户证言还在积累中：无问智推是官方产品定位的核心（官网 Six Key Features 第一位），但目前公开可查的客户反馈里，还没有客户现身说法「它在我的现场真的推荐对了」。对外宣传时，建议把它定位为「官方重点投入的能力」，而不是「已被客户验证的能力」。

参考资料

TDengine IDMP 官方文档《AI 智能洞察》章节（主动推送模式 / 无问智推定义）
tdengine-idmp-docs/docs-guide.md --- Verified Chinese UI Terms（Zero-Query Intelligence → 无问智推）
tdengine-idmp-docs/docs/08-ai-powered-insights/02-ai-generated-panels.md --- AI 生成面板
tdengine-idmp-docs/docs/08-ai-powered-insights/04-ai-generated-analyses.md --- AI 生成分析
tdengine-idmp-docs/docs/08-ai-powered-insights/05-ai-composite-metrics.md --- AI 复合指标
官网 Zero-Query Intelligence：https://tdengine.com/zero-query-intelligence/
本目录《IDMP-十大最实用功能.md》--- 功能 #1（观察名单中「缺用户证言」条目）