时序数据库

TDengine3.0 DBA常用的运维命令和SQL2

从自主可控到安全可靠：DolphinDB 如何成为物联网企业的数据底座选择在企业引入大模型能力的早期阶段，最常见的落地形态往往是一个问答式 AI 助手。以我们最先推出的问答式 AI —— DolphinMind 为例，它首先解决的是“找得到、答得出”的问题：用户通过聊天窗口提问，系统通过检索增强生成（RAG）从文档、知识库和历史资料中找到相关内容，再由模型组织成回答，让知识获取、报错理解、脚本生成变得更高效，也让企业内部经验不再散落在文档和个人记忆里。

敲代码的小小酥

InfluxDB时序数据库(续)谓词就是过滤条件。下推就是让查询条件在靠近数据源的位置进行查询。如上图，在数据从磁盘读取到内存中时，就过滤好n>10的数据，这样就是谓词下推。节省了内存。想让谓词下推生效，应该写出符合influxdb要求的语句，才能出现谓词下推。每个数据库都有自己的谓词下推的规则。我们在书写sql脚本时，遵循了各个数据库的规范和要求，就会自动触发该数据的谓词下推机制。

KaiwuDB 开源两周年纪本文面向开源数据库开发者和关注国产数据库的技术从业者，系统梳理 KaiwuDB 社区版 KWDB 开源两年来的技术演进与生态建设成果。内容涵盖从 2.x 到 3.x 的版本迭代、性能数据、AI 智能体能力、开发者工具链及社区荣誉。读完本文，你可以全面了解 KWDB 在多模时序、AI 融合和开源生态方向上的技术沉淀，并快速定位感兴趣的实践方向。

ORCA：定义一张流图，让实时行情“跑”起来在实时行情处理、量化交易等数据密集型场景中，系统往往需要同时完成数据接入、清洗、聚合、K 线生成、指标计算和下游分发等多个环节。链路越长，模块依赖越多，开发和维护成本也越高。

TDengine （老段）

TDengine 应用案例 — 工业大数据与智能制造分类：15.应用案例 | 篇章：02 工业大数据免费详情智能制造场景具有测点数量大、采集频率高、对实时分析要求严格的特点。本文以汽车装配车间为例，展示 TDengine 在 SCADA/MES 场景下的应用。

什么是 Agent Harness？企业真正缺的，不只是更聪明的大模型Claude Code、Cursor 这些 Agent 产品，这一年几乎人人都在用——但不少开发者都发现，即使使用同一个底层模型，不同产品的实际体验也可能相差很大。

把CPU、内存、网络流量同时丢给TimechoAI，做交叉分析上一次我们聊了怎么把一条时间序列数据塞给TimechoAI。我们造了一个CPU的假数据，让它帮我们找出了那个突刺的点。

In Vivo抗体是什么？| 体内抗体与普通科研抗体的区别In Vivo抗体通常指用于动物体内实验的科研抗体，英文常见表述包括 In Vivo Antibody、In Vivo Grade Antibody 和 In Vivo Functional Grade Antibody。

TDengine （老段）

TDengine 如何支撑金隅集团水泥业务的能源精细化管控水泥行业是典型的”连续生产、高能耗、强合规”产业。在双碳目标和精细化管控的驱动下，集团级能源管理系统需要同时应对多工厂异构数据治理、海量时序数据高效计算、复杂业务逻辑灵活扩展三大挑战。

TDengine （老段）

TDengine 应用案例 — IoT 设备监控分类：15.应用案例 | 篇章：01 IoT 设备监控免费详情TDengine 通过 InfluxDB 兼容协议、JDBC、连接器等方式与主流数据生态对接。本文汇总 Telegraf、Kafka Connect、Flink、Spark、Logstash 等工具的集成方式。

行者-全栈开发

JMeter + InfluxDB + Grafana：搭建生产级压测实时监控与告警体系摘要: 前 3 篇解决了"怎么压"和"怎么出报告"的问题，但有一个硬伤——压测过程中完全靠猜：TPS 在涨还是跌？错误率有没有飙升？被测系统的 CPU 会不会被打满？这篇我把 InfluxDB 2.7 + Grafana 11.x 引入 JMeter 压测流程，用 BackendListener 把每台 Slave 的压测数据实时推送到时序数据库，Grafana 上定制一个全屏可见的压测监控大屏，再加几条 Alert 规则让 TPS 暴跌时自动通知。读完这篇，你的压测不再是"跑完才知道结果"的盲盒。

Anthropic把Claude Code 2.1.236及以上版本的Fable 5会话新智元报道Claude一夜变笨，全网吵翻了！就在昨天，开发者argofowl花了整整一个下午，差点把Claude Code翻了个底朝天。

告别手工调参！TimechoAI时序大模型实战：打通TimechoDB存储到智能时序分析全链路在新型工业化推进过程中，工业、能源、轨道交通、金融、车联网等行业每时每刻都在产生海量时序数据：列车运行的振动温度测点、核电站设备状态、电网千万级终端用电数据、车企几十万台车联网车况、期货Tick行情、钢厂产线传感器指标等。以TimechoDB工业时序数据库为底座，已经服务中车四方、中国核电、国家电网、长安汽车、宝武钢铁、冠通期货等大量标杆客户，能够轻松承载数十亿测点规模的数据写入与存储需求，实现90%以上存储压缩，秒级分布式扩容，适配乱序写入、工业协议接入等真实生产场景。

全球AI产业正加速迈入全域渗透2026年，全国“人工智能+”行动进入全面深化阶段，东莞率先吹响“ALL in AI”号角。8月21日，东莞市“人工智能+”应用推广系列活动启动会暨行业趋势大会在南城街道睿派R&A Park太空间举行，正式拉开了东莞“人工智能+”应用推广系列活动的序幕。

【系列：TDengine 工业物联网实战：从零搭起可运行系统 · 第 10 篇】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。

【系列：TDengine 工业物联网实战：从零搭起可运行系统 · 第 2 篇】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。

【系列：TDengine 工业物联网实战：从零搭起可运行系统 · 第 8 篇】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。

【系列：TDengine 工业物联网实战：从零搭起可运行系统 · 第 9 篇】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。