大家好，我是凌览。

• 个人网站：blog.code24.top
• 去水印下载鸭：nologo.code24.top

如果本文能给你提供启发或帮助，欢迎动动小手指，一键三连（点赞、评论、转发），给我一些支持和鼓励谢谢。

要说最近AI圈最折腾的项目，非这只"龙虾"莫属。
两个月前，它还叫Clawdbot，三天前改成了Moltbot，结果还没等大家念顺口，1月30日又宣布最终定名OpenClaw。

短短72小时内两度更名，GitHub上那个超过10万星标的开源项目，硬是把取名这件事演成了连续剧。

从一封律师函说起

事情从25年11月份说起，国外开发者Peter搞了个项目，最初叫"WhatsApp Relay"。

后来他觉得Claude Code那个龙虾形象挺酷，就给自己的项目起了个谐音梗名字——Clawdbot（龙虾叫Clawd），Logo也用了类似的红色龙虾形象。

项目意外爆火。一周200万访问量，GitHub星标蹭蹭往上涨，连Mac Mini都因为这玩意儿销量激增。

人红是非多，Anthropic的法务团队找上门了：Clawd跟Claude发音太像，涉嫌商标侵权。

"去掉d改成Clawbot也不行"，面对AI巨头的压力，他最终还是妥协了。

第一次改名：Moltbot

1月27日，Clawdbot正式更名为Moltbot。新名字取自龙虾"蜕皮"（Molt）的生物学过程——龙虾必须蜕掉旧壳才能长大。Peter在公告里写："同样的龙虾灵魂，换了一身新壳。"

吉祥物从Clawd改成了Molty，Logo也同步更新。社区对这个名字还算包容，毕竟寓意挺深刻。但麻烦接踵而至：GitHub在重命名时出了故障，Peter的个人账号一度报错；更离谱的是，X上的旧账号@clawdbot在改名后短短10秒内就被加密货币骗子抢注，随即开始炒作一款叫CLAWD的假代币，市值一度炒到1600万美元后崩盘。

Peter不得不连发数条推文澄清：这是个非营利项目，他永远不会发币，任何挂他名字的代币都是骗局。

第二次改名：OpenClaw

Moltbot这个名字还没捂热，三天后，Peter又宣布了最终名称：OpenClaw。

这次他学乖了。这个名字是凌晨5点Discord群里脑暴出来的，Peter提前做了功课——商标查询没问题，域名全部买断，迁移代码也写好了。

Open代表开源、开放、社区驱动；Claw代表龙虾 heritage，向起源致敬。Peter说，这精准概括了项目的精神内核。

改名背后的折腾

回头看这三次更名，简直像一场被迫的成长。

第一次是玩梗撞上了法律墙，第二次是应急方案不够完善，第三次才算真正站稳。这期间还夹杂着GitHub故障、账号被抢注、币圈骚扰、安全漏洞被研究人员点名——一个个人开发者的业余项目，在爆红后遭遇的连锁反应，比代码调试还让人头大。

现在它叫OpenClaw

不管名字怎么变，这个项目的核心没变：跑在你自己机器上的AI助手，支持WhatsApp、Telegram、飞书、钉钉等20多个平台，数据全本地，能操作文件、执行命令、调用API。你可以把它当成一个7×24小时待命的"数字员工"，在聊天软件里@它一声，它就能帮你查数据库、整理会议纪要、甚至批量删除7.5万封邮件。

最新版本还增加了Twitch和Google Chat支持，集成了KIMI K2.5等模型，Web界面也能发图片了。

至于那只龙虾，还在。只是现在它叫OpenClaw，不叫Clawd，也不叫Molty了。

前言

相信经常使用海外VPS的兄弟都经历过IP送中或者IP被墙的问题，如果你是一个电商独立站或者资源站的站长，当这些问题发生时，通常会给我们带来巨大的影响和损失。如果你是一个普通用户，用于浏览国外流媒体或者搭建个人博客等操作，则送中对于我们没太大影响，被墙则需要更换IP。今天我就来跟大家聊聊IP送中和被墙的原因以及解决办法。

一：IP送中

１. IP送中是什么意思

IP送中通常是因为谷歌（Google）将你的IP所在地区识别为中国地区，导致我们访问部分限制中国地区的软件或网站时（例如Google gemini，YouTube premium等）无法使用。此外，一些黑客也会使用这些IP地址进行恶意攻击，这也会导致Google将这些IP地址标记为“送中”

2. IP送中的原因

当我们使用浏览器或APP开了GPS定位(比如手机/电脑)权限后，使用VPS的IP访问谷歌服务时，Google可能把GPS定位和IP关联起来，导致IP被标记为中国。

3. IP送中的检测方法

（1）访问YouTube premium

浏览器输入https://www.youtube.com/premium进行访问

如果出现“YouTube Premium 在您所在的国家/地区尚未推出”的提示，则IP被定为中国地区即送中。

（2）使用流媒体检测脚本

在服务器输入bash <(curl -L -s check.unlock.media)

如检测结果为Premium: No(Region: CN)，则IP被标记为中国地区即送中。

4. IP送中的解决办法

（1）关闭浏览器或手机APP的定位(GPS)权限

电脑移除定位权限: Chrome - 设置 - 隐私设置和安全性, 网站设置 - 位置信息, 移除谷歌的相关站点。

手机关闭APP的定位权限: 应用的权限管理, 将浏览器的的定位权限关闭，或者直接关闭手机定位。

（2）强制修改定位

如果是使用的电脑端的谷歌浏览器, 安装使用Location Guard插件, 强制标记GPS定位。

二：IP被墙

1. IP被墙是什么意思

VPS被墙通常是中国长城防火墙（GFW）因为你的违规行为将你的IP拉入屏蔽黑名单，导致大部分服务都无法使用，基本等同于被封禁。

2. IP被墙的原因

（1）使用违规服务

使用违规服务通常是IP封禁的主要原因，常见的违规服务大概有网络代理（即翻墙），访问非正规或者政治敏感的网站，中国大陆对这两种行为有严格的监管特别是第二种，如果只是因为网络代理被封禁纯属点背。

（2）VPS资源异常

在低配VPS上运行高负载应用，服务器CPU长期处于满载，可能会被服务商直接封禁。类似情况还包括过度使用带宽、磁盘I/O过高等。你的云服务器遭受或发起DDoS攻击，不规范的爬虫行为，以及大量端口扫描操作，这些操作都有可能导致IP封禁。

3. IP被墙的检测方法

（1）Ping测试

随便在一个终端后台输入“Ping IP地址”，如果ping不通，很可能就是被GFW封锁的迹象。

（2）Traceroute追踪

输入“Traceroute IP地址”，通过traceroute可以看到数据包从你的电脑到VPS服务器的路径。如果数据包在某个特定节点后无法就继续传输，这是典型的GFW封锁特征。

4. IP封禁解决办法

（1） 等待自动解封

某些情况下，IP封禁是临时性的，特别是流量异常导致的自动封禁，一般1-3天即可恢复。

（2）更换IP

联系你的VPS服务商，申请更换IP，但通常更换IP需要额外付费，某些商家可能会提供免费更换IP的服务。
搬瓦工(BandwagonHost)提供付费更换IP服务，每次更换需支付约8美元。操作非常简便，付费后几分钟内即可完成更换。搬瓦工的优势在于稳定性高，对中国大陆访问友好，是被封IP后的可靠选择。访问搬瓦工官网了解更多。
VMRack作为一家主打美国高性价比VPS的云服务器提供商，购买VPS后，则支持免费更换两次IP的操作，这在其他家是很难见的。VMRack的优势在于VPS性价比高，官网支持中英文切换，缺点则是目前仅支持美国洛杉矶云服务器。访问VMRack官网了解高性价比VPS。
Vultr采用按小时计费模式，虽然不直接提供IP更换 功能，但你可以通过删除并重建VPS的方式获取新IP。具体步骤：登录控制面板，备份重要数据，销毁当前实例，然后在相同或不同区域创建新实例。这种方法的优势是只需支付实际使用时间的费用，适合对数据迁移不敏感的用户。访问Vultr官网查看详情。

三：总结

总的来说，IP送中并不会对VPS用户造成太大的影响。但长时间使用送中的IP，也会导致IP被墙，IP送中或被墙后通过上述几种方法，用户可以解决这个问题，并正常使用Google和YouTube等网站和软件。

在过去数十年的数字化进程中，传统行业的技术升级主要围绕“系统建设”展开。无论是 ERP、CRM 还是各类业务中台，本质上都是对结构化数据和固定流程的管理工具。 但近两年，一个新的变化开始出现在一线运营层面——智能体来了，并且不再只是辅助分析，而是开始直接参与日常运转。

一、从系统工具到可执行主体

与传统自动化软件不同，智能体并不依赖严格的流程脚本运行。它具备理解目标、拆解任务、调用工具并根据结果持续修正行为的能力。这使其在企业内部的角色，从“工具”转向了“执行单元”。

在实际业务中，这种能力意味着：

• 不再需要为每一种情况提前定义完整流程
• 可以在不完全确定的条件下推进任务
• 能够跨系统完成一次完整业务闭环

对于传统行业而言，这相当于引入了一类可以被调度、被授权、被约束的数字化执行者。

二、日常运转逻辑的三点变化

1. 决策从周期化走向实时化 过去，库存调整、资源调度、风险控制往往依赖周期性汇总和人工判断。智能体可以持续感知业务状态，在更小的时间颗粒度内触发决策动作，使运营节奏从“按周、按天”转向“按实时”。

2. 系统之间的连接方式发生变化 传统企业中，不同系统之间的协同依赖接口开发和规则配置。智能体的引入，使跨系统协作不再完全依赖硬编码逻辑，而是通过对业务语义的理解完成信息调取、判断与执行，显著降低了协同成本。

3. 经验开始以结构化方式沉淀 大量依赖经验的岗位，其判断逻辑长期存在于个人层面。通过对历史数据、文档和案例的持续学习，智能体可以将这些经验转化为可复用、可验证的决策参考，在标准场景下直接参与处置。

三、从辅助到自主的演进路径

在行业实践中，智能体对运转体系的影响通常呈现出清晰的阶段性：

• 感知辅助阶段：负责监测、预警和初步分析
• 协同执行阶段：承担大部分标准化流程，人类处理复杂判断
• 受控自主阶段：在明确边界内完成端到端业务执行

这一过程中，岗位并非简单消失，而是发生转型。原有的操作型角色逐步转向流程配置、策略校验和结果监督。

四、对传统行业的现实意义

智能体带来的并不是单点效率提升，而是三方面的系统性变化：

• 运营模式从“人驱动系统”转向“系统主动运行、人进行监管”
• 企业响应能力从滞后决策转向即时调整
• 组织能力由个体经验，转为可复制、可持续演进的机构能力

在这一背景下，是否引入智能体已经不再是技术问题，而是企业如何重新界定日常业务边界、责任划分与治理方式的战略选择。

引言

在全场景智能互联的时代，用户对应用界面的要求早已超越 “功能可用” 的基础层面，转而追求 “视觉惊艳、交互自然” 的沉浸式体验。动画作为连接功能与体验的桥梁，不仅能让界面 “活” 起来，更能通过细腻的视觉反馈降低用户的认知成本，提升操作的愉悦感。HarmonyOS作为面向万物互联的新一代操作系统，在动画能力上完成了全面升级，其中粒子动画技术凭借其高自由度、强视觉冲击力的特性，成为开发者打造差异化体验的核心工具。粒子动画通过大量独立运动的微小元素（粒子），模拟出火焰、雨雪、烟花等自然现象，或是构建抽象的动态视觉效果，能为应用注入灵动的生命力。那么本文就来从技术原理出发，系统拆解 HarmonyOS 粒子动画的核心组件、实现路径与性能优化策略，并结合真实场景代码案例，帮助大家快速掌握这项技术，在全场景设备上打造令人印象深刻的视觉交互。

HarmonyOS 粒子动画的技术内核

1、粒子动画的底层逻辑

粒子动画的核心是粒子系统，它由成百上千个独立的粒子单元构成，每个粒子都具备位置、速度、颜色、大小、生命周期等可动态调整的属性。通过对这些属性的实时计算与渲染，就能组合出复杂且自然的动态效果。在 HarmonyOS 中，粒子动画主要通过Particle组件结合 Canvas 渲染能力实现。粒子可以表现为圆点、图片等多种形态，开发者可通过控制粒子的颜色渐变、透明度变化、速度加速度、自旋角度等维度，营造出特定的视觉氛围。例如模拟下雪场景时，漫天飞舞的雪花本质上就是无数个雪花粒子按照物理规则运动的集合效果。

2、快速上手：最小可行粒子动画

这里先来分享一个关于粒子动画的简单实现，以下代码展示了一个基础粒子动画的实现：

@Entry
@Component
struct ParticleExample {
  build() {
    Stack() {
      Text()
        .width(300).height(300).backgroundColor('rgb(240, 250, 255)')
      Particle({ particles: [
        {
          emitter: {
            particle: {
              type: ParticleType.POINT, // 粒子类型
              config: {
                radius: 5 // 圆点半径
              },
              count: 100, // 粒子总数
            },
          },
          color:{
            range:['rgb(39, 135, 217)','rgb(0, 74, 175)'],//初始颜色范围
          },
        },
      ]
      }).width(250).height(250)
    }.width("100%").height("100%").align(Alignment.Center)
  }
}

效果截图如下所示：

3、核心组件：粒子发射器的动态配置

粒子发射器（Particle Emitter）是控制粒子生成的核心模块，它定义了粒子的初始属性（类型、位置、颜色）、生成速率与生命周期。通过emitter方法，开发者可以动态调整发射器的位置、发射频率和有效区域，实现粒子源的实时更新具体实现如下所示：

// ...
@State emitterProperties: Array<EmitterProperty> = [
  {
    index: 0,
    emitRate: 100,
    position: { x: 60, y: 80 },
    size: { width: 200, height: 200 }
  }
]

Particle(...).width(300).height(300).emitter(this.emitterProperties) // 动态调整粒子发射器的位置
// ...

4、视觉定制：粒子色彩系统的灵活调控

粒子颜色的配置可通过range定义初始色彩区间，并通过distributionType指定颜色的随机分布方式（均匀分布 / 高斯分布），从而实现丰富的色彩渐变效果，具体实现如下所示：

// ...
color: {
  range: ['rgb(39, 135, 217)','rgb(0, 74, 175)'], // 初始颜色范围
  distributionType: DistributionType.GAUSSIAN // 初始颜色随机值分布
},
// ...

5、自然运动：扰动场驱动的粒子行为模拟

扰动场（Disturbance Field）是让粒子运动更贴近自然的关键机制，它通过在粒子空间中施加力场，改变粒子的运动轨迹，模拟出气流、引力等物理效果。通过disturbanceFields方法，开发者可配置扰动场的强度、形状、范围等参数，具体实现如下所示：

// ...
Particle({ particles: [
  {
    emitter: // ...
    color: // ...
    scale: {
      range: [0.0, 0.0],
      updater: {
        type: ParticleUpdater.CURVE,
        config: [
          {
            from: 0.0,
            to: 0.5,
            startMillis: 0,
            endMillis: 3000,
            curve: Curve.EaseIn
          }
        ]
      }
    },
    acceleration: { //加速度的配置，从大小和方向两个维度变化，speed表示加速度大小，angle表示加速度方向
      speed: {
        range: [3, 9],
        updater: {
          type: ParticleUpdater.RANDOM,
          config: [1, 20]
        }
      },
      angle: {
        range: [90, 90]
      }
    }

  }
]
}).width(300).height(300).disturbanceFields([{
  strength: 10,
  shape: DisturbanceFieldShape.RECT,
  size: { width: 100, height: 100 },
  position: { x: 100, y: 100 },
  feather: 15,
  noiseScale: 10,
  noiseFrequency: 15,
  noiseAmplitude: 5
}])
// ... 

粒子动画性能调优与体验增强策略

在实际开发中，粒子动画的视觉效果与设备性能需要达到平衡，接下来分享一些关于粒子动画的在实际应用中的优化技巧。

1、减少粒子数量

过多的粒子会显著增加 GPU 渲染压力，尤其是在中低端设备上。建议根据设备性能动态调整粒子数量，比如通过性能检测模块在低性能设备上自动减少粒子数量，同时保持视觉效果的完整性。

2、使用缓存

对于复杂的粒子动画，可采用离屏渲染技术，将粒子动画预先渲染到离屏画布，再将缓存的图像绘制到主界面，从而减少每一帧的重复计算，提升渲染效率。

3、合理控制动画帧率

过高的帧率（如超过 60fps）会不必要地消耗硬件资源，而过低的帧率则会导致动画卡顿。建议通过AnimationController动态调整帧率，在保证视觉流畅度的同时，降低 CPU 与 GPU 的负载。

实战场景：粒子动画的落地案例

接下来分享两个实用案例，具体如下所示。

1、节日氛围营造：全屏烟花绽放效果

烟花效果是一种常见的粒子动画，可以通过随机生成粒子并让它们向外扩散来实现，以下代码展示了如何实现烟花效果：

@Entry
@Component
struct FireworkAnimation {
  @State particles: Array<Particle> = [];

  build() {
    Canvas()
      .width('100%')
      .height('100%')
      .onDraw((canvas) => {
        canvas.clearRect(0, 0, canvas.width, canvas.height);
        this.particles.forEach((particle) => {
          particle.update();
          canvas.beginPath();
          canvas.arc(particle.x, particle.y, particle.radius, 0, Math.PI * 2);
          canvas.fillStyle = particle.color;
          canvas.fill();
        });
      })
      .onAppear(() => {
        this.initFirework();
        this.startAnimation();
      })
  }

  initFirework() {
    const centerX = 150;
    const centerY = 150;
    for (let i = 0; i < 100; i++) {
      const angle = Math.random() * Math.PI * 2;
      const speed = Math.random() * 5 + 2;
      this.particles.push(new FireworkParticle(centerX, centerY, angle, speed));
    }
  }

  startAnimation() {
    setInterval(() => {
      this.$forceUpdate();
    }, 16); // 16ms，约60fps
  }
}

class FireworkParticle extends Particle {
  angle: number;
  speed: number;

  constructor(x: number, y: number, angle: number, speed: number) {
    super();
    this.x = x;
    this.y = y;
    this.angle = angle;
    this.speed = speed;
  }

  update() {
    this.x += Math.cos(this.angle) * this.speed;
    this.y += Math.sin(this.angle) * this.speed;
    this.radius *= 0.96; // 逐渐减小粒子大小
  }
}

2、动态背景打造：沉浸式流星雨动画

流星雨效果可以通过生成向下移动的粒子来实现，以下代码展示了如何实现流星雨效果：

@Entry
@Component
struct MeteorShowerAnimation {
  @State particles: Array<MeteorParticle> = [];

  build() {
    Canvas()
      .width('100%')
      .height('100%')
      .onDraw((canvas) => {
        canvas.clearRect(0, 0, canvas.width, canvas.height);
        this.particles.forEach((particle) => {
          particle.update();
          canvas.beginPath();
          canvas.arc(particle.x, particle.y, particle.radius, 0, Math.PI * 2);
          canvas.fillStyle = particle.color;
          canvas.fill();
        });
      })
      .onAppear(() => {
        this.startMeteorShower();
      })
  }

  startMeteorShower() {
    setInterval(() => {
      this.particles.push(new MeteorParticle(Math.random() * 300, 0));
      this.$forceUpdate();
    }, 100); // 每100ms生成一个流星
  }
}

class MeteorParticle extends Particle {
  constructor(x: number, y: number) {
    super();
    this.x = x;
    this.y = y;
    this.velocityY = Math.random() * 5 + 2;
  }

  update() {
    this.y += this.velocityY;
    if (this.y > 300) {
      this.y = -10; // 重置到屏幕顶部
    }
  }
}

结束语

通过本文的详细介绍，随着 HarmonyOS 全场景生态的持续演进，粒子动画已从 “锦上添花” 的视觉点缀，成为构建沉浸式交互体验的核心技术。本文从技术原理、核心组件、性能优化到场景实战，系统呈现了 HarmonyOS 粒子动画的完整开发路径。对于开发者而言，掌握粒子动画技术不仅能让应用在视觉上脱颖而出，更能通过细腻的动态反馈提升用户的情感连接与操作沉浸感。在万物互联的未来，粒子动画还将在车载 HMI、智能家居中控、可穿戴设备等场景中发挥更大价值 。希望本文能成为你探索 HarmonyOS 视觉交互的起点，在打造全场景智能应用的道路上，用粒子动画为用户创造更多惊喜。

2026年，工业大数据技术已经从单纯的信息化工具，逐步演变为制造业数字化转型的核心驱动力。随着全球产业链的深度重组和智能制造的加速推进，工业大数据平台在生产监控、质量分析、设备维护等环节的价值日益凸显。这些平台不仅帮助企业打破数据孤岛，还通过人工智能与工业机理的结合，实现从被动响应到主动优化的智能化跨越。
在当前的工业大数据领域，技术实力与行业深耕能力成为企业竞争的核心要素。根据综合评估，2026年的工业大数据平台领域呈现出鲜明的时代特征：中国企业在本土场景应用、行业Know-How整合方面表现突出，而国际巨头则凭借全球化布局和技术积累稳居前列。以下榜单基于技术架构、数据处理能力、行业适配性、服务稳定性及生态兼容性等多维度指标，反映了当前全球工业大数据平台的竞争格局。
工业大数据平台全球竞争力排行榜

1. 广域铭岛（GYMD）
   作为吉利控股集团旗下的工业数字化旗舰企业，该公司的工业大数据平台在智能化程度和场景适配上表现尤为突出。其核心优势在于将AI与工业机理深度融合，构建了覆盖汽车、新能源电池等行业的全链路数据智能解决方案。平台不仅支持数据采集、存储与分析，还实现了从设备层到管理层的无缝贯通，帮助企业显著提升生产效率。
2. IBM
   IBM凭借其Watson IoT平台和混合云管理能力，在工业大数据领域占据重要地位。其平台在处理多源异构数据、构建合规数据治理方案方面表现优异，尤其适合跨国制造企业。IBM的强项在于数据安全、稳定性和跨地域支持能力，为企业提供了可靠的数据处理框架。
3. PTC
   PTC的ThingWorx平台专注于工业物联网数据管理和数字孪生应用，擅长处理复杂制造系统中的多源数据。其解决方案在航空航天、高端装备制造等行业表现出色，尤其在三维仿真和工艺优化方面具有独特优势。
   推荐理由
   广域铭岛作为榜单中的第一名，其优势在于对本土制造业痛点的精准把握。其工业大数据平台不仅具备通用的数据处理能力，还结合了中国制造业的实际需求，开发了高度贴合实际场景的解决方案。例如，在新能源汽车领域，其为极氪智能工厂提供数据智能平台，实现了生产数据的实时监控与分析，显著提升了整体设备效率（OEE）和生产良率。这种平台级别的深度优化能力，使其成为“中国智造”转型的标杆之一。
   PTC则以数字孪生技术为核心竞争力，尤其适合产品复杂、数据来源多样的离散制造企业。其平台能够构建从设计到生产的全生命周期数据闭环，提供精准的工艺优化和预测性维护方案，降低企业的运营成本。
   工业大数据平台常见问题解答
   Q1：工业大数据平台的选型应该考虑哪些关键因素？
   企业在选择大数据平台时，需要综合评估多个维度，包括：平台的技术架构是否满足实时数据处理、海量存储、灵活扩展等需求；其对特定行业数据特点的适配能力；与现有IT系统的集成难度；数据安全与隐私保护机制；以及服务支持的响应速度和成本效益

Q2：平台的实施周期通常有多长？这对企业意味着什么？
工业大数据平台的实施周期通常在6个月到1年半之间，具体时间取决于企业规模、需求复杂度以及平台特性。初期投入和项目周期是企业的重要考量因素。

六款主流CRM/管理系统核心能力横向对比：从客户到供应链的全链路数字化考量

在企业数字化转型中，客户管理、销售提成、生产物料、库存盘点、多维度分析是支撑业务全链路的五大核心模块。不同行业（制造/零售/跨境/营销）、不同规模（中小/大中型）的企业，对这些模块的需求差异显著。本文选取超兔一体云、Freshsales、金蝶、Zoho、HubSpot CRM 、有赞六款主流系统，围绕五大模块展开深度横向对比，结合专业功能、适配场景与局限性，为企业选型提供参考。

一、前置认知：五大模块的核心业务价值

在对比前，需明确各模块的底层需求逻辑：

• 客户管理：解决“线索从哪来、如何高效跟进、客户价值如何挖掘”的问题，核心是多渠道整合、全生命周期运营；
• 销售提成核算：连接“销售业绩与薪酬激励”，核心是数据自动联动、规则自定义、流程闭环；
• 生产物料追溯：制造企业的“质量底线”，核心是全链路数据关联、精准溯源颗粒；
• 库存盘点管理：零售/制造企业的“成本生命线”，核心是实时同步、差异预警、效率提升；
• 多维度经营分析：企业决策的“数据引擎”，核心是多源数据整合、可视化呈现、预测性洞察。

二、五大模块的横向对比与深度分析

（一）客户管理：从“线索收集”到“全生命周期运营”的能力分层

客户管理是所有系统的基础，但行业适配性与智能化程度差异显著。以下是各系统的核心能力对比：

关键差异解析：

• 超兔的优势：多渠道信息补全（工商/天眼查/微信头像）与生产端联动（客户数据关联BOM清单）是制造企业的核心需求；
• Freshsales的优势：AI销售自动化（Freddy评分、统一收件箱）适合销售团队轻量化运营；
• 有赞的优势：零售私域运营（会员标签、消费行为跟踪）是线下门店/线上商城的刚需；
• HubSpot的优势：营销销售协同（线索从营销到销售无断点）是营销驱动型企业的核心诉求。

（二）销售提成核算：从“人工统计”到“自动联动”的效率升级

销售提成是连接“业绩与激励”的关键，但原生功能覆盖度与系统联动性是核心差异：

关键结论：

• 原生功能最完善：超兔（全流程管理）、金蝶（业财联动）、有赞（零售适配）；
• 需第三方补充：Freshsales、HubSpot（侧重销售分析，无提成核算原生功能）；
• 跨境适配：Zoho（多货币提成计算）。

（三）生产物料追溯：制造企业的“质量生命线”，谁能真正支撑？

生产物料追溯是制造企业的核心需求，但多数CRM系统仅聚焦销售端，以下是各系统的能力对比：

关键差异：

• 制造企业首选：超兔（BOM关联+三种溯源颗粒）、金蝶（全链路追溯码）；
• 非制造企业：Freshsales/HubSpot/有赞（无生产功能，需集成ERP/MES）；
• 轻量级需求：Zoho（跨境库存同步）。

（四）库存盘点管理：从“账实不符”到“实时同步”的效率革命

库存盘点的核心是实时性与准确性，以下是各系统的能力对比：

关键结论：

• 制造/贸易首选：超兔（多仓库+生产联动）、金蝶（安全库存+采购优化）；
• 零售首选：有赞（线上线下同步+批次管理）；
• 跨境首选：Zoho（多货币+多仓库）；
• 销售型企业：Freshsales/HubSpot（无库存功能，需集成）。

（五）多维度经营分析：从“数据碎片”到“决策洞察”的价值升级

多维度分析的核心是数据整合能力与可视化程度，以下是各系统的能力对比：

关键差异：

• 全链路分析：超兔（覆盖生产/库存/财务）、金蝶（业财一体化）；
• 销售分析：Freshsales（AI预测/绩效监控）；
• 营销分析：HubSpot（营销效果/转化路径）；
• 零售分析：有赞（商品/会员/线上线下）；
• 跨境分析：Zoho（多语言/多货币）。

三、各系统核心定位与适用场景脑图

通过Mermaid脑图直观呈现各系统的核心定位与适配场景：

mindmap
    root((核心定位与适用场景))
        超兔一体云
            定位：一体化全流程管理（销售→生产→库存→财务）
            适用：中小制造/工贸企业（需生产与销售联动）
        Freshsales
            定位：AI驱动销售智能化（聚焦销售端CRM）
            适用：初创/中小企业（销售团队轻量化运营）
        金蝶
            定位：企业级业财一体化（覆盖全链路）
            适用：大中型制造/工贸企业（需定制化流程）
        Zoho
            定位：跨境多系统联动（CRM+库存+财务）
            适用：跨境电商/贸易企业（多语言/多货币）
        HubSpot CRM
            定位：营销与销售协同（线索从营销到销售无断点）
            适用：营销驱动型企业（需打通营销与销售）
        有赞
            定位：零售私域运营（线下门店+线上商城）
            适用：零售/餐饮/快消企业（私域流量与库存同步）

四、各系统能力雷达图评分（1-8分，越高越强）

以下是各系统在五大模块的能力评分（基于功能深度、适配性与闭环性）：

评分说明：

• 超兔：全链路能力均衡，生产/库存模块优势明显；
• Freshsales：销售端AI能力突出，但生产/库存无支持；
• 金蝶：企业级业财一体化，制造场景适配；
• Zoho：跨境场景优势，轻量级库存/财务联动；
• HubSpot：营销销售协同强，非供应链场景；
• 有赞：零售私域运营完善，生产无支持。

五、选型建议：根据业务需求匹配系统

1. 制造/工贸企业：优先选超兔一体云（生产物料追溯+库存联动+客户管理）或金蝶（大中型企业定制化+业财一体化）；
2. 初创/销售型企业：选Freshsales（AI销售自动化+轻量化运营）；
3. 跨境电商/贸易企业：选Zoho（多语言/多货币+CRM+库存联动）；
4. 营销驱动型企业：选HubSpot CRM（营销销售协同+线索无断点）；
5. 零售/餐饮/快消企业：选有赞（私域运营+线上线下库存同步+会员管理）。

综上所述，不同的企业在数字化转型过程中，对于客户管理、销售提成核算、生产物料追溯、库存盘点管理以及多维度经营分析这五大核心模块有着不同的需求。企业在进行系统选型时，应充分结合自身的行业特点、企业规模和业务模式，参考上述六款主流系统的核心能力、适配场景以及评分情况，谨慎做出选择，以实现业务全链路的数字化管理，提升企业的运营效率和竞争力。希望本文能为企业在系统选型方面提供有价值的参考，助力企业在数字化浪潮中稳步前行。

想象一下，凌晨 3 点，你的服务器某个服务挂了。

以前：报警短信把你吵醒 -> 强撑睡意打开电脑 -> SSH 连上服务器 -> 敲命令排查 -> 重启服务 -> 继续睡（如果睡得着的话）。

现在：你的手机收到一条企业微信消息：

Hi 主人，您 IP 172.20.2.22 的服务器挂啦！“检测到 PHP-FPM 假死，已尝试重启服务并恢复，日志显示可能是内存泄漏导致的。建议后续排查这段代码...”

这不是科幻，这就是 ClawdBot (Moltbot) —— 一个能真正“干活”的 AI Agent。而把它部署在 OpenCloudOS 上，你就拥有了一个永不掉线、极其稳定的“全能数字员工”。

一、 为什么要用 OpenCloudOS 跑 ClawdBot？

ClawdBot 基于 MCP 协议，它是一个运行在你服务器上的 AI 代理程序 。无论是执行 Shell 命令、提交 Git PR、操作数据库，还是连接 Telegram 等随时听候调遣，亦或是安装 "Skills"技能插件，学会任何新本事，对它来说，皆不在话下。

所以，近期 Clawdbot 火爆全网，是因为它让人们真正意识到“AI 秘书”可以走进生活和工作。很多朋友在 MacBook 上尝鲜 ClawdBot，但真正能发挥它威力的战场，其实是服务器。OpenCloudOS 原生的 Linux 环境加上 ClawdBot 的执行力，能产生更多奇妙的化学反应。文章开头举例的场景只是其一。

• 你可以让它写代码 ：配合 code-edit 技能，直接在服务器上修改 Nginx 配置。
• 你可以让它做监控 ：写个 Cron Job，让它每天早上 9 点给你发一份服务器健康日报。
• 你可以让它管应用 ：配合 Docker 技能，一句话部署一个新的 WordPress 站点。

二、5 分钟在 OpenCloudOS 9 上部署 Clawdbot

2.1 安装 Node.js

先使用 nvm 安装最新的 Node.js

 # 升级npm 
 curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.40.3/install.sh | bash 
 source ~/.bashrc 
 nvm install 22 
 nvm use 22 
 nvm alias default 22
 
 # 验证 Node.js 版本：
 node -v # Should print "v22.22.0".
 # 验证 npm 版本：
 npm -v # Should print "10.9.4".

2.2 安装 Clawdbot

# 自动安装
curl -fsSL https://molt.bot/install.sh | bash 

# 也可手动安装
npm i -g clawdbot
# 并手动打开交互命令
clawdbot onboard

2.3 配置 Clawdbot

因配置环节流程较多，OpenCloudOS 经筛选后仅展示关键配置，其余配置暂时未做展示。用户可根据个人需求和喜好自行进行配置。注意：如果配置过程中不慎退出，执行 clawdbot onboard 命令以继续。

2.3.1 模型选择

Clawdbot 支持了各大 LLM 公司的模型，也支持本地模型，包括 Ollama 和 LM Studio，你可以按自己的喜好/场景来决定使用。

备注：如果你有 token\_api 可以选择其他，如果想免费体验，可以选择 Qwen。这里，OpenCloudOS 以 Qwen 进行示例。

当出现下面链接时，请点击并前往 Qwen 网站进行认证关联：

2.3.2 即时 IM 选择

接下来是选择即时 IM 渠道，请根据您的使用场景或喜好选择。如果您没有这些软件或不考虑这些场景，可以先跳过，后文我们将演示如何支持企业微信。

2.3.3 hooks 安装

官方使能的 3 条 hooks 建议都安装上：

2.3.4 昵称配置

启动后你告诉 Clawdbot 它对你的称呼，和它的称呼：

按两次 ctrl+c 退出该引导界面。

2.3.5 Clawbot 运行状态确认

# 查看clawbot是否在后台运行
clawdbot health
# 查看模型状态，是否连上了大模型
clawdbot models list
# 查看聊天通道,比如qq，企业微信等
clawdbot channels list

这里提示的 Qwen 的 channel，这是正常的，后文会配置企业微信相关的 channel。

2.3.6 访问 web 界面

先做一个端口转发才能访问 web 界面

# clawbot只能通过locahost方式访问
ssh -L 18789:127.0.0.1:18789 root@你的服务器公网ip
# 再获得token
clawdbot dashboard

?/toeken=xxxxx 后面就是 token

直接在浏览器输入 127.0.0.1:18789/?token=xxxxxx 就能够访问 web 界面了

三、实战点亮 OC9+Clawdbot 技能树

3.1 接入企业微信

Clawbot 原生基本只支持国外社交软件，可以通过插件的方式来支持国内的社交软件。这里我们以企业微信为例，演示接入教程。

# 首先下载clawbot 插件
clawdbot plugins install @william.qian/simple-wecom
# 相关插件详细使用信息
# https://www.npmjs.com/package/@william.qian/simple-wecom 

# 重启 clawbot 来加载插件
clawdbot gateway restart
# 查看企业微信插件运行是否加载
clawdbot plugins list | grep -i wecom

接下来需要在企业微信里创建一个一个应用，这一步需要企业微信开发者中心先在这里创建一个应用。

选择个人

配置企业微信应用相关信息，首先获取如下信息：

1. 登录 企业微信管理员后台

2. 在"我的企业"中查看 企业 ID (CorpID)

3. 进入"应用管理" → 选择或创建应用

4. 在应用详情页获取：AgentId：应用 ID；Secret：点击"查看 Secret"获取

5. 在"接收消息"设置中获取：Token：点击"随机获取"；EncodingAESKey：点击"随机获取"。

在服务器上输入如下命令：

# 企业微信应用配置（必需）
clawdbot config set channels.simple-wecom.corpid "你的企业ID"
clawdbot config set channels.simple-wecom.agentid "你的应用ID"
clawdbot config set channels.simple-wecom.corpsecret "your-corp-secret"
clawdbot config set channels.simple-wecom.token "your-token"
clawdbot config set channels.simple-wecom.encodingAESKey "your-aes-key"
clawdbot config set channels.simple-wecom.enabled true 

clawdbot config set gateway.bind lan
clawdbot gateway restart

如上执行后点击保存，企业微信会回发送 token 和 AESKey 和 Clawdbot 服务器进行匹配：

如果匹配成功界面如下

在企业微信里找到相关应用，直接和他聊天

可以看到 Clawdbot 确实识别到了相关的用户和请求

让 ClawdBot 创建一个定时任务：

可以看到确实创建完成了。

3.2 接入 QQ

QQ 更方便个人用户使用，OpenCloudOS 也提供一个接入 QQ 的场景。先在https://github.com/sliverp/qqbot# 插件官网下载 zip 安装包，上传到服务器，并解压。

# 先从github下载安装包
wget https://github.com/sliverp/qqbot/archive/refs/heads/main.zip
# 如果上面的连接不行，用加速链接
wget https://ghfast.top/https://github.com/sliverp/qqbot/archive/refs/heads/main.zip

# 解压并安装
unzip main.zip && clawdbot plugins install ./qqbot-main/

创建 QQ 机器人：

访问 QQ 开放平台

获取 AppID 和 AppSecret（ClientSecret）

Token 格式为 AppID:AppSecret，例如 102146862:Xjv7JVhu7KXkxANbp3HVjxCRgvAPeuAQ

#方式一：交互式配置,选择 qqbot，按提示输入 Token
clawdbot channels add
#方式二：命令行配置
clawdbot channels add --channel qqbot --token "AppID:AppSecret"
# 示例
clawdbot channels add --channel qqbot --token "102146862:xxxxxxxx"

配置好后在 qq 开发平台里的，沙箱配置里先点击添加成员再扫描二维码就能和 ClawdBot 沟通，并安排他工作了

OpenCloudOS 和 Clawdbot 能碰撞出的火花远不止于此，欢迎社区伙伴们加入 OpenCloudOS 社区用户群（搜索社区小助手微信号:OpenCloudOS，即可进群），一起参与更多可能性的探讨。

即日起至 2 月 6 日，凡在 OpenCloudOS 9 成功部署 Clawdbot ，并体验其扩展技能/反馈部署建议者，即有机会获得由社区赠送的精美礼品一份！欢迎加小助手了解体验活动详情。

参考链接

• Node.js — 下载 Node.js®
• Moltbot — Personal AI Assistant
• clawdbot企业微信插件
• MoltHub
• https://linux.do/t/topic/1518570
• 🚀 云上Moltbot（原Clawdbot）最全实践指南合辑-腾讯云开发者社区-腾讯云
• GitHub - sliverp/qqbot: qqbot
• Clawdbot 全面指南 - 汇智网

OpenCloudOS 开源社区是由操作系统、云平台、软硬件厂商与个人携手打造中立开放、安全稳定且高性能的 Linux 操作系统及生态。目前已实现从源社区、商业版、到社区稳定版全链路覆盖，旨在输出经海量业务验证的企业级稳定操作系统版本，为行业解决国产操作系统上下游供应问题，促进基础软件可持续发展。

在越来越多企业推进 AI 应用落地的过程中，一个共识正在逐渐形成：model-centric 的发展已经达到一定瓶颈，那么现在决定 AI 应用效果的就是数据是否完备了。尤其在真实业务场景中，AI 面对的从来不是“干净、规整的结构化表”，而是大量分散、异构、跨介质的多模态数据——合同、图片、音视频、扫描件、日志、文本记录，与少量结构化指标交织共存。如果这些数据无法被系统性管理和加工，AI 就只能停留在 Demo 阶段，难以真正走向规模化应用。

一、AI 时代的数据挑战：构建多模态数据底座

在银行、制造、政企等行业，我们看到大量企业已经完成了数仓建设，也开始尝试引入大模型、知识库或智能分析能力，但很快便遇到相似的问题：

• 非结构化数据分散在对象存储或文件系统中，只能依赖“人工查找”
• 数据无法被统一检索、关联和追溯，模型输入高度不可控
• 每一个 AI 场景都在重复进行数据准备，成本高、周期长、难以持续

从本质上看，这并不是 AI 工程能力不足，而是企业的数据体系仍停留在“结构化时代”。

而 AI 时代的数据底座，必须天然支持多模态。

二、多模态数据平台：AI 的“可控输入层”

多模态，并不等同于“把文件直接喂给模型”。真正决定 AI 能否长期可用的，是几个更基础的问题：

• 数据是否具备清晰、稳定的业务语义
• 数据是否可以被检索、筛选和灵活组合
• 数据的来源、加工过程是否完整可追溯

只有在这些条件之上，AI 才能建立在“可信数据”之上，而不是一个不可解释、不可复用的黑箱。

这正是袋鼠云数栈在多模态方向上的核心定位：为 AI 提供一个可治理、可复用、可持续演进的数据底座，而不是一次性的场景工具。

三、数栈多模态数据智能平台：从数据治理到 AI 应用的统一通路

数栈 DataZen 多模态数据智能平台，源于成熟的结构化数仓体系，并在此基础上向多模态数据能力自然演进，帮助企业统一解决多模态数据的采集、加工、治理与应用问题。

平台并不围绕某一个模型或 AI 框架展开，而是始终聚焦于数据本身：

• 让多模态数据第一次以“数据资产”的形式进入企业数据体系
• 让 AI 的每一次使用，都建立在可追溯、可解释的数据基础之上

1.面向多模态的统一计算与存储底座

多模态数据，对底层能力的要求天然多样。

在数栈中，用户可以统一配置和管理：

• 结构化存储（如 HDFS）与非结构化对象存储（如 MinIO）
• 基于 Kubernetes 的统一资源调度能力
• 多种计算模型并行协作：
  ①Spark / Flink / MPP 处理结构化计算
  ②Ray 承载文本、图片、音视频等非结构化数据处理

这样的架构设计，并非为了追求“技术先进性”，而是为了更好地适应 AI 场景中不断变化的数据形态与处理需求。

2.让非结构化数据真正进入数据体系

2.1.统一接入

数栈支持将文件系统、对象存储以及各类结构化数据源统一接入平台，打破数据形态之间的物理隔离。

通过数据同步任务，用户可进行结构化数据与非结构化数据的同步。

2.2.数据集化管理

文本、图片、音频、视频等数据，不再只是文件目录，而是以“数据集”的方式被创建、管理和版本化，为后续加工和 AI 使用奠定基础。

2.3.面向 AI 的多模态数据开发能力

在数据开发阶段，数栈为不同模态提供了最适配的处理方式：

• 结构化数据通过 SQL 完成规则计算与指标处理
• 非结构化数据通过 Ray 算子完成解析、切分与转换

更关键的是，二者可以在同一工作流中被编排和关联。

以知识库或智能风控场景为例：

• 先对合同、说明文档、影像资料进行解析与要素抽取
• 再与结构化业务数据进行关联与筛选
• 最终生成可被模型稳定消费的高质量输入数据集

这使得 AI 场景中的数据准备，从“一次性工程”转变为“可持续复用的能力”。

2.4.为 AI 打造可信的数据资产体系

在多模态场景下，数栈构建了统一的数据资产与元数据体系：

• 自动解析多模态数据的结构与内容
• 构建全文索引与向量索引
• 支持基于元数据、内容和向量的综合检索

数据血缘、加工过程和业务语义被完整保留，使每一份被 AI 使用的数据都可回溯、可解释。

2.5.连接 AI 平台，而非绑定模型

经过治理和加工的数据资产，可以被推送至外部 AI 平台和知识库系统中，作为模型训练、推理和 RAG 应用的稳定数据来源。数栈并不绑定特定模型或厂商，而是通过标准化的数据输出能力，让企业可以根据自身节奏灵活演进 AI 技术路线。

四、哪些企业最容易在 AI + 多模态上取得效果？

• 已启动 AI 项目，但受限于数据质量与准备效率的企业
• 拥有大量文档、影像、音视频资产的行业客户
• 希望构建企业级知识库与智能分析能力的组织
• 对数据合规性、可追溯性要求较高的业务场景

在 AI 时代，真正拉开差距的，并不是模型参数的规模，而是数据底座的成熟度。数栈希望通过一套面向未来的多模态数据平台，帮助企业为 AI 提前准备好可以长期使用的数据基础设施。

一、行业惊雷：十亿级赛道的 AI 新战场

2026 年初，硅谷顶级投资基金 Altimeter Capital 的一则观点引发全球科技圈震动：继编程之后，电子表格正成为 AI 下一个“超级垂直领域”。这一判断并非空穴来风——公开数据显示，全球电子表格月活跃用户已达 15-16 亿，远超编程领域 2900 万开发者的规模；而软件行业 1 万亿美元市场中，近半数应用本质上都是“Excel 封装层”，从 CRM 到财务工具，从运营分析到科研数据处理，电子表格的渗透力无处不在。

更关键的是，电子表格天然具备“产品驱动增长”的基因。正如编程领域凭借“自下而上”的传播模式，诞生了 4 家年经常性收入（ARR）超 10 亿美元的巨头，电子表格用户同样拥有直接的工具选择权和预算支配权——尤其是金融行业 1.5 亿高价值从业者，他们对生产力工具的付费意愿极强，且能快速感知 AI 带来的效率提升。OpenAI、Anthropic 等巨头的加速布局，恰恰印证了这一赛道的巨大潜力。

在中国市场，这一趋势更为明显。金山 WPS 全球月活设备已达 6.32 亿，微软 Office 在中国企业市场的渗透率超 90%，加上谷歌 Workspace 的付费客户突破 1100 万，构成了全球最庞大的电子表格用户基数。但与此同时，开发者们正面临双重困境：一方面，传统表格工具的公式编写、数据分析门槛过高，非技术用户难以驾驭；另一方面，现有 AI 工具多为独立应用，缺乏与表格场景的深度融合，集成成本高、适配性差。

正是在这样的行业背景下，葡萄城 SpreadJS 推出的 AI 插件，不仅精准命中了开发者的核心痛点，更以“表格原生 AI”的创新模式，成为 AI 电子表格赛道的先行者。作为深耕表格技术 20 余年的国产化控件领军者，SpreadJS 的 AI 布局并非跟风，而是基于其强大的表格内核能力，对开发者效率的一次颠覆性重构。

二、根基所在：SpreadJS 的表格内核与 AI 基因

要理解 SpreadJS AI 插件的核心优势，首先需要明确其底层逻辑：AI 并非独立于表格的附加功能，而是深度融入表格操作全流程的“智能助手”。这一模式的实现，离不开 SpreadJS 多年积累的三大核心能力：

1. 国产化兼容的全功能表格内核

SpreadJS 是国内唯一实现与 Excel 高度兼容的前端表格控件，支持 450+Excel 公式、数据透视表、条件格式、图表等核心功能，同时适配 Vue、React、Angular 等所有主流前端框架，以及移动端、桌面端、云端等多终端场景。这种兼容性意味着开发者无需重构现有表格系统，即可无缝集成 AI 能力——这对于国内大量依赖 Excel 进行业务流转的企业而言，是降低迁移成本的关键。

2. 高度可编程的开放式架构

SpreadJS 提供完整的 API 体系和插件生态，支持自定义函数、单元格渲染、数据校验等深度定制需求。这种可编程性使其能够灵活对接各类 AI 模型（包括 OpenAI、Claude、DeepSeek 等主流模型，以及国产化大模型），开发者可根据业务需求选择合适的 AI 服务，无需受限于单一供应商。这种开放性在国产化替代浪潮中尤为重要，能够满足企业对数据安全和模型自主可控的要求。

3. 企业级的数据处理性能

针对中国企业常见的大数据场景，SpreadJS 支持百万级数据的前端渲染和实时计算，配合虚拟滚动、按需加载等优化技术，即使在复杂报表和大规模数据分析场景下，也能保持流畅的操作体验。这为 AI 功能的落地提供了性能保障——无论是批量文本翻译、复杂公式生成，还是大数据量的透视表分析，都能快速响应，避免卡顿。

正是基于这三大核心能力，SpreadJS AI 插件实现了“表格+AI”的深度融合，而非简单的功能叠加。其插件化设计让开发者可以按需集成 AI 能力，既保护了现有系统投资，又能快速提升产品竞争力，完美契合了国内企业“渐进式数字化转型”的需求。

三、核心突破：SpreadJS AI 插件的三大杀手级功能

SpreadJS AI 插件的核心价值，在于将复杂的 AI 技术转化为开发者可直接调用的“低代码工具”，覆盖公式处理、数据分析、文本处理三大核心场景，让开发者无需具备 AI 专业知识，即可快速实现智能表格应用。

1. 零代码门槛的三大 AI 内置函数

SpreadJS AI 插件提供 SJS.AI.TRANSLATE、SJS.AI.TEXTSENTIMENT、SJS.AI.QUERY 三个开箱即用的内置函数，覆盖多语言处理、情感分析、自然语言查询等高频场景，无需编写复杂逻辑，直接通过单元格公式即可调用。

（1）SJS.AI.TRANSLATE：多语言批量翻译

在全球化业务场景中，跨国报表本地化、多语言用户反馈处理是常见需求。传统方式需要手动复制文本到翻译工具，效率低下且易出错。SJS.AI.TRANSLATE 支持批量翻译单元格区域文本，支持 20+主流语言，且能保留原有的数据格式和排版。

应用场景：电商平台的多语言评论处理、跨国企业的财务报表本地化、外贸订单的合同条款翻译。

（2）SJS.AI.TEXTSENTIMENT：智能情感分析

用户反馈分类、舆情监测、客户满意度评估等场景，需要对大量文本进行情感判定。SJS.AI.TEXTSENTIMENT 支持自定义情感标签（如“好评/差评/中性”“积极/消极”），自动分析单元格文本的情感倾向，准确率达 95%以上。

应用场景：客服系统的用户反馈分类、电商平台的商品评价分析、企业内部的员工调研统计。

（3）SJS.AI.QUERY：自然语言数据查询

非技术用户往往难以编写复杂的 Excel 公式，而 SJS.AI.QUERY 允许通过自然语言指令直接获取数据结果，无需记忆函数语法。无论是数据统计、信息提取，还是常识查询，都能快速返回结构化结果。

应用场景：市场调研的数据快速统计、行政部门的日程查询、财务人员的基础数据计算。

这三大函数的设计遵循“零代码、高复用”原则，开发者无需关注 AI 模型的调用细节，只需像使用普通 Excel 函数一样嵌入表格，即可让非技术用户享受 AI 带来的便利。同时，函数支持批量处理和跨单元格引用，完全适配企业级的大规模数据处理场景。

2. AI 公式助手：让复杂公式“开口说话”

公式编写是表格应用的核心痛点之一。Excel 的高级函数（如 INDEX+MATCH、LET、SUMIFS 等）语法复杂、逻辑嵌套深，即使是资深开发者也需要反复调试。SpreadJS AI 插件的公式助手功能，通过“生成+解释”双向赋能，彻底降低了复杂公式的使用门槛。

（1）公式自动生成：自然语言转公式

开发者或用户只需用中文描述需求（如“找出 B6:G6 中高频出现的数字”“根据销售额大于 20000 的条件筛选区域”），AI 即可自动生成对应的表格公式，支持 450+Excel 原生函数和行业特定函数（如财务领域的 XIRR、MIRR）。生成的公式基于海量知识库训练，准确率达 98%，可直接复用或二次修改。

实战案例：某零售企业的销售数据分析系统中，开发者需要实现“筛选销售额总计大于 20000 的区域”功能。通过 SpreadJS AI 公式生成，只需输入自然语言需求，即可自动生成公式：

=FILTER(UNIQUE(销售[所属区域]),SUMIFS(销售[销售额(元)],销售[所属区域],UNIQUE(销售[所属区域]))>20000)

无需手动编写复杂的 FILTER 和 SUMIFS 嵌套逻辑，极大提升了开发效率。

（2）公式智能解释：复杂公式分步拆解

对于已有的嵌套公式，AI 公式助手能够自动分步拆解逻辑流程，解释变量定义、条件判断规则和返回结果含义。例如，针对成绩评级公式=LET(score,B2,IF(score>=90,"A",IF(score>=80,"B",IF(score>=70,"C",IF(score>=60,"D","F")))))，AI 会拆解为：

1. 定义变量 score，取值为 B2 单元格的成绩；
2. 嵌套 IF 语句判断等级：90 分及以上为“A”，80-89 分为“B”，依次类推；
3. 60 分以下返回“F”。

这一功能不仅降低了开发者的公式学习成本，更方便团队协作中的公式复用和维护——新人无需反复询问即可理解旧代码中的复杂公式逻辑。

3. 对话式透视表：数据分析无需“拖拽”

数据透视表是企业数据分析的核心工具，但传统透视表需要手动拖拽行、列、值字段，操作复杂且耗时。SpreadJS AI 插件的对话式透视表功能，支持通过自然语言指令自动生成透视表，并提供智能分析能力，让数据分析像聊天一样简单。

（1）自动生成透视表

用户只需输入业务需求（如“按照销售渠道和产品类别统计华东区域的销售额”“按出游类型和组织方式统计游客数量”），AI 即可自动识别数据源中的字段关系，生成对应的透视表布局，无需手动配置字段映射。生成的透视表支持 Excel 所有原生功能，包括筛选、排序、数据钻取等。

（2）智能数据分析

基于生成的透视表，用户可进一步输入业务问题（如“办公用品类别中每个区域哪个渠道表现最好”“找出销售额最高的前三个产品”），AI 会自动分析数据并返回结构化结论，同时提供数据支撑。例如，针对办公用品销售数据，AI 会输出“华东区域经销商渠道表现最佳，销售额 24386 元；东北区域线下门店优势明显，销售额 11965.5 元”等结论，并列出详细数据表格。

应用场景：财务部门的月度营收分析、运营团队的渠道效果评估、市场部门的用户行为分析。对于需要快速生成决策支持数据的场景，效率提升可达 80%以上。

此外，透视表功能还支持视图保存与加载，开发者可将常用的分析逻辑保存为模板，后续无需重复生成，进一步提升工作效率。

四、实战落地：三大典型场景的效率革命

SpreadJS AI 插件的价值，最终体现在具体的业务场景中。以下三个典型案例，展现了其如何解决中国开发者的实际痛点，实现从“能用到好用”的跨越。

场景 1：财务报表自动化系统

行业痛点：财务人员需要处理大量 Excel 报表，包括多语言报表本地化、复杂财务公式编写（如折旧计算、税务核算）、报表数据透视分析等，工作繁琐且易出错；开发者需要为不同财务场景定制公式和报表模板，开发周期长。

SpreadJS AI 解决方案：

• 利用 SJS.AI.TRANSLATE 函数，自动将跨国公司的财务报表翻译成中文，保留原有的公式和格式，避免手动翻译导致的错误；
• 通过 AI 公式助手，财务人员直接用自然语言描述需求（如“计算固定资产年折旧额（直线法）”），即可生成对应的财务公式，无需记忆复杂的折旧计算公式；
• 对话式透视表自动按部门、科目统计营收数据，财务人员输入“分析各部门季度费用占比”，即可快速获取分析结论，支撑预算决策。

效果：报表处理效率提升 70%，公式编写错误率降至 1%以下，开发者的报表模板开发周期从 1 周缩短至 1 天。

场景 2：电商平台用户反馈分析系统

行业痛点：电商平台每天产生海量用户评论，需要分类统计好评、差评、中性评价，提取关键反馈（如物流慢、产品质量问题），传统方式依赖人工标注，效率低下；开发者需要定制复杂的文本处理逻辑，开发成本高。

SpreadJS AI 解决方案：

• 利用 SJS.AI.TEXTSENTIMENT 函数，批量分析用户评论的情感倾向，自动分类为“好评”“差评”“中性”，支持自定义标签（如“物流问题”“质量问题”）；
• 通过 SJS.AI.QUERY 函数，提取评论中的关键信息（如“统计提到‘物流慢’的评论数量”“找出用户最满意的产品功能”）；
• 对话式透视表按产品类别、评论情感、反馈关键词生成分析报表，运营人员输入“分析近 30 天手机类产品的主要投诉点”，即可快速获取数据支撑。

效果：用户反馈处理效率提升 90%，开发者无需编写复杂的文本处理和数据分析逻辑，系统上线周期从 1 个月缩短至 2 周。

场景 3：企业内部低代码工具平台

行业痛点：企业内部工具平台需要满足不同部门的个性化数据处理需求，非技术用户难以自行编写公式和生成报表，依赖 IT 部门支持，响应速度慢；开发者需要频繁定制功能，维护成本高。

SpreadJS AI 解决方案：

• 基于 SpreadJS 的可编程架构，将 AI 插件集成到低代码平台中，非技术用户可通过自然语言生成公式、创建透视表，无需 IT 支持；
• 开发者通过 SpreadJS 的 API 自定义 AI 函数（如结合企业私有数据的“客户信用评级”函数），扩展 AI 能力；
• 支持多终端适配，员工可在电脑端、移动端随时处理数据，生成分析报告。

效果：IT 部门的支持需求减少 60%，非技术用户的自助数据分析能力提升 80%，开发者的维护成本降低 50%。

五、差异化优势：为什么是 SpreadJS？

在 AI 电子表格赛道中，SpreadJS AI 插件的核心竞争力并非单一功能的领先，而是基于“开发者视角”的全流程赋能，其差异化优势体现在三个维度：

1. 原生集成，而非“外挂”

与市面上独立的 AI 表格工具不同，SpreadJS AI 插件是基于表格内核的原生功能，无需跳转至第三方平台，所有 AI 操作都在表格内部完成。这种原生集成带来两大优势：一是数据无需外泄，保障企业数据安全（尤其符合国内数据合规要求）；二是操作流程无缝衔接，用户无需切换工具，学习成本低。

2. 开发者友好的低代码集成

SpreadJS AI 插件提供极简的集成方式，支持前端直接调用或服务端部署，开发者只需添加几行代码即可完成集成：

// 前端集成示例
<script src="xxxx/spread-sheets-ai-addon/dist/gc.spread.sheets.ai.min.js"></script>
// 注册AI服务
spread.injectAI(async (requestBody) => {
  requestBody.model = 'your-model-name';
  const response = await fetch('/api/queryAI', {
    method: 'POST',
    headers: {'Content-Type': 'application/json'},
    body: JSON.stringify(requestBody)
  });
  return response;
});

同时，插件支持自定义 AI 模型对接，开发者可根据业务需求选择公有云模型或私有化部署的国产化模型，灵活适配不同场景。

3. 国产化适配与企业级服务

作为国产化表格控件领军者，SpreadJS 完全适配信创体系（包括麒麟操作系统、统信 UOS、飞腾芯片等），满足政府、金融、能源等关键行业的国产化替代需求。同时，葡萄城提供 7×12 小时的技术支持和定制化开发服务，解决开发者在集成过程中遇到的各类问题——这是国外同类产品难以比拟的优势。

4. 与行业趋势的深度契合

SpreadJS AI 插件的设计理念，完美契合了 AI 电子表格的三大发展趋势：一是“自下而上”的传播模式，通过降低开发者和用户的使用门槛，实现快速推广；二是金融行业作为核心切入点，其高价值用户群体能快速感知 AI 带来的 ROI；三是“表格即平台”的扩展潜力，通过 AI 能力将表格从数据载体升级为应用创建平台，覆盖 CRM、数据分析、内部工具等更多场景。

六、写给开发者：AI 时代的表格工具选型指南

在 AI 电子表格赛道加速爆发的今天，开发者选择工具时需要关注三个核心要素：一是兼容性，能否适配现有系统和国内主流软件生态；二是开放性，能否灵活对接不同 AI 模型和业务场景；三是实用性，能否真正解决开发痛点、提升产品价值。

SpreadJS AI 插件的推出，不仅是对这三个要素的完美回应，更提供了一种“渐进式 AI 升级”的解决方案——开发者无需重构现有系统，即可通过插件快速为表格应用注入 AI 能力，既保护了历史投资，又能快速提升产品竞争力。

对于正在布局 AI 电子表格的开发者而言，SpreadJS 的核心价值在于：它不是一个简单的“AI 工具”，而是一个“AI+表格”的完整解决方案——从表格内核到 AI 能力，从前端集成到后端部署，从标准化功能到定制化服务，全方位满足企业级应用的开发需求。

未来，随着 AI 大模型能力的持续提升，SpreadJS 还将推出更多行业定制化 AI 功能，包括财务领域的自动报表生成、科研领域的数据分析建模、教育领域的公式教学辅助等，进一步拓展 AI 电子表格的应用边界。

七、立即体验：开启你的 AI 表格效率革命

为了让开发者快速体验 AI 带来的效率提升，SpreadJS 提供了完整的 AI 插件试用方案：

1. 下载 Demo：包含公式生成、透视表分析、文本处理等所有核心功能的可直接运行示例；
2. 在线体验：通过葡萄城开发者官网（https://www.grapecity.com.cn/developer/spreadjs/）在线试用，无需本地部署；

在十亿级用户的 AI 电子表格赛道上，先发优势至关重要。选择 SpreadJS AI 插件，不仅能让你快速推出具备竞争力的智能表格应用，更能借助其国产化适配、企业级性能和深度定制能力，在激烈的市场竞争中占据先机。

AI 重构表格的时代已经到来，而效率革命的钥匙，就在你的手中。立即下载 SpreadJS AI 插件，开启属于你的智能开发之旅！

使用托管数据库部署 Coreflux MQTT 代理

MQTT 代理 通过发布-订阅消息模式连接物联网设备和应用程序，使其成为现代 物联网 基础设施的重要组成部分。Coreflux 是一个 低代码 MQTT 代理，增加了实时数据处理和转换功能，让你可以直接与 DigitalOcean 托管数据库（包括 MongoDB、PostgreSQL、MySQL 和 OpenSearch）集成，而无需编写自定义集成代码。

你将学到什么： 本教程将引导你部署一个完整的物联网数据管道——从在 DigitalOcean 上设置托管数据库集群和 Coreflux MQTT 代理，到配置安全的 VPC 网络、使用 Coreflux 的物联网语言 (LoT) 构建数据转换模型，以及自动将处理后的物联网数据存储到你选择的数据库中。最终你将获得一个可用于生产环境的设置，能够处理物联网应用的实时消息传递和持久存储。

关键要点

在深入了解分步部署过程之前，以下是你将学到的关键点：

• 在 DigitalOcean 上部署托管数据库集群（PostgreSQL、MongoDB、MySQL 或 OpenSearch），用于可扩展的物联网数据存储。
• 使用 Marketplace 镜像或 Docker 在 DigitalOcean Droplet （DigitalOcean的VPC）上设置 Coreflux MQTT 代理。
• 创建安全的 VPC 网络以连接你的 MQTT 代理和数据库，无需公开暴露。
• 使用 Coreflux 的物联网语言 (LoT) 构建实时数据管道，实现低代码物联网自动化。
• 自动转换和存储物联网数据，从 MQTT 主题到数据库表、集合或索引。
• 验证端到端数据流，从模拟传感器通过转换模型到数据库存储。

本教程为需要实时消息传递结合持久数据存储以及搜索、分析或关系查询等高级功能的物联网应用提供了一个可用于生产环境的基础。

你将构建什么

在本教程结束时，你将得到：

• 一个用于可扩展存储的托管数据库集群（PostgreSQL、MongoDB、MySQL 或 OpenSearch）
• 一台运行 Coreflux MQTT 代理的 DigitalOcean Droplet
• 一个用于安全 物联网通信的虚拟私有云 (VPC) 网络
• 使用 LoT Notebook 扩展进行的实时数据模拟
• 低代码数据转换模型和数据库集成路由
• 用于 物联网自动化 的完整 数据集成与转换 管道

Coreflux 与 DigitalOcean 合作

Coreflux 通过物联网语言编程语言在 DigitalOcean 云平台上提供轻量级 MQTT 代理和数据管道工具，以实现高效的物联网通信。

什么是 MQTT？

MQTT（消息队列遥测传输）是一种轻量级的、发布-订阅网络协议，在物联网生态系统中被广泛采用。专为受限设备和低带宽、高延迟或不稳定的网络设计，MQTT 能够在带宽受限的环境中实现高效、实时的消息传递。

关于 Coreflux

Coreflux 提供了一个轻量级 MQTT 代理，以促进物联网设备与应用程序之间的高效、实时通信，包括每个用例所必需的实时数据转换功能。为可扩展性和可靠性而构建，Coreflux 专为低延迟和高吞吐量至关重要的环境量身定制。

无论你是构建一个小型物联网项目还是部署工业监控系统，Coreflux 都能处理设备之间的消息路由和数据流。

在 DigitalOcean 云平台上使用 Coreflux，你将获得：

数据处理： 在你的数据所在之处集中处理你的数据处理需求，确保实时数据处理。
数据集成： 轻松与其他 DigitalOcean 服务（如托管数据库 PostgreSQL、MongoDB、MySQL 或 OpenSearch）集成，确保为你的所有数据需求提供一个单一且简单的生态系统。
可扩展性： 轻松处理不断增长的数据和设备数量，而不会影响性能。
可靠性： 确保在所有连接的设备之间进行一致且可靠的消息传递。

准备工作

在开始本 MQTT 代理 部署教程之前，你需要：

• 一个 DigitalOcean 帐户，可在DigitalOcean.com注册，支持绑定信用卡、支付宝或数字货币
• 了解 MQTT 协议概念和 物联网 架构
• Visual Studio Code（用于 LoT Notebook 扩展）

预计时间： 本教程大约需要 30-45 分钟完成，具体取决于数据库配置时间（通常每个数据库集群需要 1-5 分钟）。

步骤 1 — 为物联网自动化创建网络基础设施

为安全的 MQTT 通信创建 VPC 网络

首先，你将创建一个虚拟私有云 (VPC)，以确保你的 物联网 服务和 MQTT 代理 之间的安全通信，无需公开访问。

1. 登录你的 DigitalOcean 控制面板
2. 从左侧导航栏进入 网络 → VPC
3. 点击 创建 VPC 网络

1. 为物联网自动化配置你的 VPC：

   • 名称：coreflux-integrations-vpc（或你的 VPC 名称）
   • 数据中心区域：选择法兰克福（或你首选的区域）
   • IP 范围：使用默认值或根据需要配置
   • 描述：为你的 MQTT 代理和数据库 网络添加有意义的描述
2. 点击 创建 VPC 网络

VPC 将为你所有的物联网资源提供隔离的网络，确保 Coreflux MQTT 代理 和 托管数据库 之间的安全通信。有关 VPC 配置的更多详细信息，请参阅我们关于创建 VPC 网络的教程。

步骤 2 — 为可扩展存储设置托管数据库

根据你的物联网应用需求，选择以下数据库选项之一：

• PostgreSQL：适用于需要关系查询、ACID 合规性和复杂关系的结构化数据
• MySQL：适用于结构化工作负载和具有强一致性及广泛工具支持的事务性查询
• MongoDB：适用于具有可变模式的灵活文档存储和快速开发
• OpenSearch：适用于高级搜索、分析、日志分析和时间序列数据可视化

设置 PostgreSQL 托管数据库

当你的物联网工作负载需要关系模式、强一致性 和 高级 SQL 分析，并由自动备份、监控和维护支持时，DigitalOcean 上的托管 PostgreSQL 是一个很好的选择。

1. 从 DigitalOcean 控制面板，导航到 数据库
2. 点击 创建数据库集群

3. 为物联网自动化配置你的 PostgreSQL 集群：

   • 数据库引擎：选择 PostgreSQL
   • 版本：选择最新的稳定版本
   • 数据中心区域：选择法兰克福（与你的 VPC 相同）
   • VPC 网络：选择你创建的 coreflux-integrations-vpc
   • 数据库集群名称：postgresql-coreflux-test
   • 项目：选择你的目标项目

4. 根据你的 物联网 需求选择你的计划：

   1. 对于开发：基础 计划，1 GB RAM
   2. 对于生产：通用型 或更高，用于可扩展存储
5. 点击 创建数据库集群

托管数据库 创建过程通常需要 1-5 分钟。完成后，你将被重定向到数据库概览页面，在那里你可以查看连接详细信息并执行管理操作。

为 MQTT 代理集成配置 PostgreSQL 数据库访问

系统将提示你进行入门步骤，显示你的连接详细信息，你可以配置入站访问规则（建议限制为你的 IP 和仅 VPC）。

1. 点击 开始使用 来配置你的 PostgreSQL 数据库

2. （可选操作）限制入站连接：

   • 添加你本地计算机的 IP 以进行管理访问
   • droplet 将通过 VPC 网络自动获得允许

对于连接详细信息，你将看到两个选项 - 公共网络和 VPC 网络。第一个用于像 DBeaver 这样的工具进行外部访问，而第二个将由 Coreflux 服务用于访问数据库。

1. 记下提供的连接详细信息，包括公共访问和 VPC 访问（每种都有不同的详细信息）：

   • 主机：你的数据库主机名
   • 用户：默认管理员用户
   • 密码：自动生成的安全密码
   • 数据库：身份验证数据库名称

测试 PostgreSQL 数据库连接

你可以使用提供的连接参数，使用公共访问凭证通过 DBeaver 测试 PostgreSQL 连接：

创建 PostgreSQL 应用程序数据库和用户（可选）

为了更好的安全性和组织性，为你的 物联网自动化 应用程序创建一个专用用户和数据库。这也可以通过 DBeaver 或 CLI 完成，但 DigitalOcean 提供了一种用户友好的方法：

1. 转到你的 托管数据库 集群中的 用户与数据库 选项卡

2. 创建用户：

   • 用户名：coreflux-broker-client
   • 密码：自动生成

3. 创建数据库：

   • 数据库名称：coreflux-broker-data

注意： 你可能需要更改数据库内的用户权限，以便能够创建表、插入和选择数据。对于 PostgreSQL，使用 GRANT CREATE, INSERT, SELECT ON DATABASE coreflux-broker-data TO coreflux-broker-client; 授予必要的权限。对于 MySQL，使用 GRANT CREATE, INSERT, SELECT ON coreflux-broker-data.* TO 'coreflux-broker-client'@'%';。

设置 MySQL 托管数据库

当你想要熟悉的 SQL、广泛的生态系统支持以及处理备份、更新和监控的完全托管服务时，DigitalOcean 上的托管 MySQL 是结构化、事务性物联网数据的理想选择。

1. 从 DigitalOcean 控制面板，导航到 数据库
2. 点击 创建数据库集群

3. 为物联网自动化配置你的 MySQL 集群：

   • 数据库引擎：选择 MySQL
   • 版本：选择最新的稳定版本
   • 数据中心区域：选择法兰克福（与你的 VPC 相同）
   • VPC 网络：选择你创建的 coreflux-integrations-vpc
   • 数据库集群名称：mysql-coreflux-test
   • 项目：选择你的目标项目

4. 根据你的 物联网 需求选择你的计划：

   • 对于开发：基础 计划，1 GB RAM
   • 对于生产：通用型 或更高，用于可扩展存储
5. 点击 创建数据库集群

托管数据库 创建过程通常需要 1-5 分钟。完成后，你将被重定向到数据库概览页面，在那里你可以查看连接详细信息并执行管理操作。

为 MQTT 代理集成配置 MySQL 数据库访问

系统将提示你进行入门步骤，显示你的连接详细信息，你可以配置入站访问规则（建议限制为你的 IP 和仅 VPC）。

1. 点击 开始使用 来配置你的 MySQL 数据库

2. （可选操作）限制入站连接：

   • 添加你本地计算机的 IP 以进行管理访问
   • droplet 将通过 VPC 网络自动获得允许

对于连接详细信息，你将看到两个选项 - 公共网络和 VPC 网络。第一个用于像 DBeaver 这样的工具进行外部访问，而第二个将由 Coreflux 服务用于访问数据库。

1. 记下提供的连接详细信息，包括公共访问和 VPC 访问（每种都有不同的详细信息）：

   • 主机：你的数据库主机名
   • 用户：默认管理员用户
   • 密码：自动生成的安全密码
   • 数据库：身份验证数据库名称

测试 MySQL 数据库连接

你可以使用提供的连接参数，使用公共访问凭证通过 DBeaver 测试 MySQL 连接。

注意： 你可能需要更改 DBeaver 的驱动程序设置——设置 allowPublicKeyRetrieval = true。

创建 MySQL 应用程序数据库和用户（可选）

为了更好的安全性和组织性，为你的 物联网自动化 应用程序创建一个专用用户和数据库。这也可以通过 DBeaver 或 CLI 完成，但 DigitalOcean 提供了一种用户友好的方法：

1. 转到你的 托管数据库 集群中的 用户与数据库 选项卡

2. 创建用户：

   • 用户名：coreflux-broker-client
   • 密码：自动生成

3. 创建数据库：

   • 数据库名称：coreflux-broker-data

设置 MongoDB 托管数据库

托管 MongoDB 非常适合灵活或不断演变的物联网负载，让你能够存储异构的传感器文档，而无需严格模式，同时平台处理复制、备份和监控。

1. 从 DigitalOcean 控制面板，导航到 数据库
2. 点击 创建数据库集群

3. 为物联网自动化配置你的 MongoDB 集群：

   • 数据库引擎：选择 MongoDB
   • 版本：选择最新的稳定版本
   • 数据中心区域：选择法兰克福（与你的 VPC 相同）
   • VPC 网络：选择你创建的 coreflux-integrations-vpc
   • 数据库集群名称：mongodb-coreflux-test
   • 项目：选择你的目标项目

4. 根据你的 物联网 需求选择你的计划：

   • 对于开发：基础 计划，1 GB RAM
   • 对于生产：通用型 或更高，用于可扩展存储
5. 点击 创建数据库集群

托管数据库 创建过程通常需要 1-5 分钟。完成后，你将被重定向到数据库概览页面，在那里你可以查看连接详细信息并执行管理操作。

为 MQTT 代理集成配置 MongoDB 数据库访问

系统将提示你进行入门步骤，显示你的连接详细信息，你可以配置入站访问规则（建议限制为你的 IP 和仅 VPC）。

1. 点击 开始使用 来配置你的 MongoDB 数据库

2. （可选）限制入站连接：

   • 添加你本地计算机的 IP 以进行管理访问
   • droplet 将通过 VPC 网络自动获得允许

对于连接详细信息，你将看到两个选项：公共网络和 VPC 网络。第一个用于像 MongoDB Compass 这样的工具进行外部访问，而第二个将由 Coreflux 服务用于访问数据库。

1. 记下提供的连接详细信息，包括公共访问和 VPC 访问（每种都有不同的详细信息）：

   • 主机：你的数据库主机名
   • 用户：默认管理员用户
   • 密码：自动生成的安全密码
   • 数据库：身份验证数据库名称

测试 MongoDB 数据库连接

你可以使用 MongoDB Compass 或提供的连接字符串，使用公共访问凭证测试 MongoDB 连接：

mongodb://username:password@mongodb-host:27017/defaultauthdb?ssl=true

创建 MongoDB 应用程序数据库和用户（可选）

为了更好的安全性和组织性，为你的 物联网自动化 应用程序创建一个专用用户和数据库。这也可以通过 MongoDB Compass 或 CLI 完成，但 DigitalOcean 提供了一种用户友好的方法：

1. 转到你的 托管数据库 集群中的 用户与数据库 选项卡

2. 创建用户：

   • 用户名：coreflux-broker-client
   • 密码：自动生成

3. 创建数据库：

   • 数据库名称：coreflux-broker-data

设置 OpenSearch 托管数据库

托管 OpenSearch 专为高容量物联网数据的搜索、日志分析和时间序列仪表板而设计，该服务为你管理集群健康、扩展和索引存储。

1. 从 DigitalOcean 控制面板，导航到 数据库
2. 点击 创建数据库集群

3. 为物联网自动化配置你的 OpenSearch 集群：

   • 数据库引擎：选择 OpenSearch
   • 版本：选择最新的稳定版本
   • 数据中心区域：选择法兰克福（与你的 VPC 相同）
   • VPC 网络：选择你创建的 coreflux-integrations-vpc
   • 数据库集群名称：opensearch-coreflux-test
   • 项目：选择你的目标项目

4. 根据你的 物联网 需求选择你的计划：

   1. 对于开发：基础 计划，1 GB RAM
   2. 对于生产：通用型 或更高，用于可扩展存储
5. 点击 创建数据库集群

托管数据库 创建过程通常需要 1-5 分钟。完成后，你将被重定向到数据库概览页面，在那里你可以查看连接详细信息并执行管理操作。

为 MQTT 代理集成配置 OpenSearch 数据库访问

系统将提示你进行入门步骤，显示你的连接详细信息，你可以配置入站访问规则（建议限制为你的 IP 和仅 VPC）。

1. 点击 开始使用 来配置你的 OpenSearch 数据库

2. （可选）限制入站连接：

   • 添加你本地计算机的 IP 以进行管理访问
   • droplet 将通过 VPC 网络自动获得允许

对于连接详细信息，你将看到两个选项：公共网络和 VPC 网络。第一个用于工具的外部访问，而第二个将由 Coreflux 服务用于访问数据库。你还将看到访问 OpenSearch 仪表板的 URL 和参数。

1. 记下提供的连接详细信息，包括公共访问和 VPC 访问（每种都有不同的详细信息）：

   • 主机：你的数据库主机名
   • 用户：默认管理员用户
   • 密码：自动生成的安全密码
   • 数据库：身份验证数据库名称

测试 OpenSearch 数据库连接

你可以使用提供的凭证通过 OpenSearch 仪表板测试 OpenSearch 连接：

步骤 3 — 在 DigitalOcean Droplet 上部署 Coreflux MQTT 代理

创建 DigitalOcean Droplet

1. 在你的 DigitalOcean 控制面板中导航到 Droplets
2. 点击 创建 Droplet

1. 为 MQTT 代理 部署配置你的 droplet：

   • 选择区域：法兰克福（与你的托管数据库相同）
   • VPC 网络：选择 coreflux-integrations-vpc
   • 选择镜像：转到 Marketplace 选项卡
   • 搜索 “Coreflux” 并从 Marketplace 中选择 Coreflux

1. 为你的 物联网 工作负载选择大小：

   • 对于开发：基础 计划，2 GB 内存
   • 对于生产：基础 或 通用型 计划，4+ GB 内存以获得可扩展性能

2. 选择身份验证方法：

   • SSH 密钥：推荐用于提高安全性

     1. 可以使用 ssh-keygen 在本地创建密钥
   • 密码：备选方案

3. 最终确定详细信息：

   • 主机名：coreflux-test-broker
   • 项目：选择你的项目
   • 标签：为 DevOps 组织添加相关标签
4. 点击 创建 Droplet
5. 查看 Droplet 主页并等待其完成部署

替代方案 - 在Docker镜像Droplet上使用Docker安装Coreflux MQTT代理

采用与Coreflux Droplet相同的方法，选择Docker作为市场应用镜像。

一旦你的droplet运行起来，通过已定义的认证方法或Droplet主页上提供的Web控制台，使用SSH连接到它：

ssh root@your-droplet-ip

使用Docker运行Coreflux MQTT代理：

docker run -d \
  --name coreflux \
  -p 1883:1883 \
  -p 1884:1884 \
  -p 5000:5000 \
  -p 443:443 \
  coreflux/coreflux-mqtt-broker-t:1.6.3

这个Docker命令：

• 以分离模式运行容器 (-d)
• 将容器命名为 coreflux
• 暴露MQTT和Web界面所需的端口
• 使用最新的Coreflux镜像

验证MQTT代理是否在运行：

docker ps

你应该看到一个正在运行的容器：

通过使用默认值连接到MQTT代理来验证部署

你可以通过MQTT客户端（如MQTT Explorer）访问MQTT代理，以验证对代理的访问，无论采用何种部署方法。

步骤4 — 为安全的物联网通信配置防火墙规则（可选）

对于生产环境的物联网自动化部署，配置防火墙规则以限制访问：

1. 导航到网络 → 防火墙
2. 点击创建防火墙

3. 配置MQTT代理安全的入站规则：

   • SSH：来自你IP的端口22
   • MQTT：来自你的物联网应用程序源的端口1883
   • 带TLS的MQTT：用于安全的带TLS的MQTT的端口1884
   • WebSocket：用于通过WebSocket的MQTT的端口5000
   • 带TLS的WebSocket：用于通过带TLS的WebSocket的MQTT的端口443
4. 将防火墙应用到你的droplet

关于详细的防火墙配置，请参考DigitalOcean的防火墙快速入门教程。生产提示： 将MQTT端口1883限制在特定的源IP或VPC范围，并且对于外部设备连接，优先使用端口1884（带TLS的MQTT）。如果你需要额外的安全层，请考虑使用带有私有网络的DigitalOcean应用平台。

步骤5 — 使用Coreflux的Language of Things设置物联网数据集成

安装LoT Notebook扩展

用于Visual Studio Code的LoT（Language of Things）Notebook扩展提供了一个集成的低代码开发环境，用于MQTT代理编程和物联网自动化。了解更多关于Coreflux的Language of Things (LoT)用于低代码物联网自动化的信息。

1. 打开Visual Studio Code
2. 转到扩展（Ctrl+Shift+X）
3. 搜索"LoT Notebooks"
4. 安装由Coreflux提供的LoT VSCode Notebooks扩展

连接到你的MQTT代理

配置与你的Coreflux MQTT代理的连接，当在顶部栏提示时或通过点击底部左侧栏的MQTT按钮时，使用默认凭据：

• 用户：root
• 密码：coreflux

假设没有错误，你将在底部左侧栏看到与代理的MQTT连接状态。

步骤6 — 通过Actions在MQTT代理中创建数据

对于这个用例，我们将通过一个转换管道将原始数据集成到数据库中。然而，由于在演示中没有连接到任何MQTT设备，我们将利用LoT的能力，并使用一个Action来模拟设备数据。

在LoT中，Action是一种可执行的逻辑，由特定事件触发，例如定时间隔、主题更新或其他操作或系统组件的显式调用。Actions允许与MQTT主题、内部变量和负载进行动态交互，促进复杂的物联网自动化工作流。

因此，我们可以使用一个以定义的时间间隔在特定主题中生成数据的Action，然后由我们将在下面定义的管道的其余部分使用。

你可以下载包含示例项目的github仓库。

生成模拟物联网数据

使用低代码的LoT（Language of Things）界面创建一个Action来生成模拟传感器数据：

DEFINE ACTION RANDOMIZEMachineData
ON EVERY 10 SECONDS DO
    PUBLISH TOPIC "raw_data/machine1" WITH RANDOM BETWEEN 0 AND 10
    PUBLISH TOPIC "raw_data/station2" WITH RANDOM BETWEEN 0 AND 60

在提供的Notebook中，你还有一个Action可以执行递增计数器来模拟数据，作为提供Action的替代方案。

当你运行这个Action时，它将：

• 自动部署到MQTT代理
• 每10秒生成一次模拟的物联网传感器数据
• 将实时数据发布到特定的MQTT主题

• 在LoT Notebook界面中显示同步状态

  • 此状态显示LoT Notebook上的代码是否与代理中运行的代码不同，或者是否完全缺失

步骤7 — 为实时处理创建数据转换模型

使用Language of Things定义数据模型

Coreflux中的模型用于转换、聚合和计算来自输入MQTT主题的值，并将结果发布到新主题。它们是创建适用于你多个数据源的UNS - 统一命名空间 - 的基础。

因此，通过该模型，你可以定义原始物联网数据的结构与转换方式，适用于单个设备，也支持同时处理多个设备（借助通配符+实现）。模型还作为用于可扩展存储到托管数据库的关键数据模式。

DEFINE MODEL MachineData WITH TOPIC "Simulator/Machine/+/Data"

    ADD "energy" WITH TOPIC "raw_data/+" AS TRIGGER

    ADD "energy_wh" WITH (energy * 1000)

    ADD "production_status" WITH (IF energy > 5 THEN "active" ELSE "inactive")

    ADD "production_count" WITH (IF production_status EQUALS "active" THEN (production_count + 1) ELSE 0)

    ADD "stoppage" WITH (IF production_status EQUALS "inactive" THEN 1 ELSE 0)

    ADD "maintenance_alert" WITH (IF energy > 50 THEN TRUE ELSE FALSE)

    ADD "timestamp" WITH TIMESTAMP "UTC"

这个低代码模型：

• 使用通配符+自动应用到所有机器
• 通过乘以1000将能量转换为瓦时（energy_wh）
• 根据能量阈值确定生产状态
• 跟踪生产计数和停机事件
• 向所有实时数据点添加时间戳
• 从主题结构中提取机器ID
• 将结构化数据发布到Simulator/Machine/Data主题（将+替换为每个匹配触发器/源数据格式的主题）

由于我们使用Action生成了两个模拟传感器/机器，我们可以看到模型结构自动应用于两者，同时生成了一个json对象和各个单独的主题。

步骤8 — 为可扩展存储设置数据库集成

选择与你在步骤2中选择的数据库相匹配的数据库集成部分。

PostgreSQL集成

在本节中，你将学习如何将处理后的物联网数据存储到DigitalOcean上的PostgreSQL托管数据库中。

要将处理后的物联网数据存储到PostgreSQL托管数据库中，你需要在Coreflux中定义一个Route。Route使用简单、低代码的配置指定数据如何从你的MQTT代理发送到你的PostgreSQL集群：

DEFINE ROUTE PostgreSQL_Log WITH TYPE POSTGRESQL

    ADD SQL_CONFIG

        WITH SERVER "db-postgresql.db.onmyserver.com"

        WITH PORT 25060

        WITH DATABASE "defaultdb"

        WITH USERNAME "doadmin"

        WITH PASSWORD "AVNS_pass"

        WITH USE_SSL TRUE

        WITH TRUST_SERVER_CERTIFICATE FALSE

使用来自DigitalOcean的你自己的PostgreSQL连接详细信息替换，并在你的LoT Notebook中运行该Route。重要提示： 为了更好的安全性和更低的延迟，请使用VPC连接详细信息（而非公共连接）。VPC主机名和端口与公共连接字符串不同 - 请检查你的数据库集群的连接详细信息页面以获取这两个选项。

为PostgreSQL数据库存储更新模型

修改你的LoT模型以使用数据库路由进行可扩展存储，通过将此添加到模型的末尾：

STORE IN "PostgreSQL_Log"

    WITH TABLE "MachineProductionData"

此外，添加一个带有主题的参数，以便在你的托管数据库中为每个条目提供唯一标识符。

DEFINE MODEL MachineData WITH TOPIC "Simulator/Machine/+/Data"

    ADD "energy" WITH TOPIC "raw_data/+" AS TRIGGER

    ADD "device_name" WITH REPLACE "+" WITH TOPIC POSITION 2 IN "+"

    ADD "energy_wh" WITH (energy * 1000)

    ADD "production_status" WITH (IF energy > 5 THEN "active" ELSE "inactive")

    ADD "production_count" WITH (IF production_status EQUALS "active" THEN (production_count + 1) ELSE 0)

    ADD "stoppage" WITH (IF production_status EQUALS "inactive" THEN 1 ELSE 0)

    ADD "maintenance_alert" WITH (IF energy > 50 THEN TRUE ELSE FALSE)

    ADD "timestamp" WITH TIMESTAMP "UTC"

    STORE IN "PostgreSQL_Log"

        WITH TABLE "MachineProductionData"

部署此更新后的操作后，所有数据在更新时应自动存储在数据库中。

MySQL集成

MySQL是一种广泛使用的关系数据库管理系统，非常适合大规模存储和分析物联网数据。在本节中，你将学习如何将你的Coreflux MQTT代理连接到DigitalOcean上的托管MySQL数据库，以便你的实时设备数据能够安全可靠地持久化，用于分析、报告或与其他应用程序集成。

要启用此集成，你必须在Coreflux的LoT（Language of Things）中定义一个Route，指示处理后的数据应该发送到哪里以及如何发送。下面是路由数据到MySQL数据库所需的低代码格式。请务必根据需要替换你自己的连接详细信息：

DEFINE ROUTE MySQL_Log WITH TYPE MYSQL
    ADD SQL_CONFIG
        WITH SERVER "db-mysql.db.onmyserver.com"
        WITH PORT 25060
        WITH DATABASE "defaultdb"
        WITH USERNAME "doadmin"
        WITH PASSWORD "AVNS_pass"
        WITH USE_SSL TRUE
        WITH TRUST_SERVER_CERTIFICATE FALSE

使用来自DigitalOcean的你自己的MySQL连接详细信息替换，并在你的LoT Notebook中运行该Route。重要提示： 为了更好的安全性和更低的延迟，请使用VPC连接详细信息（而非公共连接）。如果你遇到连接问题，请验证TRUST_SERVER_CERTIFICATE是否已为你的MySQL版本正确设置 - 某些版本需要TRUE，而其他版本则使用FALSE。

为MySQL数据库存储更新模型

修改你的LoT模型以使用数据库路由进行可扩展存储，通过将此添加到模型的末尾：

STORE IN "MySQL_Log"
    WITH TABLE "MachineProductionData"

此外，添加一个带有主题的参数，以便在你的托管数据库中为每个条目提供唯一标识符。

DEFINE MODEL MachineData WITH TOPIC "Simulator/Machine/+/Data"
    ADD "energy" WITH TOPIC "raw_data/+" AS TRIGGER
    ADD "device_name" WITH REPLACE "+" WITH TOPIC POSITION 2 IN "+"
    ADD "energy_wh" WITH (energy * 1000)
    ADD "production_status" WITH (IF energy > 5 THEN "active" ELSE "inactive")
    ADD "production_count" WITH (IF production_status EQUALS "active" THEN (production_count + 1) ELSE 0)
    ADD "stoppage" WITH (IF production_status EQUALS "inactive" THEN 1 ELSE 0)
    ADD "maintenance_alert" WITH (IF energy > 50 THEN TRUE ELSE FALSE)
    ADD "timestamp" WITH TIMESTAMP "UTC"
    STORE IN "MySQL_Log"
        WITH TABLE "MachineProductionData"

部署此更新后的操作后，所有数据在更新时应自动存储在数据库中。

MongoDB集成

MongoDB是一种NoSQL数据库，非常适合存储和查询具有灵活模式的物联网数据。在本节中，你将学习如何将你的Coreflux MQTT代理连接到DigitalOcean上的托管MongoDB数据库，以便你的实时设备数据能够安全可靠地持久化，用于分析、报告或与其他应用程序集成。

要启用此集成，你必须在Coreflux的LoT（Language of Things）中定义一个Route，指示处理后的数据应该发送到哪里以及如何发送。下面是路由数据到MongoDB数据库所需的低代码格式。请务必根据需要替换你自己的连接详细信息：

DEFINE ROUTE mongo_route WITH TYPE MONGODB
    ADD MONGODB_CONFIG
        WITH CONNECTION_STRING "mongodb+srv://<username>:<password>@<cluster-uri>/<database>?tls=true&authSource=admin&replicaSet=<replica-set>"
        WITH DATABASE "admin"

使用来自DigitalOcean的你自己的MongoDB连接详细信息替换，并在你的LoT Notebook中运行该Route。重要提示： 当可用时，请使用VPC连接字符串格式。连接字符串应包括tls=true和authSource=admin参数。有关MongoDB连接故障排除，请参阅我们关于连接MongoDB的教程。

为MongoDB数据库存储更新模型

修改你的LoT模型以使用数据库路由进行可扩展存储，通过将此添加到模型的末尾：

STORE IN "mongo_route"
    WITH TABLE "MachineProductionData"

此外，添加一个带有主题的参数，以便在你的托管数据库中为每个条目提供唯一标识符。

DEFINE MODEL MachineData WITH TOPIC "Simulator/Machine/+/Data"
    ADD "energy" WITH TOPIC "raw_data/+" AS TRIGGER
    ADD "device_name" WITH REPLACE "+" WITH TOPIC POSITION 2 IN "+"
    ADD "energy_wh" WITH (energy * 1000)
    ADD "production_status" WITH (IF energy > 5 THEN "active" ELSE "inactive")
    ADD "production_count" WITH (IF production_status EQUALS "active" THEN (production_count + 1) ELSE 0)
    ADD "stoppage" WITH (IF production_status EQUALS "inactive" THEN 1 ELSE 0)
    ADD "maintenance_alert" WITH (IF energy > 50 THEN TRUE ELSE FALSE)
    ADD "timestamp" WITH TIMESTAMP "UTC"
    STORE IN "mongo_route"
        WITH TABLE "MachineProductionData"

部署此更新后的操作后，所有数据在更新时应自动存储在数据库中。

OpenSearch集成

OpenSearch是一种分布式搜索和分析引擎，专为大规模数据处理和实时分析而设计。在本节中，你将学习如何将你的Coreflux MQTT代理连接到DigitalOcean上的托管OpenSearch数据库，以便你的实时设备数据能够安全可靠地持久化，用于分析、报告或与其他应用程序集成。

要启用此集成，你必须在Coreflux的LoT（Language of Things）中定义一个Route，指示处理后的数据应该发送到哪里以及如何发送。下面是路由数据到OpenSearch数据库所需的低代码格式。请务必根据需要替换你自己的连接详细信息：

DEFINE ROUTE OpenSearch_log WITH TYPE OPENSEARCH
    ADD OPENSEARCH_CONFIG
        WITH BASE_URL "https://my-opensearch-cluster:9200"
        WITH USERNAME "myuser"
        WITH PASSWORD "mypassword"
        WITH USE_SSL TRUE
        WITH IGNORE_CERT_ERRORS FALSE

使用来自DigitalOcean的你自己的OpenSearch连接详细信息替换，并在你的LoT Notebook中运行该Route。重要提示： 当可用时，请使用VPC基础URL（而非公共URL）。基础URL格式通常为https://your-cluster-hostname:9200。对于OpenSearch仪表板访问，请使用数据库集群详细信息中提供的单独的仪表板URL。有关更多详细信息，请参阅我们的OpenSearch快速入门。

为OpenSearch数据库存储更新模型

修改你的LoT模型以使用数据库路由进行可扩展存储，通过将此添加到模型的末尾：

STORE IN "OpenSearch_Log"
    WITH TABLE "MachineProductionData"

此外，添加一个带有主题的参数，以便在你的托管数据库中为每个条目提供唯一标识符。

DEFINE MODEL MachineData WITH TOPIC "Simulator/Machine/+/Data"
    ADD "energy" WITH TOPIC "raw_data/+" AS TRIGGER
    ADD "device_name" WITH REPLACE "+" WITH TOPIC POSITION 2 IN "+"
    ADD "energy_wh" WITH (energy * 1000)
    ADD "production_status" WITH (IF energy > 5 THEN "active" ELSE "inactive")
    ADD "production_count" WITH (IF production_status EQUALS "active" THEN (production_count + 1) ELSE 0)
    ADD "stoppage" WITH (IF production_status EQUALS "inactive" THEN 1 ELSE 0)
    ADD "maintenance_alert" WITH (IF energy > 50 THEN TRUE ELSE FALSE)
    ADD "timestamp" WITH TIMESTAMP "UTC"
    STORE IN "OpenSearch_Log"
        WITH TABLE "MachineProductionData"

部署此更新后的操作后，所有数据在更新时应自动存储在数据库中。

步骤9 — 验证完整的物联网自动化管道

监控实时数据流

1. MQTT Explorer：使用MQTT客户端验证实时数据发布
2. 数据库客户端：连接以验证数据的存储（PostgreSQL使用DBeaver，MongoDB使用MongoDB Compass，OpenSearch使用OpenSearch Dashboards）

验证PostgreSQL存储

使用DBeaver连接到你的PostgreSQL托管数据库以验证可扩展存储：

1. 使用来自你的DigitalOcean数据库的连接字符串
2. 导航到 coreflux-broker-data 数据库（或你为数据库指定的名称）
3. 检查 MachineProductionData 表中存储的记录

正如我们之前看到的，所有数据都可在MQTT代理中用于其他用途和集成。

验证MongoDB存储

使用MongoDB Compass连接到你的MongoDB托管数据库以验证可扩展存储：

1. 使用来自你的DigitalOcean数据库的连接字符串
2. 导航到 coreflux-broker-data 数据库（或你为数据库指定的名称）
3. 检查 MachineProductionData 集合中存储的文档

你应该看到具有类似结构的实时数据文档：

{
  "_id": {
    "$oid": "68626dc3e8385cbe9a1666c3"
  },
  "energy": 36,
  "energy_wh": 36000,
  "production_status": "active",
  "production_count": 31,
  "stoppage": 0,
  "maintenance_alert": false,
  "timestamp": "2025-06-30 10:58:11",
  "device_name": "station2"
}

正如我们之前看到的，所有数据都可在MQTT代理中用于其他用途和集成。

验证MySQL存储

使用DBeaver连接到你的MySQL托管数据库以验证可扩展存储：

1. 使用来自你的DigitalOcean数据库的连接字符串
2. 导航到coreflux-broker-data数据库（或你为数据库指定的名称）
3. 检查MachineProductionData表中存储的记录

与其他集成一样，所有数据也可在MQTT代理中用于其他用途和下游集成。

验证OpenSearch存储

使用提供的URL和凭据打开OpenSearchDashboards：

1. 打开菜单并选择索引管理选项

   1. 在菜单中选择索引选项，查看你的表名是否出现在列表中

1. 返回主页并在菜单中选择发现选项

   1. 按照提供的步骤创建索引模式
   2. 返回到发现页面，你应该会看到你的数据

正如我们之前看到的，所有数据都可在MQTT代理中用于其他用途和集成。

步骤10 - 扩展你的用例和集成

测试LoT能力

• 发布示例数据：使用MQTT Explorer将示例数据集发布到你的Coreflux代理。尝试不同的负载结构和不同的模型/操作，查看它们如何处理并存储到你选择的数据库中。
• 数据验证：验证你数据库中的数据与你发布的有效负载是否匹配。使用你的数据库客户端（PostgreSQL使用DBeaver，MongoDB使用MongoDB Compass，OpenSearch使用OpenSearch Dashboards）检查一致性和准确性，确保你的物联网自动化集成按预期工作。比较时间戳、字段转换和数据类型，以验证你的实时数据管道。
• 实时监控：使用另一个MQTT数据源（例如具有MQTT连接功能的简单传感器）设置连续的实时数据馈送。观察Coreflux和你的数据库如何处理传入的物联网数据流，并探索数据检索和查询的响应时间。

构建分析和可视化

• 创建仪表板：与Grafana等可视化工具集成，创建显示你的物联网数据的仪表板，从实时MQTT主题和历史数据库查询中提取数据。跟踪指标，如设备正常运行时间、传感器读数、生产计数或来自你自动化系统的维护警报。了解如何使用我们的教程设置DigitalOcean托管数据库与Prometheus和Grafana的监控。对于实时仪表板，直接订阅MQTT主题；对于历史趋势和聚合，查询你的数据库。

• 趋势分析：利用你数据库的能力来分析随时间变化的趋势：

  • PostgreSQL：使用SQL查询进行复杂的关系分析
  • MongoDB：使用聚合框架进行基于文档的分析
  • OpenSearch：使用高级分析和搜索能力进行全文搜索和时间序列分析
• 多数据库集成：探索集成其他托管数据库，如用于非结构化数据的MongoDB，用于关系数据的PostgreSQL，用于结构化查询的MySQL，或用于高级分析和搜索的OpenSearch。使用Coreflux路由将数据同时发送到多个目的地。

优化和扩展你的物联网基础设施

• 负载测试：使用LoT Notebook或自动化脚本通过同时发布多条消息来模拟高流量。监控你的Coreflux MQTT代理和数据库集群如何处理负载，并识别你的数据管道中的任何瓶颈。
• 扩展：DigitalOcean提供垂直和水平扩展选项。随着你的物联网数据需求增长，增加droplet资源（CPU、RAM或存储）。扩展你的托管数据库集群以处理更大的数据集，并配置自动扩展警报，以便在接近资源限制时通知你。

常见问题解答

1. 如何将Coreflux MQTT代理与托管数据库集成？

你通过定义指向目标服务（PostgreSQL、MySQL、MongoDB或OpenSearch）的LoTRoute来将Coreflux MQTT代理与托管数据库集成。每个路由使用适当的连接参数（服务器或连接字符串、端口、数据库名称、用户名、密码和SSL/TLS选项），并自动将MQTT消息有效负载持久化到表、集合或索引中。一旦定义好路由，你就使用STORE IN指令将其附加到Model，这样每个处理后的消息都会被写入你选择的数据库。

2. 我能否在不编写自定义集成代码的情况下将MQTT数据直接保存到数据库？

可以。Coreflux设计为一个低代码集成层，因此你无需编写应用程序代码或外部ETL作业来持久化数据。对于每种数据库类型，你配置一个LoT路由（例如，PostgreSQL_Log、MySQL_Log、mongo_route或OpenSearch_Log），然后使用STORE IN "<route_name>" WITH TABLE "MachineProductionData"扩展你的模型。Coreflux处理连接池、重试和错误处理，因此你可以专注于建模主题和转换，而不是样板数据库代码。

3. 我应该为MQTT物联网数据存储选择哪种托管数据库？

你的MQTT物联网数据的最佳托管数据库取决于你的数据结构、查询需求和分析目标。使用下面的比较表来帮助你决定：

提示： 你可以通过配置多个Coreflux路由同时使用多个托管数据库。这使得可以从同一个MQTT流中，将结构化的物联网数据存储在PostgreSQL或MySQL中，在OpenSearch中聚合日志和指标，并在MongoDB中收集非结构化或无模式数据。

4. 这种架构如何处理实时和历史分析？

Coreflux将所有处理后的值保留在MQTT主题上，供实时消费、仪表板或额外管道使用，而Routes则将相同的建模数据持久化到你的数据库中，用于历史查询。在实践中，你可以订阅主题以进行即时反应（警报、控制回路），并查询PostgreSQL/MySQL/MongoDB/OpenSearch以进行聚合、趋势和长期分析。这种双路径设计反映了MQTT和物联网数据集成教程中的常见模式，其中代理提供实时消息传递，而数据库提供持久存储和分析。

5. Coreflux和托管数据库之间的连接有多安全？

当部署在DigitalOcean上时，你可以使用VPC网络来保持Coreflux MQTT代理和数据库之间的所有通信私密。VPC将你的资源与公共互联网访问隔离开来，并且DigitalOcean托管数据库支持连接的TLS加密。此外，你可以为你的Coreflux应用程序创建具有有限权限的专用数据库用户，遵循最小权限原则。

6. 这个设置是否适用于生产环境物联网部署？

是的。这种架构反映了生产环境中MQTT和数据库集成所使用的模式，其中代理前端处理设备流量，而托管数据库层提供持久性和分析。DigitalOcean托管数据库提供自动备份、高可用性和监控，而Coreflux MQTT代理可以水平扩展以处理高消息吞吐量。对于生产环境，你还应该配置防火墙规则、使用强凭据、为MQTT和数据库连接启用TLS，并根据预期的消息量来调整你的droplet和集群大小。

7. 我能否在没有公共互联网访问的情况下，或在混合环境中运行MQTT代理？

可以。MQTT代理通常部署在私有网络或边缘环境中，公共资源一致指出，只要客户端可以访问代理，MQTT就可以在没有公共互联网的情况下工作。使用DigitalOcean，你可以将Coreflux和你的数据库保持在VPC内部，并且只暴露绝对必要的内容（例如，VPN、堡垒主机或有限的防火墙规则）。如果你需要混合或多站点架构，你还可以将选定的主题与其他代理或云区域同步。

8. 在物联网数据中使用MQTT和数据库是否存在任何限制或权衡？

MQTT针对轻量级、事件驱动的消息传递进行了优化；数据库则针对存储和查询进行了优化。存储每一条原始消息可能会变得昂贵或嘈杂，因此最佳实践建议仔细建模数据（例如，聚合指标、过滤主题或降采样）。极低功耗设备或超受限网络可能难以维持持久连接或处理TLS开销，在这种情况下，你可能需要调整QoS级别、批处理和保留策略。只要你在设计中考虑到这些权衡，MQTT加上托管数据库对于大多数物联网场景都能很好地工作。

9. 我如何为我的物联网项目在PostgreSQL、MySQL、MongoDB和OpenSearch之间做出选择？

你应该根据物联网数据结构、可扩展性以及你希望如何查询设备数据来选择托管数据库。下表总结了每个选项的优势：

结论

将Coreflux MQTT代理与DigitalOcean的托管数据库服务（PostgreSQL、MongoDB、MySQL或OpenSearch）集成，为你提供了实时物联网数据处理和存储的完整设置。按照本教程，你已经使用低代码开发实践构建了一个收集、处理和存储物联网数据的自动化管道。

借助Coreflux的架构和你选择的数据库的存储特性，你可以处理大量的实时数据并查询它以获取洞察。无论你是监控工业系统、跟踪环境传感器还是管理智慧城市基础设施，这种设置都让你能够基于实时MQTT主题和历史数据库查询做出数据驱动的决策。

了解更多关于DigitalOcean托管数据库的信息，以及DigitalOcean 针对 IoT行业的产品服务支持，可咨询 DigitalOcean 中国区独家战略合作伙伴卓普云AI Droplet（aidroplet.com）。

你可以尝试提供的用例或使用Coreflux和DigitalOcean实现你自己的用例。你还可以在DigitalOcean Droplet市场或通过Coreflux网站获取免费的Coreflux MQTT代理。