正泰集团基于SelectDB构建AI数据平台,落地异常诊断、资产检索与智能报告三大场景

正泰集团在 Doris Summit 2026 分享其AI数据应用实践:依托现有 SelectDB 平台,结合智能体技术,实现异常自动关联定位、语义化数据资产检索与受控环境下的自然语言分析报告生成,提...

人工智能 阅读量: 30.89万

在企业数字化深入发展的背景下,数据平台正从“能查”向“好用、易懂、智能”演进。正泰集团近期在 Doris Summit 2026 上披露了其基于 SelectDB 的 AI 数据应用实践,展示了如何将大模型与智能体能力嵌入既有数据基础设施,解决运维效率低、资产发现难、分析灵活性不足等典型痛点。

文章配图

正泰集团大数据负责人许继良介绍,随着集团数据资产持续积累——包括大量数据模型、业务指标与分析报表——传统依赖人工排查、关键词检索和固定模板报表的方式已显乏力。具体表现为三方面挑战:一是异常事件发生后,告警、审计日志与任务归属信息分散于不同系统,跨系统关联成本高;二是业务用户难以准确记忆资产名称,关键词检索对命名一致性要求严苛,影响使用效率;三是通用 ChatBI 方案虽灵活,却面临语义理解复杂、权限管控难、结果准确性不足等问题。

为应对上述问题,正泰集团选择以 SelectDB 为底座构建 AI 应用体系,而非另起炉灶。这一决策基于三点现实考量:首先,SelectDB 已承载核心数据存储与查询任务,具备现成的业务数据、元数据与权限体系;其次,其内置的向量检索与倒排索引能力,可支撑语义级资产检索;第三,通过限定智能体访问范围(如仅限特定租户或项目数据),可在保障安全的前提下推进自然语言交互。

整体架构上,正泰采用“三层分工”模式:SelectDB 负责数据存储与基础查询,自研智能体平台承担任务编排与交互逻辑,飞书等协同工具作为最终交付入口。这种设计既复用现有投资,又避免智能体直接暴露于全量生产数据。

在具体落地中,正泰聚焦三大高频场景展开验证:

第一,智能异常诊断。过去,当集群出现资源异常告警时,运维人员需手动在 SelectDB Manager、审计日志与数据中台之间切换查询,耗时且易遗漏。现在,团队将三类信息源封装为可调用的 Skill(技能模块),接入智能体平台。例如,收到告警后,智能体自动根据时间戳拉取对应时段的审计记录,再结合中台元数据匹配租户、项目与任务负责人,生成初步归因线索。整个过程由人工逐条比对转为系统自动关联,显著缩短平均故障定位时间。

SelectDB 与智能体平台职责分工图

第二,数据资产智能检索。针对“记不住指标名”“搜不到想要的报表”等常见困扰,正泰构建了融合向量检索与关键词匹配的混合检索机制。用户可用自然语言描述需求,如“近三个月华东区光伏逆变器销量相关指标”,系统将该语句编码为向量,在已入库的模型/指标/报表元数据中进行相似度匹配,并辅以拼音纠错与倒排索引增强召回率。相比纯关键词搜索,该方案对用户表达的容错性更强,资产发现效率提升明显。

第三,智能分析报告生成。为平衡灵活性与安全性,正泰未采用全域开放的 ChatBI,而是划定“受控数据沙箱”——例如仅允许某业务部门访问其所属租户下的应用层表。在此范围内,用户可通过自然语言提问(如“对比Q1与Q2各产线OEE变化趋势”),由临时 DuckDB 实例执行查询,结果交由智能体生成结构化报告,并定时推送至飞书卡片。该方案规避了直接访问原始数据仓库的风险,同时满足一线运营人员对动态洞察的需求。

智能异常诊断流程图:从告警触发到报告推送的完整链路

值得注意的是,正泰的实践并非追求“大模型万能论”,而是强调“小步快跑、场景驱动”。所有 AI 功能均围绕已有数据流与业务闭环设计,不脱离实际工作流另建通道。例如,异常诊断结果仍需人工确认并介入处理;智能报告生成后,关键结论会同步至既有 BI 系统供深度钻取——AI 是增强者,而非替代者。

行业观察显示,大型制造企业正成为企业级 AI 应用的重要试验田。与互联网公司侧重用户增长不同,制造业更关注降本增效、质量追溯与供应链韧性,其数据结构复杂、业务规则明确、权限边界清晰,反而更适合渐进式引入 AI 能力。正泰的路径提供了一种可复制的范式:以成熟数据库为锚点,用智能体串联碎片化数据服务,优先解决高价值、高频次、高痛感的具体问题。

目前,上述三个场景已在正泰部分业务单元上线试运行,后续计划扩展至设备预测性维护、合同风险识别等新方向。其核心经验在于:AI 落地成败不取决于模型参数规模,而在于是否真正嵌入业务价值链的关键节点,并与现有系统形成协同而非割裂。