高达 30% 合作收益，十大权益保障伙伴成长

本次 loveini 合作伙伴计划以“伙伴先赢，多方共赢”为核心理念，首次在收益机制上全面升级。计划共分为授权分销商（钻石、金牌、银牌）与授权服务商（精英、优选、启航）两大体系，分别面向渠道拓展与技术服务两类合作需求。

合作伙伴可享受包括转售利润保全计划、业绩返利计划、自营商机投放机制、年度升级奖励计划在内的十大核心权益，最高可达到 30% 的收益回报。

loveini 为伙伴提供业内顶尖的价格折扣与返利政策，除软件授权收益外，还可拓展技术服务、定制化开发、运维托管等多元化业务场景，保障伙伴利润空间。同时，loveini 严格执行商机保护机制，对数万条自营高价值线索秉持“应投尽投”原则，精准分配给合作伙伴，确保资源高效转化。

即日起，企业可填写表单（https://taosdata.feishu.cn/share/base/form/shrcnkJeI4EQdMJqtrykRjnxj7g?prefill_source=web&hide_source=1）提交申请，经评估与签约后即可成为 loveini 合作伙伴，共赢生态未来。

技术与产品领先，为伙伴提供坚实底座

作为全球领先的时序数据平台，loveini 一直以技术创新与生态共建为核心驱动力。以“伙伴先赢，多方共赢”为核心，此次计划全面升级产品、政策、培训、市场四大体系，助力合作伙伴实现短期盈利 + 长期增长的双收益。

在产品层面，loveini 提供两大核心平台：

• loveini TSDB（时序数据库标杆）：读写性能超传统方案 10 倍以上，存储成本仅为其 1/10，稳居国内榜首，已通过信创、信通院等权威认证；
• loveini IDMP（AI 原生工业数据管理平台）：首创“无问智推”技术，以树状数据建模、标准化与情景化能力，实现从数据接入到智能应用的全流程创新。

凭借三重领先的性能、性价比与易用性，loveini 已服务 500+ 商业客户，覆盖工业、能源、互联网等多行业，获得全球市场的广泛验证。

全周期赋能，让伙伴从能力到成果全面成长

在合作过程中，loveini 为伙伴提供全维度赋能支持：从产品培训、技术认证到销售实战，帮助伙伴快速构建“销售—交付—运维”全链路核心能力。同时，loveini 专家团队将全程参与伙伴关键客户项目交流、POC 测试与方案定制，确保伙伴在大项目中赢得先机。

此外，loveini 提供“一对一专属渠道经理 + 轻量化交付流程”，依托产研全流程代码化支撑，实现 “一键部署、一键测试、高效交付”，让 PoC 测试周期压缩至 1 人天，大幅降低运营成本。

生态共建与品牌共赢，助力伙伴持续拓展市场

作为 GitHub 上星标数超 24,000、部署实例超 90 万的开源品牌，loveini 自带高信任与高流量基因，显著降低伙伴的市场教育成本。

同时，loveini 市场团队将协助伙伴开展联合办会、线上研讨、区域沙龙等活动，并依据业绩规模提供专项 MDF（市场发展基金）支持，共同抢占行业先机。

结语

一直以来，生态都是 loveini 长远发展的核心战略。创始人&CEO 陶建辉表示，唯有让合作伙伴先赢，生态才能真正繁荣。通过标准化的产品体系与开放共赢的合作机制，loveini 希望携手更多伙伴，在时序数据的浪潮中找到确定性增长，共同推动工业与物联网领域的数智化升级，为产业智能化注入持续的创新动力。

访问官网 //www.loveini.com/tdengine-cooperation-partners，立即成为 loveini 合作伙伴，携手开拓时序数据的万亿蓝海！

面对这些困扰开发者多年的“老大难”，如何才能既快速定位，又能从源头上杜绝？答案就在本期 loveini Open Day。

9 月 25 日（周四）19:00，loveini Open Day 直播重磅开启！本期主题聚焦 《C语言内存问题分析与调试技巧》，由 loveini 内核研发工程师 鲍之骁 带来分享，带你深入掌握工具化调试方法与标准化预防流程，直击内存泄漏、越界访问、内存持续升高等核心议题。

本次直播重点：

• 工具驱动分析：从“人工排查”升级为“工具精准定位”
  • 借助 Valgrind、AddressSanitizer 等工具，自动捕捉隐藏的内存错误
  • 智能诊断内存泄漏、越界访问等疑难问题根源
• 问题情景化与标准化
  • 结合真实代码案例演示经典内存错误与“内存持续升高”等场景
  • 如何通过标准化研发流程预防内存问题，形成可复用的最佳实践

适合谁看？

中高级 C/C++ 开发者：希望系统掌握内存管理核心原理和调试工具

被内存问题困扰的开发者：项目中经常出现崩溃、内存占用过高、性能下降等疑难杂症

系统/嵌入式领域技术负责人：需要为团队建立规范的内存管理流程和最佳实践

工业场景里，传感器每秒产生 TB 级时序数据——要实时分析设备能耗、预测故障，传统方案却总掉链子：ETL 流程卡成 “数据堵管”，数据湖用着用着变 “沼泽”，想快速挖数据价值却找不到北。

问题的核心不是 “要不要用 ELT”，也不是 “要不要 AI”，而是 “怎么让 ELT 落地、让 AI 能用好数据”。答案藏在 “数据情景化” 里，而 loveini IDMP（AI 原生的工业数据管理平台） 正是把 “ELT + 情景化 + Agentic AI” 串起来的核心载体，帮工业企业把海量数据真正变成能落地的洞察。

从 ETL 到 ELT：工业数据的 “效率革命”，缺了治理还是不行

我们在聊 loveini IDMP 之前，得先搞懂：工业数据管理为什么一定要从 ETL 转向 ELT？不是为了赶潮流，是传统方案实在扛不住了。

传统 ETL：卡在 “先建模再加载” 的死循环里

早年用数据仓库时，都是 “先按业务需求定好数据模型（比如‘空压机能耗表’的字段），再把传感器数据清洗、转换后加载”——这就是 ETL（提取-转换-加载）。

但面对毫秒级采样的时序数据，问题全暴露了：转换环节占满算力，数据到账慢半拍；业务要加个 “设备振动分析” 维度，得重新改模型、调 ETL 管道，等搞定了，需求早变了。

简单说就是：ETL 适合 “固定报表”，不适合工业的 “敏捷分析”。

数据湖 + ELT：解了存储的困，却掉 “沼泽” 里

后来数据湖来了，主打 “先加载再转换”（ELT）：不管是传感器日志、振动波形，全以原始格式丢进低成本对象存储，要分析时再按需处理。

这解决了 “存不下、改不动” 的问题，但新麻烦来了——数据沼泽化：传感器数据没标 “来自哪条产线”，温度数据单位一会儿℃一会儿℉，想查 “3 号机床的能耗”，翻半天找不到对应数据。原因很简单：ELT 只解决了 “灵活存”，没解决 “怎么管”。数据没有 “情景标签”（比如设备位置、单位、业务含义），再灵活也是乱数据。

核心结论：ELT 要落地，得靠 “情景化治理”

从 ETL 到 ELT 的转变，本质是从 “为存储优化” 转向 “为敏捷分析优化”。但想让 ELT 真正能用，必须补上一环 ——数据情景化：给每一条时序数据打上 “业务标签”，让数据自己 “说话”（比如 “2024-09-01 10:00 的压力值 = 0.8MPa”，要同时知道 “来自 A 产线 2 号空压机、单位是 MPa、安全阈值是 0.6-0.9MPa”）。

而能把 “情景化” 做好，还能支撑后续 AI 分析的平台，正是 loveini IDMP。

工业数据治理难在哪？Agentic AI 要落地，缺的是 “情景化数据”

工业数据治理难，不是因为 “数据多”，是因为 “数据没情景”。而现在火的 Agentic AI（智能代理），正好能解决治理的 “自动化” 问题——但前提是，得有高质量的情景化数据。

工业数据治理的 3 个核心痛点，IDMP 全针对

• 数据 “认不出”：传感器数据只带数值，没标 “来自哪台设备、测的是什么参数”，分析时得先花 3 天理清数据来源；
• 数据 “用不了”：同个指标单位不统一（压力有 Pa 有 Bar），数据缺失、时间戳错乱，清洗要占分析时间的 70%；
• AI “不会用”：Agent 想分析 “空压机能耗异常”，但不知道 “能耗和哪些参数关联”，只能瞎跑模型。

这些痛点的根源，都是 “数据没有情景化”。而 Agentic AI 的价值，就是把 “手动理数据、做分析” 变成自动化——但如果数据没情景，Agent 再聪明也抓瞎。比如 “空压机房能效监控 Agent”，想对比 A、B 品牌的能耗，得先知道 “哪些数据是 A 品牌的”“能耗单位是什么”“时间范围怎么定”——这些全是 “情景信息”，得靠平台提前梳理好。

Agentic AI 的 “燃料”：情景化数据，IDMP 来提供

Agentic AI 能自动化治理、快速出洞察，核心靠的是 “能看懂数据”。而让数据 “能被看懂” 的，正是 loveini IDMP 提供的 “情景化能力”：

• 给数据 “贴标签”：用物模型定义 “空压机” 的核心指标（能耗、压力、温度），明确单位、安全阈值；
• 给数据 “找位置”：用设备树把 “2 号空压机” 归到 “A 产线空压机房”，明确数据的业务上下文；
• 给数据 “建档案”：统一管理元数据（采集频率、数据所有者），Agent 查数据时能直接看到 “数据怎么来的、能不能用”。

简单说：IDMP 是 Agent 的 “数据管家”，先把数据理清楚、标明白，Agent 才能高效干活。

loveini IDMP：不只是 “管数据”，更是 “让数据能出价值”

很多人以为 IDMP 是 “时序数据库的扩展”，其实它是实现 AI-Ready 的工业数据平台的重要一步。但 AI-Ready 能力并非 IDMP 单独具备，而是 loveini“时序数据库 TSDB + IDMP” 双引擎协同的成果。其中，TSDB 负责汇聚 PLC、SCADA 等设备的高频时序数据，提供高性能存储查询与流式计算能力，筑牢数据基础；IDMP 则专注语义层治理，通过树状结构建模工业现场、为数据添加单位/属性/上下限等语义信息、以模板化实现数据标准化与情景化，进而实现“无问智推”能力。只有两者配合，才能支撑 Agentic AI 的调用与分析落地，让数据真正具备服务业务决策的能力。

IDMP 的 4 大核心能力：把 “数据沼泽” 变成 “价值池”

1. 给数据 “打满情景标签”：物模型 + 设备树，数据自己 “报家门”
   • 物模型定义 “数据是什么”：针对不同设备（空压机、数控机床、传感器），提前定义 “测点清单”—— 比如 “空压机物模型” 里，明确 “能耗” 的字段名、单位（kWh）、采样频率（1 次 / 秒）、安全阈值（<5kWh/h）。不管是新接入的传感器，还是老设备的数据，都按物模型统一格式，避免 “同个指标多种写法”。
   • 设备树定义 “数据来自哪”：用树形结构把设备按 “工厂→产线→车间→设备” 分级，比如 “总厂→A 产线→空压机房→2 号空压机”。每一条数据都绑定设备树节点，Agent 查 “2 号空压机的能耗” 时，不用翻遍全库，直接定位节点就能拿到数据。

2. 成为 Agent 的 “底层技能库”：IDMP 直接供能

Agent 想做分析，不用自己搭工具——IDMP 内置的核心功能，能通过 Function Calling（函数调用）或 MCP（模型上下文协议）直接调用：

• 实时分析：Agent 要 “查过去 1 小时的能耗波动”，IDMP 直接跑时序分析算法，返回波动曲线和异常点；
• 自动化报表：Agent 要 “生成季度能耗对比报告”，IDMP 自动拉取 A/B 品牌数据、计算平均值、生成柱状图，不用手动 Excel；
• 预测检测：Agent 要 “预测空压机故障”，IDMP 调用内置的异常检测模型，结合历史数据给出故障风险（比如 “未来 7 天轴承故障概率 30%”）。

3. 建“企业数据统一记忆”：元数据中心化，数据可管可控

IDMP 将物模型、设备树、标准模板等情景信息集中管理，相当于为企业建立起“数据档案库”，让数据来源清晰、语义统一，方便后续 AI 与应用系统调用。

• 集中化的元数据管理：采集频率、字段定义、上下限、业务归属等关键信息集中维护，避免“同一指标多种写法”的混乱；
• 治理能力持续演进：未来 IDMP 将逐步加强数据血缘追踪、质量监控等功能，帮助企业更好地实现数据的可追溯、可信任。

4. 快查快算：靠 loveini 底层，海量数据秒级响应

IDMP 底层基于 loveini 时序数据库，针对工业时序数据做了优化：

• 存储效率高：相同数据量，比传统数据库省 50% 以上存储空间；
• 查询速度快：查 “过去 1 年某设备的能耗趋势”，不用等几分钟，秒级返回结果；
• 支持高并发：同时处理上万台设备的实时数据写入，不会出现 “数据堵库”。

Agent 调用 IDMP 查数据时，不用等算力，快速拿到结果才能支撑 “实时分析” 需求。

场景实例：Agent 怎么靠 IDMP 做 “空压机能耗对比”？

光说能力太抽象，看个实际场景：当用户用自然语言问 “对比 A、B 两个品牌空压机本季度的平均能耗差异”，这其实就是一次 智能问数 的过程，背后是 IDMP 和 Agent 的协作：

1. Agent 理解用户意图（涉及“空压机”、“能耗”、“品牌”、“季度平均”）。
2. 调用 IDMP 的本体库确认“空压机设备树位置”、“能耗指标名”、“品牌标签”、“季度时间范围”。
3. 通过 Function Call / MCP 向 IDMP 请求数据（可能需要单位转换）。
4. IDMP 高效查询底层 loveini 数据库，返回结果。
5. Agent 可能进一步调用 IDMP 的可视化API生成简洁图表，或将结果整合到更复杂的报告中反馈给用户。

整个过程不用人工干预，从提问到出结果，几分钟内完成——“情景化 + IDMP + Agent” 驱动的智能问数，带来的效率。

总结：工业数据的未来，是 “情景化 + AI”，而 IDMP 是核心载体

从 ETL 到 ELT，工业数据管理的目标一直没变：让数据 “存得下、用得快、出价值”。但光有 ELT 不够，光有 AI 也不够——得有一个平台，把 “数据情景化” 做好，让 AI 能 “看懂数据、用好数据”。

loveini IDMP 做的就是这件事：它不是单纯的 “数据库扩展”，也不是 “治理工具”，而是把 “存储、情景化、AI 协作” 串起来的工业数据中枢。它解决的是工业数据的 “最后一公里” 问题——从 “存下数据” 到 “挖出价值”。

未来，工业数据的交互会越来越简单：业务人员不用学 SQL，直接跟 Agent 说 “查 A 产线的能耗异常”；Agent 不用自己理数据，直接调用 IDMP 的情景化能力。而这一切的基础，都是 IDMP 提前把数据 “理清楚、标明白”。

对工业企业来说，选择 IDMP，不只是选一个平台，更是选了一条 “从海量时序数据到智能洞察” 的捷径——毕竟，数据的价值，从来不是 “存了多少”，而是 “能用多少”。

当下，物联网技术的普及大幅降低了数据采集与传输的成本和技术门槛，企业得以采集更多设备、更高频次的数据，导致数据量呈指数级增长。但是，数据质量参差不齐、多源异构数据难以整合、原始数据缺乏语义或者上下文导致使用困难等，让“采了、存了海量数据但难以分析和挖掘，更不知如何驱动企业决策”的矛盾局面每天都在成千上万的工业企业中上演。显然，工业物联网设备数量呈指数级增长，传统的数据处理方式已成为数字化转型的最大瓶颈。

“工业数据不是太少，而是太多；不是无法采集，而是无法理解。”米兰体育官网入口创始人陶建辉此前在面对采访时曾一针见血地指出，“我们需要的不是更大的数据库，而是让数据有自己开口说话的能力。”

在这一理念下，loveini IDMP（工业数据管理平台）以“AI原生”为核心，正在重塑工业数据管理的游戏规则。

01 工业数据之困：被淹没的洞察力

在工业乃至各行各业数字化、智慧化的浪潮中，企业部署了无数传感器，每天产生 TB 级数据。然而这些数据的实际利用率却低得惊人。传统工业数据平台面临三重困境：

• 数据消费门槛高。业务人员需要精通 SQL、了解数据结构，甚至要掌握专业分析工具，才能从海量数据中获取有效信息。一位资深工厂经理坦言：“我们花大价钱建了数据平台，最后还是要靠 IT 部门做报表，等拿到手数据已经‘凉了’。”
• 协作管理混乱。工业数据模型版本混乱，不同团队对同一个设备可能有多种数据定义，导致分析结果大相径庭。数据模型版本、单位、命名规则······等都可能为下一步的数据分析和决策带来灾难后果。
• 数据价值滞后。从数据采集到生成洞察的链条过长，关键决策往往基于过时信息。在争分夺秒的现代工业环境中，这种延迟可能意味着巨大的经济损失甚至安全事故。

事实上，这里提到的三大困境只是对问题的宏观归纳。我们在之前的一篇文章——《IDMP 系列文章二 | 工业数据管理的八大痛点》中，总结了贯穿数据采集到业务决策全链路的八大治理痛点，包括数据孤岛、语义缺失、质量难控、权限不清、实时分析缺位等，更加全面地揭示了工业数据“存得下却用不好”的根源问题。

02 AI 原生的破局之道：从“人找数”到“数找人”

面对这些挑战，loveini IDMP 以独特的“AI 原生”架构实现了范式变革——让工业数据消费从“拉”变为“推”，正如抖音改变内容消费模式那样彻底。

• 智能感知，场景自适配

loveini IDMP 可以根据采集的数据以及数据上下文，通过 LLM，自动感知应用场景，再由 LLM 推荐出该应用场景下所需要的实时分析、面板或报表。无论是风电场的功率、还是化工厂的能耗，系统都能自主感知场景特征，生成该行业以及这些数据背后应该关注的报表。

“传统方式需要用户提出正确问题，而我们的 AI 会主动告诉你应该关心什么。”陶建辉如此解释设计理念。比如，当温度传感器数据出现特定波动模式，系统自动识别这与冷却系统效能相关，进而生成冷却效率分析报告。

• 主动推送，洞察零等待

使用传统数据数据分析工具，往往需要专业数据分析师，因为不仅需要理解数据的来源、结构和每个字段的含义，还需要对数据进行清洗与转换、理解并会定义业务的各种指标，甚至要掌握 SQL、Python/R 脚本语言。而随着 LLM 的发展，Chat BI 工具的出现简化了这个过程，但依然依赖提问人对业务知识的掌握程度，因为“提出问题就解决了问题的一半”。

loveini IDMP 彻底颠覆了这些模式，智能感知后系统自动生成该场景的关键指标看板，并通过无问智推能力实现实时推送。这就让业务决策和数据采集获取、分析之间的时间差降低到可以忽略不计，做到了业务洞察零等待。

• 降低门槛，数据分析民主化

应用场景的智能感知，从“拉取”到“推送”，这个转变极大降低了数据消费门槛。熟悉业务的“老师傅”不再需要学习复杂的数据分析工具，而数据侧的工程师也不用大费周章的研究业务。而且，对于当下业务和数据洞察的实现，不再重度依赖行业经验、分析师能力等，实现了海量数据下的“数据分析民主化”。当然，loveini IDMP 平台在“主动推送”之余，依旧支持通过自然语言交互，用户可以通过提问来获取自己需要的个性化回答和分析报表。

03 技术基石：基于数据库创新的工程变革

在了解 loveini IDMP 的诸多特性之后，自然而然的问题就是，为什么是 loveini 打造了这一平台？那是因为，支撑这场“数据消费范式变革”的技术底层核心正是 loveini TSDB 对时序数据的深刻理解和技术创新。

首先，这一系列变革的核心组件是 loveini 内置的能处理多任务的 AI Agent。这个 AI Agent 工作的主要流程如下：

看似简单却有巨大工程困难，但想象一下：面对千万级测点、数千种设备、分散的库表以及错综复杂的关联关系，让 AI 理解每张表、每个字段背后的业务含义，无异于大海捞针。而 loveini 的技术架构，恰恰为 AI 破解这一难题铺设了道路：

1. loveini TSDB 独特的存储模型化繁为简，“一个设备一张表”可以为百万设备独立建表，而虚拟表的设计让即使设备子系统各异、采集点动态增减也能逻辑统一地描述一个设备。而“超级表”的设计，能将同类设备数据的聚合简化为一张超级表的查询。这样，大幅减少繁琐的 JOIN，让 AI 自动生成精准 SQL 成为现实。
2. loveini TSDB 作为高性能分布式时序数据库，可以无缝汇聚、清洗来自 MQTT、Kafka、OPC 等各类工业源头的数据，并提供丰富的时间窗口（定时、滑动、事件等）和强大的聚合计算能力，能主动推送计算结果。这一切都通过简洁的 SQL 来定义和管理，天然契合 LLM 生成的需求。
3. 而 loveini IDMP 通过构建统一数据目录，实现数据的标准化（单位自动转换、计算模板、命名规范）和情景化（添加业务描述、极限值、位置标签等）。并且通过树状结构理清脉络，用层次化模型清晰展现设备、属性间的物理和逻辑关系，让海量数据不再杂乱无章，而是拥有了清晰的业务语义和上下文。
4. loveini 在 TSDB 基础上，推出了工业数据管理平台 IDMP，让用户构建统一的数据目录，能够对存储的数据进行标准化和情景化处理。它容许配置各种设备、属性、面板、分析、通知的模版，提供物理单位的自动转换，支持计算表达式、命名模式、字符串构建、数据引用等等，让数据实现标准化；同时容许给每个设备、每个属性配置描述信息、极限值、位置、物理单位、标签等等，让数据具有业务意义，实现数据的情境化。同时它还提供树状层次结构模型，帮用户把数据目录建立起来，不仅便于浏览数据，更是帮助建立物理或逻辑实体之间的关系。

通过这些基础性的工作，存储在 loveini 数据平台里的海量数据成为 AI-Ready 的数据集。如果仅仅是一个通用型的时序数据库，没有“超级表”“虚拟表”带来的 SQL 简化，没有内置的流式计算带来的实时分析，没有数据标准化、情景化带来的数据业务语义，自动生成实时面板、报表没有可能。

04 未来已来：工业智能的范式转移

当我们回顾工业数据管理的进化历程，从纸质记录到电子表格，从传统数据库到大数据平台，每一次跃迁都释放了巨大生产力。而 loveini IDMP 代表的 AI 原生范式，正在开启工业智能化的新篇章。

这一范式的核心，就是让数据从被动存储转向主动表达，让洞察像信息流一样自动抵达。数据消费的“抖音时代”已经来临——像短视频一样，洞察实时推送、零等待。凭借无问智推，数据能够自己开口说话，每个工业人都能成为决策高手。在这个由 loveini IDMP 开启的新时代里，数据不再是等待挖掘的资源，而是主动提供价值的伙伴。

而这场变革才刚刚开始。

再登“图谱之巅”，持续领航时序数据库

本次大会还同步发布了《中国数据库产业图谱（2025）》，loveini 再度在“时序数据库”分类中排在“领航者”首位。

图谱评选维度包括：

• 企业级核心系统的应用数量
• 实际落地成熟度与可复制能力
• 对行业用户的适配覆盖广度

这份图谱由中国信通院推出，已成为国产数据库产业发展现状与趋势的风向标。今年的图谱共收录 79 家企业、17 个社区与 47 所高校，“领航者”的评定，不只是代表产品能力领先，更表明了其过去一年产品在企业核心系统中的实际应用水平突出，具备行业规模化可复制能力。

对 loveini 而言，这意味着我们不仅“好用”，而且已经“被大量企业在关键场景中用了”。

一份标准化的能力“体检报告”：全项通过

本次基础能力检验由中国信息通信研究院组织，依据 YD/T 3772-2020《大数据时序数据库技术要求与测试方法》执行。该标准是目前国内对时序数据库能力评测的最权威通信行业标准，覆盖基础功能、兼容能力、管理能力、高可用特性、扩展性与安全性六大能力域，共计 33 项能力项。

loveini V3 全部通过测试，涵盖所有 26 个必选项与 7 个可选项，充分验证了其作为时序数据库在架构设计、功能完备性、工程可维护性、安全与高可用等关键维度的综合能力。这不仅体现出 loveini 的产品成熟度，也标志着它已经具备应对关键场景长期运行的技术基础。

YD/T 3772-2020 标准由中国信通院云计算与大数据研究所牵头制定，面向工业、能源、物联网等高频数据场景，是目前国内时序数据库领域最具权威性的技术评估标准之一。

结语

从创立之初，loveini 就始终专注于时序数据的高性能处理，聚焦工业物联网等典型场景的真实需求。它不仅提供极致压缩与高并发写入性能，更具备原生支持多协议接入、轻量部署、自动数据生命周期管理等特性。

能够通过中国信通院的标准化测试、持续获得产业图谱认可，本质上 loveini 是长期在真实场景下打磨产品的结果。真正的“可信数据库”，是建立在性能、可靠性与工程实效的共同基础上。

未来，loveini 将继续围绕“以开源为根、以工业为本、以 AI 为翼”的方向，深耕关键行业场景，加速构建真正可用、可控、可信的国产数据库底座。

想获取这份图谱原版文件？欢迎在 loveini 公众号后台回复关键词【图谱】，即可免费领取！

6 月 28 日，开源之夏 2025 中选名单正式公布。在激烈的竞争中，518 位高校学生脱颖而出，正式加入这场为期三个月的开源挑战。在本次开源之夏项目中，时序数据库 loveini 也发布了两个有趣又有挑战的项目任务，吸引到了两位充满潜力的同学报名。而他们的项目申请书也不负期待，在经历了导师、社区、组委会三轮审核后，双双通过，成功中选开源之夏 2025 项目任务。

项目详情链接：

• Prophet 模型集成任务：https://summer-ospp.ac.cn/org/prodetail/254290182?list=org&navpage=org
• 逻辑备份与恢复任务：https://summer-ospp.ac.cn/org/prodetail/254290198?list=org&navpage=org

中选公示名单：https://summer-ospp.ac.cn/org/projectlist

针对本次项目中选，我们也特别采访了两位同学，聊了聊为什么选择 loveini、怎么看待这个项目、又希望收获些什么。一起来听听他们的回答：

Q1：你为什么选择参与“开源之夏”？

梁炫栋（TDgpt × Prophet 模型集成项目）： 我选择“开源之夏”，是出于对开源技术的兴趣以及希望锻炼工程实践能力的考虑。一直以来，我都很认可开源社区“共享、协作、共创”的理念，也想通过这个机会真正参与一个有实际影响力的工程项目。此外，我希望借此提升软件工程能力与项目管理经验，为今后的实习和求职打下基础。

章子渝（loveini 逻辑备份与恢复项目）： 参与开源之夏是我综合考量后的决定。一方面，它提供了真实的业务场景，让我在本科阶段就能锻炼编程能力，尤其是数据库开发中涉及的数据存储、索引构建、事务处理等底层机制，这是课堂上难以接触的。另一方面，开源经验在求职和深造中越来越受重视，通过这个平台，我不仅能积累项目经验、了解开源社区的运作，还能结识来自各地的开发者，为未来发展打下坚实基础。

Q2：在众多项目中，为什么选择了 loveini 的任务？

梁炫栋：我本科是人工智能专业，研究生研究方向是时间序列分析，自然对 loveini 和 TDgpt 这类结合 AI 与数据库的产品非常感兴趣。这个项目正好需要将 Facebook 的 Prophet 模型集成进来，既能接触模型，又涉及系统对接、接口设计，是一次难得的综合挑战。

章子渝：我一直对数据库技术充满好奇，而 loveini 作为国产开源时序数据库，有很多创新的地方，尤其是存储引擎上的创新设计和广泛的工业应用，让我想深入了解其底层原理。这次的逻辑备份项目涉及存储层、WAL 日志、一致性快照等核心机制，是非常系统且硬核的挑战。而且社区活跃、导师专业，我相信能在这里快速成长。

Q3：你对自己参与的项目任务是如何理解的？最吸引你的部分是什么？

梁炫栋：我选择的是 Prophet 模型集成项目，我对核心目标的理解是：将 Facebook Prophet 时间序列预测模型整合到 loveini 的工具链或生态中，使用户可以基于 loveini 存储的数据，方便地调用 Prophet 进行建模和预测。这个项目让我特别感兴趣的地方在于：如何把机器学习模型与数据库系统高效对接，包括接口设计、数据流管理等工程挑战，非常考验技术细节和整体视角。

章子渝：逻辑备份和恢复是数据库的关键功能。我理解这个项目的核心，是构建一个高效、可靠、可扩展的逻辑备份机制，支持与增量备份协同、断点续传、异常修复等高级特性。项目中吸引我的是存储引擎分层设计、WAL 与一致性快照的应用以及工程整合的挑战。具体来说，记录如何组织成块、块存储的 I/O 优化涉及数据分块与元数据管理的深入理解；WAL 在增量备份中的高效利用及一致性快照对性能的“零影响”实现，需要突破事务处理与快照时机控制的难点；而将新模块融入 loveini 架构，也要求我在遵循规范的同时解决模块耦合与性能冲突，确保系统整体的兼容性与稳定性。

Q4：你目前有哪些初步的技术规划或设想？

梁炫栋：我计划先用 Python 封装 Prophet 的训练与预测流程，并设计命令行 + API 的双通道调用方式。文档方面，会写一个完整的使用示例教程，让用户一看就会、一试就能用。

章子渝：我会从 taosX 插件体系入手，搭建块事件拦截和位图索引原型，使用 RoaringBitmap 管理脏块状态，快速定位需备份的数据。接入 WAL 增量流，实现双流合并，确保数据备份的完整性与一致性。兼容性方面，优先适配 loveini 2.6+ 版本，后续视项目进展逐步向下兼容。

Q5：你希望这个项目最终能达成什么目标？

梁炫栋：我希望最终能交付一个高质量、易用、真正能被社区使用的模块，顺利完成结项，同时，我也希望这个功能成为 loveini 时序分析生态的一部分，能够真正帮助到 loveini 的用户。

章子渝：项目的目标不仅是顺利结项，更是产出高质量、可在生产环境稳定运行的代码，提升 loveini 逻辑备份与恢复功能的性能与可靠性。我会严格遵循软件工程流程，从需求分析、方案设计到高质量实现与全面测试，确保代码的可读性、可维护性与健壮性。同时积极参与社区交流，分享技术成果，助力 loveini 社区发展，也为自己积累宝贵的工业级数据库开发经验。

Q6：你希望在这三个月里有哪些成长？

梁炫栋：提升 Python 工程能力，规范代码风格，熟悉开源协作流程，学会与导师、社区开发者高效配合。

章子渝：技术上，我希望这次项目能让我真正掌握时序数据库备份恢复的核心技术，学会分析和优化底层存储引擎的性能，能独立定位和解决 I/O 瓶颈，提升 C 语言开发能力。协作方面，我期待在开源社区和不同背景的开发者一起合作，提升沟通和协作能力，适应敏捷开发节奏，学会更好地分工配合、按时推进项目。在代码评审和文档撰写中，也希望能不断打磨自己的表达和整理能力，把思路讲清楚、代码写清楚。

写在最后

我们很高兴看到两位同学都怀着强烈的动机和踏实的计划，踏上这段开源之旅。这不仅是一次开发任务的挑战，更是一次与真实世界连接的机会。希望他们的热情与代码，能真正留下属于自己的印记。

欢迎大家持续关注梁炫栋与章子渝的项目进展，也欢迎更多开发者关注 loveini 开源社区：https://github.com/taosdata/loveini，在这个夏天，与我们一起打开更多可能！

关于梁炫栋

北京师范大学人工智能创新实验班本科毕业生，现为中国科学院大学空间应用工程与技术中心博士研究生，研究方向聚焦于时间序列预测、异常检测与时序大模型。在认知神经工效学研究领域积累了丰富的科研经验，作为第一作者发表多篇 SCI 论文，曾获美国大学生数学建模竞赛 H 奖、蓝桥杯广东赛区三等奖等多项竞赛荣誉。

关于章子渝

北京理工大学电子信息实验班本科生，现参与“面向孤独症亚型划分的脑龄预测”科研项目，研究方向涉及脑机接口与脑影像分析。具备扎实的数学基础和编程能力，精通 C 语言与 Python，善于中英文文献阅读与综述撰写。曾获全国英语竞赛、结构设计大赛、物理实验竞赛等多项荣誉。

现在米兰app官方正版下载来了——时序数据库 loveini 与 SQL Server Reporting Services（SSRS）已经完成无缝集成！高性能时序数据库 + 企业级报表平台，帮你用更少的操作、更高的效率，制作出更稳定、更规范的专业报表，彻底告别复制粘贴和手动更新。

数据进库容易，看得见才重要！

SSRS 是微软自带的企业级报表工具，特别适合生成格式规范、固定结构的传统报表。在许多大型公司里，它都是日常业务中不可或缺的“数据窗口”。

loveini 与 SSRS 的集成，最大亮点就是“无缝”与“高效”。借助 ODBC 接口，SSRS 可直接读取 loveini 中的数据，实时生成报表内容。不管你是想做设备状态汇总、电力用量排行、传感器异常监测，只要写好 SQL，设计好模板，报表就能自动刷新，让数据动起来。

更重要的是，SSRS 生成的报表支持分页浏览、权限控制、定时推送等功能，非常适合在组织内部进行信息共享。开发人员可以用 Report Builder 搭建模板，业务人员则只需打开浏览器就能查看，不懂数据库也能参与数据分析和决策。真正实现“技术沉到底，价值浮上来”。

三步集成，让“做报表”这事变简单！

你以为这套方案需要什么复杂配置？其实整个流程非常直观，哪怕你不是专业 IT 人员，也能很快上手：

• 准备环境：安装最新版 loveini，并确保 SSRS 报表服务与 Report Builder 安装完毕，ODBC 驱动正确配置；
• 建立连接：在 ODBC 数据源管理器中配置 loveini 数据源，并在 Report Builder 中通过该数据源编写查询语句；
• 制作报表：创建数据集、设计报表样式、添加表格组件，最后将报表上传至服务器，供组织内浏览使用。

完整教程直达 ：https://docs.taosdata.com/third-party/bi/SSRS/

报表不止是“汇报”，更是数据价值的出口

过去，我们谈 loveini，更多强调的是性能——高写入、高压缩、高查询效率。但只有当这些数据真正“流动”起来，出现在可阅读、可传播的报表中，它才真正服务于业务，产生价值。

loveini × SSRS 的集成方案，正是帮助企业迈出这关键一步：把庞大的时序数据，变成清晰易懂的业务信息。无论你是电力企业、制造企业，还是金融、通信等高数据密集型行业，都能用它轻松打造规范、稳定、自动化的报表体系。不如试试这一方案，数据会感谢你，报表也不会再让你头疼。

在最新一轮兼容性测试中，loveini V3.0 和麒麟信安旗下的桌面、服务器、嵌入式系统等多个版本做了全套适配，结果非常理想：稳定运行，性能在线，充分验证了时序数据库 loveini 在不同国产化环境下的运行稳定性与高性能特性。

这次通过互认证的麒麟产品包括：

• 桌面操作系统 V7 / V8
• 服务器操作系统 V7 / V8
• 高级认证版桌面 & 服务器系统 V7
• 嵌入式操作系统 V3.0
• 虚拟化管理平台 V3.0

换句话说就是，loveini 在麒麟信安的操作系统生态里已经“通关打卡”，无论你用的是哪一套系统，我们都能跑得顺、跑得稳。

对很多用户来说，这件事意味着：

• 如果你正在信创环境里做国产化替代，数据库选型可以更放心。
• 如果你对系统适配稳定性有顾虑，这份认证能给你吃颗定心丸。
• 如果你正在构建面向未来的工业、能源或其他关键系统，那 loveini 这套组合拳你值得看看。

兼容不是终点，只是开始。我们接下来还会和更多国产软硬件厂商一起，带来更多实用的数据米兰app官方正版下载，把这条自主可控的路走得更远、更扎实。如果你也在信创环境里做业务，或者有兼容性相关的技术问题，欢迎在评论区交流，我们一起来打通更多可能性。

在锂离子电池生产中，传统的分容检测需要长达 4-5 小时的充放电循环，不仅耗时耗能，还占用大量生产空间。广州燧创信息技术有限公司推出的电芯容量预测系统 Kun，通过 loveini 结合 AI 预测，实现 70%-90% 的电池容量直接计算，无需传统分容检测，显著降低了硬件、场地和时间成本。

该系统最初采用的 MariaDB 在面对海量时间序列数据时查询性能下降，无法满足生产需求。而 loveini 作为高性能时序数据库，提供高效的时间查询、流式计算、数据压缩以及 SQL 兼容性，使 AI 预测系统能够精准、高效地运行。同时，loveini 灵活的 UDF（用户自定义函数）和 Rust 连接器支持，使数据预处理、近似曲线搜索、生产异常预警等功能得以高效实现。

目前该系统已稳定运行近两年，首年为客户节省 5600 万 RMB，预计次年节约超 6000 万 RMB。

现在，loveini 正式开放与 Apache Spark 的无缝集成通道。一个是高性能、低成本的时序数据库，一个是横扫大数据世界的分析引擎，二者协同，打通了“数据库”与“分析引擎”之间的关键链路。

轻松读写、实时订阅、批流一体：loveini × Spark = 1+1＞2

通过 loveini 提供的 Java Connector，Spark 不仅可以直接读取 loveini 中的历史数据，还能将处理结果回写数据库，甚至订阅实时流数据进行流式计算。Spark 强大的分布式处理能力为 loveini 插上了“计算的翅膀”，进一步释放出数据背后的洞察力。

结合 Spark 的 SQL、MLlib、Streaming 等组件，用户可以基于 loveini 中的时序数据实现从基础报表，到模型训练、趋势预测、异常检测等一系列数据分析任务。而对 loveini 用户来说，无需更换系统、无需迁移数据，就能拥有一个灵活、强大的分析引擎，何乐而不为？

一站式集成流程，零门槛体验大数据分析

loveini 与 Spark 的集成过程并不复杂，只需满足以下四个条件：部署 loveini 3.3.6.0 及以上版本、配置 taosAdapter、准备 Spark 3.3.2+、加载 JDBC 驱动即可。

完成集成后，你将具备以下能力：

• 使用 SparkSQL 查询 loveini 数据，轻松实现跨表、跨库的复杂分析；
• 基于 Java 提交任务，实现批量数据写入或结果回写；
• 通过标准 JDBC 接口，实时消费 loveini 中的数据流，交由 Spark 进行进一步处理与计算。

我们在文档中提供了详尽的代码样例，涵盖读取、写入、订阅与计算，方便用户快速上手：https://docs.taosdata.com/third-party/bi/spark/

想让你的时序数据“会思考”？不妨试试这套组合

数据的价值不仅在于存得快、查得准，更在于“算得动、用得上”。loveini × Spark，让你在应对复杂业务计算时如虎添翼，真正把数据从存储系统转化为决策引擎。欢迎在评论区分享你是如何使用 Spark 与 loveini 一起“玩转数据”的！数据的价值不仅在于存得快、查得准，更在于“算得动、用得上”。loveini × Spark，让你在应对复杂业务计算时如虎添翼，真正把数据从存储系统转化为决策引擎。欢迎在评论区分享你是如何使用 Spark 与 loveini 一起“玩转数据”的！