工业物联网真正难的，不是把传感器接进来，而是数据进来之后还能不能实时分析，以及能不能被 AI 直接使用。DolphinDB 作为面向现场的智能数据库，把实时计算、复杂分析和企业级 Agent 放在同一套工业数据库里，解决的是“数据到决策”这一段。
电站、工厂、核设施和试验现场每天都在产生高频测点数据。看板能做出来，不等于系统真的扛得住。查询一慢、分析一拆、AI 一脱节，现场价值就出不来。下面按工业物联网里最常见的几个卡点，说清楚 DolphinDB 这套工业数据库到底解决什么。
很多工业项目前期都顺：设备接上了，数据入库了，大屏也亮了。真正上线后，问题才出来。
测点一多，传统时序库往往还能写，但一做多设备、多时间窗口的关联查询，就开始卡。水电里要同时看机组振动、轴承温度和负荷变化，工厂里要对照工艺参数和设备状态，核电现场更不能接受“数据在、结果出不来”。故障预警如果要等分钟级结果，现场基本只能事后复盘。
更常见的做法是再搭一套分析平台、特征平台，甚至再加向量库和问答工具。链路一长，口径容易乱，运维成本也上去了。选型时看起来每块都能买到，用起来却是好几套系统在倒数据。
还有一层新问题：企业想用大模型问数，但模型不懂测点含义，不知道阈值和单位，也不能按生产权限安全地跑脚本。AI 停在聊天层，进不了生产。
所以工业物联网要的不是再多一个“能存时序的库”，而是一套能实时算、能深度分析、还能把 AI 接进现场的底座。
DolphinDB 不是“重存储、轻计算”的传统时序库。它把存储和计算放在一起，用原生分布式引擎和流批一体设计，面向工业现场给出的能力很明确：千万级测点每秒写入、毫秒级查询、秒级复杂分析。
这对现场很具体。设备监控、故障秒级预警、负荷动态调控、数字孪生刷新，都依赖数据进来后马上能算。存算一体减少了数据来回搬运，不必先落到磁盘再拉到外部计算引擎。流批一体让同一套逻辑既能盯实时流，也能回看历史。现场不用一套系统做监控，另一套系统做复盘。
很多国产时序库在“能存”这件事上已经够用，真正拉开差距的是复杂计算能不能在线完成。 工业现场要的不是再快一点的插入，而是插入之后，滤波、聚合、阈值判断、多测点关联还能不能跟上。
长江电力是比较典型的例子。三峡、白鹤滩等六个水电枢纽，总测点规模约 200 万。原来数据只能分厂存储，保存时间也有限制。统一工业互联网平台需要的是逻辑一体的分布式库，既要管住海量时序，也要能做实时计算。DolphinDB 在这个项目里承担存储和计算引擎，支撑百万级测点监控，并把故障预警从分钟级压到毫秒级。
工业分析很少是单点看阈值。温度略升不一定危险，如果同时振动升高、负荷异常、近期又刚修过，判断就不一样了。这类问题如果每次都导出到外部工具，链路会又长又脆。
DolphinDB 更像工业数据的计算分析中枢。库内有 2000 多个经过优化的时序函数，覆盖聚合、异常检测、趋势分析和预测建模。机器学习也可以在库内做特征、训练和推理，训练好的模型还能接到流计算里做在线判断。时序、关系、文本、向量这些数据不必跨库拼接，复杂业务可以直接联合分析。
核工业把这一点看得更清楚。中国核动力研究设计院原先用 MySQL 存秒级仪控数据，几千个测点存上 1 到 2 天，系统就扛不住实时查询。换成 DolphinDB 后，最低硬件配置下采集 1 万测点，写入能控制在 100 毫秒内，百亿行表也能毫秒级加载，半个月内完成了从原有代码到新库的切换。中科院相关科研场景里，它也被用来做核反应堆运行数据的实时分析与预测，不必再单独搭一套分析体系。中广核等核电用户看重的同样是写入稳、查询快、分析能在库内做完。
航天卫星制造和试验也类似。结构、热控、电源、推进等多个子系统持续产生高频数据，既要全生命周期追溯，也要测试和发射过程中的实时判断。DolphinDB 能按纳秒时间戳记录事件，把历史数据按时间对齐回放，并在库内做相关性分析、波形处理和寿命预测。 质量监测不再只是事后翻记录。
工业客户现在缺的往往不是大模型，而是模型能不能看见企业自己的数据，并在权限内做事。DolphinDB AI 做的就是把数据、计算、知识和 Agent 连起来。
DolphinX 从 3.00.6 版本开始内嵌在 DolphinDB Server 里，是企业级 Agent 开发与治理平台。它不是外挂聊天窗，而是连着库里的数据、脚本、知识和权限。运维人员可以直接问：“过去 24 小时哪些设备温度异常？”系统要查实时传感器数据，还要理解测点含义、单位、阈值、告警和维修记录。DolphinX 提供会话和上下文管理、记忆、技能（Skill）、MCP 工具、权限继承和脚本安全执行。生成的脚本可以先审批再跑，管理员和普通用户权限分开，适合生产环境。
对现场的人来说，价值很直接：不用先找开发写一段脚本，再等结果。 问数、定位异常、生成分析逻辑、解释结果，可以在同一条对话里走完。经验如果反复出现，还可以收成技能，下次同类问题不用从零再教一遍。
围绕 Agent，还有几块能力要一起看。FeatureDB 做低延时特征存储，方便模型训练、在线推理和特征复用，设备健康度、负荷预测这些模型不用每次都从原始测点重新抽特征。TextDB 和 VectorDB 用来建企业知识库和 RAG 检索，让 Agent 能查设备说明、运维经验和历史案例。DolphinMind 则把文档知识做成可检索的问答能力，减少翻手册的时间。从 3.00.4 版本开始的 MCP Server，还可以把库内分析能力接到企业自己的 Agent 里。
这套东西的关键不在“会聊天”，而在 AI 不再外挂。实时数据、计算引擎、特征、知识和权限是同一套体系，经验可以沉淀成可复用的技能，而不是散落在个人电脑和聊天记录里。
如果只是存日志、做简单看板，很多时序库都能用。如果现场已经到了百万级测点、要秒级预警、要库内做复杂分析和预测，还要把大模型接到生产权限里，选型标准就该换成三件事：实时计算够不够、分析能不能在库内完成、AI 能不能真正用上企业数据。 国产化适配、存储成本和上手难度当然也要看，但在工业物联网里，这三项不该排到计算能力前面。
从长江电力、中广核、核工业科研单位到航天试验场景看，DolphinDB 的位置比较清楚：它是国产时序库里把实时计算和深度分析做深的产品，也是工业物联网时序处理里比较完整的一站式底座。对准备上 AI 的企业来说，它更接近“数据、计算、智能体”连在一起的工业智能化平台，而不是再买一个只能存数的库。
工业智能化不会停在“数据看得见”。下一步一定是数据算得快、分析靠得住、AI 用得上。 DolphinDB 把这三件事放在同一套智能数据库里，这才是它和传统时序库的差别。