作为观测云用户，在日常使用过程中，当您有长期归档日志、审计数据以满足合规留存要求、需要将观测云数据同步至其他系统进行二次加工分析，或是希望实现指标、链路等实时数据的多系统订阅与联动时，就可以用到观测云的数据转发功能。

在实际使用中，您可以结合观测云数据热存分析与长期存档的核心场景选择数据转发：

• 日常需对观测云内的热数据（如近期 7 天内的日志、链路数据）进行实时分析、快速查询时，可依托观测云原生存储能力完成热存分析；
• 当热数据超过分析周期，需要长期存档以满足合规要求，或需留存历史数据用于后续追溯、复盘时，就需要通过数据转发功能将数据同步至对象存储，此时可在观测云默认对象存储与公有云自有对象存储中选择适配方案。

本文结合观测云 SaaS 平台特点，帮您梳理数据转发核心最佳实践，聚焦实用配置与落地步骤，助力您快速落地需求、规避误区。

转发目标选型与适用场景

观测云主要支持多种云平台的对象存储（包括阿里云 OSS，AWS S3，华为云 OBS，火山云 TOS 等）与 Kafka 两种转发目标，二者适配不同业务场景。如果使用观测云 SaaS 平台，观测云平台底座部署在公有云（如阿里云、腾讯云、华为云等），选型时可以优先选择与观测云 SaaS 同厂商、同区域的目标服务，或通过虚拟网络打通连接，最大限度降低网络延迟、减少公网带宽消耗，提升数据传输安全性。

具体配置可以参考：

• 观测云 SaaS 平台站点、以及所在云平台一览：https://docs.guance.com/plans/commercial-register/#site
• 虚拟互联网连接配置（以阿里云为例，其他云的配置具体可以参考在线文档）：https://docs.guance.com/datakit/aliyun-access/

规则配置最佳实践

规则配置是数据转发的核心，需遵循“分类配置、精准过滤、适配观测云 SaaS 特性”原则，聚焦观测云侧操作，结合高频场景落地步骤，简化冗余配置，确保高效可控。

一、通用配置规范和考虑点

1、按数据类型拆分规则：登录观测云控制台，进入【管理】-【数据转发】页面，点击【新建规则】，每次仅选择一种数据类型（日志/链路/RUM/事件/审计事件等），单独创建规则，避免数据混杂。

2、精准过滤配置：在“过滤条件”模块，可通过数据所带的标签，例如日志 source、host、service 等标签筛选，仅转发有用数据，从而避免无效的数据增加转发流量和存储成本。

3、需要注意的是，如果需要使用观测云的 Pipeline 解析数据，同时将解析后的字段进行转发，可以使用观测云的中心 Pipeline 脚本：在创建 Pipeline 脚本时，可勾选“启用 Pipeline 处理转发数据”：勾选后，数据先经脚本处理再过滤转存；不勾选则直接转发原始数据。

二、对象存储转发配置

对象存储选型对比（观测云默认对象存储 vs 公有云自有对象存储）：

• 观测云默认对象存储是平台自带的存储资源，无需您额外创建和管理，默认存储时长可配置为 180 天、360 天或 720 天，能满足多数合规留存需求。
• 您也可以选择您在公有云的自有对象存储（如阿里云 OSS、华为云 OBS 等），从而可以实现数据的自主管控；选择对象存储的时候，可优先选择与观测云 SaaS 同厂商、同区域的公有云自有对象存储，节省流量传输成本。

具体配置方式：

1、新建规则选择对象存储的类型，如果选择了自己云平台的对象存储（如阿里云 OSS），填写云平台和存储桶等相关信息。具体配置方式可以参考在线文档：https://docs.guance.com/management/backup/start-backup/

需要注意的是权限控制：

• 云平台密钥安全管控，配置对象存储，需输入对应云平台 AK/SK 信息，请严格遵循最小权限原则，仅为观测云分配需要的权限，禁止授予全权限，避免密钥泄露导致的数据篡改、泄露风险，密钥需由专人保管，定期更换
• 操作权限管控，观测云支持工作空间角色精细化权限分配，在【工作空间】-【权限管理】中，仅为需要操作数据转发的专属人员，分配“数据转发”相关操作权限（如规则创建、编辑、启用/禁用），普通用户仅授予查看权限，杜绝误操作（如误删规则、误改配置）

2、路径与优化：仅需在“存储路径”中输入自定义前缀（如guance-log-backup/），系统自动按“工作空间/数据类型/规则名/年月日时”生成完整路径，方便您在对象存储桶中后续的调用和查看。

3、可以点击“测试连接”进行配置的验证测试

三、Kafka转发配置

1、基础配置：新建规则选择“Kafka 消息队列”

2、输入相关信息：

• 地址：Host:Port，多个节点使用逗号间隔；
• 消息主题：即 Topic 名称；
• 安全协议：在 Kafka 侧，SASL 可以使用 PLAINTEXT 或者 SSL 协议作为传输层，相对应的就是使用 SASL_PLAINTEXT 或者 SASL_SSL 安全协议。如果使用 SASL_SSL 安全协议，必须配置 SSL 证书；

3、点击“测试连接”，若上述信息满足规范，则提示测试连接成功。点击确定即可保存当前规则。

总结

观测云数据转发是“精准选型、精细配置、成本可控、权限安全”，结合其 SaaS 特性，优先选择同厂商同区域转发目标，或打通虚拟互联网连接，按数据类型拆分规则并精准过滤，同时做好权限管控，即可快速落地数据转发、存档和二次分析的需求，发挥数据价值，支撑企业合规留存与业务优化。

智能体AI浪潮奔涌，全球算力集群正加速向AI云原生时代跃迁，升级算力底座成为行业破局关键。开源作为创新协同的重要范式，汇聚产业智慧、缩短研发周期、催化更多创新成果落地。

openFuyao首个LTS版本凝聚了社区全体成员单位与开发者共建的核心技术成果，面向AI推理等高并发、高负载场景，打造高性能、高安全、高可靠的企业级AI云原生平台，促进有效算力的极致释放。

此次直播，邀请两位社区大咖技术委员会主席胡昊&架构师姚晓忠带你快速了解openFuyao，解读LTS版本核心能力及技术特性的关键价值。

接下来，openFuyao将在官方视频号持续进行版本解读、关键特性深度解析、社区技术Panel、商业化落地案例分享等直播，欢迎大家关注社区动态，不错过每一期技术干货。

开发者朋友们大家好：

这里是 「RTE 开发者日报」，每天和大家一起看新闻、聊八卦。我们的社区编辑团队会整理分享 RTE（Real-Time Engagement） 领域内「有话题的技术」、「有亮点的产品」、「有思考的文章」、「有态度的观点」、「有看点的活动」，但内容仅代表编辑的个人观点，欢迎大家留言、跟帖、讨论。

本期编辑：@koki、@鲍勃

01 有话题的技术

1、Hand2World：基于 3D 手部结构与射线嵌入，实现首个闭环交互式第一人称世界模型

南洋理工大学（NTU）MMLab 团队发布 Hand2World，这是首个支持自由手势驱动的第一人称交互世界模型。该模型允许用户通过空中手势实时操控虚拟场景并生成连续视频，解决了传统世界模型在主动物理交互及相机运动解耦方面的技术瓶颈。

• 3D 手部结构化控制信号：放弃传统的 2D Mask 方案，采用 3D 手部 mesh（MANO 模型）渲染的「填充轮廓 + 线框叠层」复合信号。该设计实现了遮挡无关的条件输入，解决了推理时完整手势与训练时残缺手部（受物体遮挡）之间的分布错配。
• Plücker 射线嵌入解耦相机运动：引入逐像素的 Plücker 射线（Plücker Ray Embedding）显式编码相机运动，通过轻量级 adapter 注入扩散模型。该技术将手部关节运动与头部自运动（ego-motion）彻底解耦，使 FVD 指标从 815 优化至 218，有效抑制背景漂移。
• 因果自回归蒸馏实现 8.9 FPS 交互：将双向扩散教师模型蒸馏为支持 KV cache 的因果自回归生成器。在 A100 平台上可实现 8.9 FPS 的流式输出，支持用户边看边调的闭环持续交互。
• 全自动单目标注流水线：开发了一套无需多目相机或人工干预的自动化标注系统，可直接从普通单目视频中提取 3D 手部位姿与相机轨迹。相比 PlayerOne 等依赖同步采集的方案，显著提升了具身智能训练数据的可扩展性。
• 多项 SOTA 性能指标：在 ARCTIC、HOT3D、HOI4D 三个标准数据集上均取得最优结果。在 ARCTIC 测试中，相机轨迹误差降低 42%，深度一致性（Depth-ERR）从 22.51 降至 16.14。

（@新智元）

2、Snap 联合高通研发新款 Spectacles：搭载 Snapdragon XR 平台，支持端侧 AI 交互

Snap 旗下 AR 硬件子公司 Specs 与高通（Qualcomm）达成多年战略合作伙伴关系，确定下一代 Spectacles 智能眼镜将采用 Snapdragon XR 芯片平台。此次合作旨在通过底层算力升级，在今年年内推出具备端侧 AI 处理能力的消费级可穿戴设备。

• Snapdragon XR 平台架构集成：新款 Spectacles 将搭载高通专为 AR/VR 设备设计的 Snapdragon XR 系列片上系统（SoC），用于处理高复杂的空间计算与图形渲染任务。
• 端侧 AI（On-device AI）处理能力：双方合作重点在于实现人工智能在硬件本体的实时运行，以降低交互延迟，并增强在离线状态下的多模态感知与语义理解能力。
• 高级多人数字体验支持：利用高通的通信与计算协同技术，开发支持多名用户在同一物理空间内实时交互的增强现实应用。
• 从开发者生态向消费端过渡：自 2024 年转向「仅限开发者」策略后，Specs 计划通过此次硬件升级，将积攒的开发者插件与应用库正式推向消费市场。

( @TechCrunch)

02 有亮点的产品

1、Mizzen Insight 完成近千万美元天使轮+融资，4 个月从 0 到 300+客户

AI 用户研究平台 Mizzen Insight 已完成天使+轮融资，融资金额近千万美元，由红杉中国种子基金领投，达晨创投、嘉程资本跟投，种子轮老股东 Creekstone 继续加码。本轮融资将主要用于模型能力优化、产品迭代及市场拓展。

• 全链路 Agent 自动化闭环：系统支持从输入调研目标开始，自动生成访谈提纲、筛选受访者、实时主持访谈并输出可视化结构化报告，实现调研全流程脱离人工干预。
• 语义级实时动态追问：访谈模型具备深度语义理解能力，能基于受访者的实时回答进行动态逻辑追问，而非执行固定脚本，模拟专业研究员的深访交互。
• 大规模定性研究吞吐量：上线 4 个月累计完成访谈逾 1 万小时，参与人数近 2 万人，验证了 AI 在高频、大规模并发访谈场景下的可扩展性。
• 基于人类偏好建模的技术栈：创始人孙克强博士背景涵盖清华及港中文 MMLab，专注人机交互与人类偏好建模，相关技术 Benchmark 此前已被 Google、DeepMind 等机构采纳。

( @Z Potentials)

2、AI 潮玩品牌 MOMOTOY 获数千万元融资：自研五大 AI 技术体系，支持端云协同与本地化数据处理

AI 潮玩品牌 MOMOTOY 完成数千万元融资（投后估值 2.5 亿元），由翼朴基金投资。该公司将 AI 技术与高奢材质（如 999 足金）引入潮玩硬件，试图通过自研情感计算模型实现从静态摆件向具身智能终端的转型。

• 五大 AI 核心技术体系： 构建以记忆分级、动态情绪、心理分析、端云协同、深度情感理解为核心的技术栈。支持双向对话、多语种实时交流及声音克隆，能够根据用户交互历史实现渐进式记忆增长。
• 端云协同与隐私安全架构： 建立个人数据空间，支持信息分级管理。关键交互数据直连本地智能体（agent），无需强制上传云端，通过端侧加密保护用户隐私。
• 全场景智能联动能力： 软件接口已打通车载系统与智能家居系统，实现「人-车-家」全生态场景的智能体接入，使潮玩具备跨终端的交互连续性。

（@36 氪未来消费）

03 Real-Time AI Demo

1、Vibe Ring 实现 Switch 健身环语音输入：挤压健身环 = 长按 Fn

来自 X 上的开发者 @wong2_ _：

沉迷 Vibe Coding 却疏于锻炼？快来试试 Vibe Ring！

把落灰的 Switch 健身环和 Mac 按键映射：

1. 挤压健身环 = 长按 Fn 语音输入
2. 向外拉健身环 = 回车发送

GitHub 链接：

https://github.com/wong2/vibe-ring/blob/main/README_CN.md

04 有态度的观点

1、别只敲键盘了！吴恩达最新研判：语音 AI 正引爆下一场交互革命

近日，人工智能先驱吴恩达（Andrew Ng）撰文指出，大众严重低估了语音用户界面（Voice UI）即将带来的颠覆性影响。他预言，语音交互将成为继「鼠标点击」和「屏幕触控」之后的下一次重大 UI 变革。

回顾科技史，每一次交互方式的跃迁都会催生出庞大的全新应用生态。吴恩达强调，读写是需要系统学习的技能，而「听和说」则是人类与生俱来的本能。由于开发者群体普遍具备较高的读写能力，人们很容易忽视「打字操作」对许多普通用户而言仍是一种摩擦力。随着语音识别准确率的飙升，语音 UI 将彻底打破这一门槛，让科幻电影中「对着计算机直接下达指令」的愿景成为现实。

过去，语音 AI 常常面临一个死结：要低延迟（反应快）就容易显得「智商低」，要高智能（经过大模型深思熟虑）就必然带来高延迟。对此，吴恩达分享了目前行业前沿的解法——「双智能体自定义架构」。即通过前台智能体（Foreground Agent）与用户保持低延迟的实时语音拉扯，同时让后台智能体（Background Agent）默默处理复杂的逻辑推理、工具调用和安全护栏。这种协同作战，完美兼顾了沟通的流畅度与 AI 的聪明才智。

吴恩达明确表示，语音并不会消灭键盘和鼠标，而是最强力的补充。纯语音交互存在局限，但「视觉+语音」的多模态结合将带来颠覆性体验。系统可以在听取用户指令的同时，实时动态更新屏幕上的画面和动画，形成视觉与听觉的双重闭环。

如今，构建语音 UI 的门槛已大幅降低。吴恩达透露，借助 AI 编程工具，他仅用不到一小时就为一款普通的数学应用加上了语音交互层。在全球范围内，真正下场开发语音应用的开发者仍是凤毛麟角。

正如吴恩达在信末的呼吁：这片蕴含着巨大创新的处女地已经敞开。在这个 AI 爆发的时代，是时候给你的应用装上「声带」，让它和世界真正对话了！

(@Deeplearning AI)

阅读更多 Voice Agent 学习笔记：了解最懂 AI 语音的头脑都在思考什么

写在最后：

我们欢迎更多的小伙伴参与 「RTE 开发者日报」 内容的共创，感兴趣的朋友请通过开发者社区或公众号留言联系，记得报暗号「共创」。

对于任何反馈（包括但不限于内容上、形式上）我们不胜感激、并有小惊喜回馈，例如你希望从日报中看到哪些内容；自己推荐的信源、项目、话题、活动等；或者列举几个你喜欢看、平时常看的内容渠道；内容排版或呈现形式上有哪些可以改进的地方等。

作者提示: 个人观点，仅供参考

还在为 Memory Agentic 操作框架反复重造轮子？也许，这正是这个方向迟迟没有爆发的根本原因。

AI Agent 领域有一个越来越清晰的共识正在形成：

真正决定 Agent 能不能从"会聊天的工具"进化成"长期持续工作的系统"的，不只是模型推理能力，也不只是工具调用能力，而是记忆能力。

没有记忆的 Agent，本质上仍然是一个"单轮应答器"

过去一年多，Memory-R1、MemAgent、RMM 三篇工作几乎前后脚放出来，社区里讨论"用强化学习训 Agent 记忆"的帖子开始刷屏。

大家发现一件事：每篇论文的代码都是各写各的——训练流程不一样，数据格式不一样，模块之间不能互换。想复现一个、对比一下，工程量就已经不小了。

问题就在这里——它们彼此之间太难复用，太难拼接，也太难公平比较。很多时候，真正拖慢 Agent Memory 研究的，不是想法不够多，而是重复造轮子的工程成本太高。

这正是 MemFactory 的出发点。

一句话说清楚：它是第一个专门给记忆增强 Agent 设计的统一训练 + 推理框架，思路上对标 LLaMA-Factory 做 LLM 微调的方法论——把记忆的生命周期拆成标准化的原子模块，像搭乐高一样组装，然后用 GRPO 做强化学习训练。

本次发布要点：

[MemFactory 整体架构图：Module Layer / Agent Layer / Environment Layer / Trainer Layer 四层结构及数据流向]

一、为什么需要 MemFactory

Agent Memory 领域最不缺的就是新想法：Memory-R1 用 CRUD 操作显式管理记忆条目，MemAgent 用循环压缩把整段对话浓缩成记忆状态，RMM 则在检索阶段引入反思式重排序。三篇工作各有亮点，社区讨论热度也很高。

但真正上手复现的人都知道，难的不是理解算法，而是把它跑起来，再换一个跑跑看。

🌰 举个栗子

你基于 Memory-R1 搭好了一套 CRUD 式记忆管理 pipeline，Extractor 负责从对话中抽取记忆条目，Updater 负责执行增删改操作，训练跑通了，效果还不错。但你还想试一下 MemAgent 的循环压缩策略，试试效果哪个好。

按现在的开源现状，这两套代码的数据格式不一样，训练框架不一样，奖励函数不一样——换一个模块基本等于重新搭一次项目。

光是把数据转成对方的格式、重写训练循环、调通奖励计算，工程量就够折腾一两周了。这就是 Agent Memory 研究当前最大的瓶颈，每个团队都在重复解决相同的工程问题——数据格式转换、训练循环搭建、模块间接口适配——真正花在算法创新上的时间反而被大幅压缩。

MemFactory 目标很明确：成为 Agent Memory 领域的「LLaMA-Factory」，把记忆管理流程标准化，让不同的记忆策略能在同一套框架里即插即用。

二、四层架构：从原子操作到端到端训练

MemFactory 的整体设计分四层，每层职责清晰：

2.1 Module Layer（模块层）——记忆操作的最小单元。

把记忆流程拆成三种原子操作：

·Extractor（记忆抽取器）：从原始对话中提取结构化记忆条目

·Updater（记忆更新器）：对比新旧记忆，执行 ADD / DEL / UPDATE / NONE 四种操作

·Retriever（记忆检索器）：从记忆库中找到与当前对话最相关的记忆条目，支持语义检索 + LRM 重排序

另外还有一个 Agent Module（智能体模块），专门给 MemAgent 这种"不拆抽取和更新、端到端直接生成新记忆状态"的策略用。

说白了，这一层做的事情就像把厨房里的"切菜""炒菜""调味"分成了标准工位。每个工位可以换不同的师傅（不同的实现），但工位之间的交接方式是固定的。

[Module Layer 原子模块示意图：Extractor → Updater → Retriever 的数据流，以及 Agent Module 的端到端路径]

2.2 Agent Layer（智能体层）——把模块组装成完整的 Agent。

光有模块还不够，得有人把它们组织起来。MemFactory用"乐高式"组合不同模块的实现，构建出不同的记忆 Agent。框架内置了三个现成的 Agent 配置：

·MemoryR1Agent：基于 Memory-R1 的 CRUD 记忆管理；

·MemoryAgent：基于 MemAgent 的循环记忆压缩；

·MemoryRMMAgent：基于 RMM 的反思式检索优化；

每个模块统一暴露 generate、rollout、inference 三个接口。训练时用前两个（会产生梯度），纯推理时用 inference（支持 vLLM 和 OpenAI 风格 API）。

你只需要指定用哪些模块、怎么组合，剩下的工程复杂度框架帮你消化。

2.3 Environment Layer（环境层）——数据加载 + 奖励计算。

Environment 层是 Agent 与任务之间的桥梁，兼具数据加载器和奖励管理器的双重角色。

它把不同数据集统一成标准格式，按记忆类型分两种环境：

·MemoryBankEnv：长期记忆场景，维护一个可更新的外部记忆库

·LongcontextEnv：短期记忆场景，直接处理长对话上下文

奖励信号支持格式奖励（Format Reward）和 LLM-as-Judge 两种方式。

2.4 Trainer Layer（训练层）——基于 GRPO 的策略优化。

GRPO 的好处是不需要额外训练一个 Critic 模型（PPO 的老问题了——Critic 占的显存跟 Policy 一样大），对于本来就要处理长上下文的记忆 Agent，这一点可以大大节省训练资源。

MemFactory 不是把强化学习"贴"在 Agent Memory 上，而是把"记忆策略是可以被训练出来的"这件事，正式做成了工程现实。

三、实验：单卡 A800 跑出来的提升

MemFactory 用 MemAgent 的公开训练集和评测集做了验证，基座模型分别是 Qwen3-1.7B 和 Qwen3-4B-Instruct。

训练数据做了简化处理——把上下文长度压缩到原来的 1/3 左右（每个样本 50-80 篇文档），整个训练 + 评测流程在单张 A800 80GB GPU 上就能跑完。

两个值得一提的结论：

第一，1.7B 小模型在主任务上提升明显（eval\_50 从 0.47 跳到 0.57），平均提升 14.8%，不过在 OOD 评测上有所下降——小模型的泛化能力确实有限。

第二，4B 模型则更稳：三个评测集上全面提升，平均提升 7.3%，OOD 上也有正向增益。说明更大的模型确实能把学到的循环记忆策略迁移到没见过的场景里。

训练只需要 250 个有效步数，每个问题跑 4 次取平均（avg@4）。单卡就能做到这个效果，对大多数研究者来说门槛不算高。

四、开箱即用：三种 SOTA 范式一键跑通

MemFactory 目前内置支持三种最新的 Memory-RL 范式，不需要从头搭：

4.1 Memory-R1 路线

思路是把记忆管理拆成显式的 CRUD 操作——一个 Memory Manager 负责决定"加/删/改/不动"，一个 Answer Agent 负责用记忆回答问题。MemFactory 里对应 NaiveExtractor + NaiveUpdater 的模块组合。

4.2 MemAgent 路线

不拆抽取和更新，直接把"上一轮记忆状态 + 最新上下文"丢给模型，让它生成新的记忆状态。相当于把记忆当成一个循环变量，每轮对话更新一次。MemFactory 里对应 RecurrentMemoryModule。

4.3 RMM 路线

专攻检索环节——先用语义检索拉回候选记忆，再用大推理模型（LRM）做重排序。训练信号来自"模型到底有没有引用这条检索到的记忆"，用 REINFORCE 更新重排器。MemFactory 里对应 RerankRetriever。

三种路线覆盖了记忆生命周期的不同阶段（抽取/更新、端到端压缩、检索优化），研究者可以在同一套框架里做对比实验，也可以把不同路线的模块混搭着用。

快速上手

git clone https://github.com/MemTensor/MemFactory.git

cd MemFactory

MemFactory 想做的事情很简单——Memory-RL 这个方向已经证明了可行性，但基础设施还没跟上。每个团队都在重复造轮子，精力都花在工程适配上而不是算法创新上。有了统一框架之后，研究者可以把时间花在"这个记忆策略到底好不好"上，而不是"怎么把两套代码跑在一起"上。

这不就是当年 LLaMA-Factory 对 LLM 微调做的事情嘛，不是吗 ～

📎 相关链接

·GitHub：

https://github.com/MemTensor/MemFactory

·论文：

https://arxiv.org/abs/2603.29493

·MemOS 主仓库：

https://github.com/MemTensor/MemOS

关于 MemOS

MemOS 为 AI 应用构建统一的记忆管理平台，让智能系统如大脑般拥有灵活、可迁移、可共享的长期记忆和即时记忆。

作为记忆张量首次提出“记忆调度”架构的 AI 记忆操作系统，我们希望通过 MemOS 全面重构模型记忆资源的生命周期管理，为智能系统提供高效且灵活的记忆管理能力。

近日，有"行业风向标"之称的第十四届储能国际峰会暨展览会（ESIE2026）在北京召开。KaiwuDB 高级技术专家唐仲 受邀出席"储能 + AIDC 协同发展论坛"，发表《从海量数据到智能运维，构筑能源 Data+AI 新基座》主题演讲，分享了 KaiwuDB 在新型储能数据底座建设与 AI 融合的创新实践。

KaiwuDB 唐仲发表主题分享

当前，在"双碳"目标与新型电力系统建设双重驱动下，我国新型储能产业迎来爆发式增长。同时，国家在政策层面将新型储能列入"新兴支柱产业"并进一步提出"着力构建新型电力系统"、"大力发展新型储能" 等重大部署，储能产业正从规模化增长迈向高质量发展新阶段。

会上唐仲表示："随着新型储能产业的爆发式增长，海量、高频、多源的储能运行数据成为核心生产要素，也对底层数据基座提出了严苛要求。储能电站百万级测点每秒会产生数十万条时序数据，涵盖设备状态、能量流转、环境监测等多维度信息，传统数据库已难以应对高并发写入、实时分析、多模数据融合及 PB 级历史数据长期存储的核心需求。KaiwuDB 作为一款分布式多模数据库，我们构建"时序+多模+AI"的一体化技术底座，刚好可以解决产业快速发展带来的数据管理痛点。"

高性能时序数据处理：

KaiwuDB 时序引擎可实现千万记录/秒稳定写入、毫秒级查询，至高 30 倍数据无损压缩，可用于替换 InfluxDB 等主流传统时序数据库，高效支撑海量时序数据全生命周期管理。

一库多模，化繁为简：

KaiwuDB 以一套库代替时序 + 关系两套数据库，**简化架构、降低部署及运维成本，打破储能场景异构数据割裂的难题，为综合能源管理、调度优化提供统一数据支撑。

AI-Ready，智能运维：

库内 AI 模型算子化内嵌，支持 SQL 直接调用异常检测、寿命预测、容量预估等推理能力；同时结合了 LLM for DB 技术，覆盖数据库部署、查询优化、自治运维、数据分析全流程，大幅降低运维成本、提升运行效率。

截至目前，基于 Powered by KaiwuDB 的能源解决方案已在储能、风电领域规模化落地：支撑国网某省分布式储能聚合管理平台百万级测点毫秒级采集、PB 级数据高效存储，实现了光伏 100% 消纳 ，供电可靠性达 99.999% ；支撑某大型风电企业新一代SCADA系统，应对日均 1 亿 + 条风机数据爆发式增长，查询性能提升 20 倍以上 ，运维成本降低 30%，显著提升风电场发电效率。

未来，KaiwuDB 将持续深耕能源与新型储能领域，以分布式多模架构与原生 AI 能力为核心，不断优化适配储能场景的技术与解决方案，打造更具竞争力的 Data+AI 技术基座，助力产业突破数据管理瓶颈，加速智能运维与数据价值挖掘。

摘要：瓴岳科技原数据平台基于 Hive 与 StarRocks、Spark 多引擎协同架构，随着数据规模增长，在性能与易用性上逐渐面临瓶颈。通过引入阿里云 SelectDB，构建湖仓一体化探索分析平台，在无需迁移数据的前提下实现对 Hive 数据湖的透明加速，显著提升查询性能并简化架构，完成从多引擎协同向统一分析平台的升级。

瓴岳科技是一家以大数据与人工智能为核心的数字科技集团，旗下拥有国内产品洋钱罐与印尼市场产品 Easy Cash，致力于为全球用户提供卓越的金融科技服务。截至 2025 年，公司已服务全球超 114 家金融机构，拥有逾 1.81 亿注册用户，累计交易额突破 5400 亿元。

原数据平台采用 Hive 数据湖与多计算引擎（StarRocks / Spark）协同模式，其中 StarRocks 在部分场景中承担查询加速的能力。随着业务全球化与数据规模的迅猛增长，对查询体验及查询性能提出更高要求，原有架构在易用性、查询性能和扩展性方面逐渐暴露出瓶颈。

• 平台接入复杂：原有架构在 Hive 之上提供 StarRocks、Spark 等多套计算引擎供业务方按需选用，但不同引擎间 SQL 方言不统一、最佳实践差异大，且查询结果一致性难以保障，导致用户接入使用过程复杂。
• 查询性能受限：尽管平台已经将跨计算引擎兼容的查询自动路由至 StarRocks 进行加速，但核心探索分析场景下，复杂查询的 P95 响应时间仍高达 300 秒，严重制约数据探索效率与业务决策速度。
• 数据处理链路维护难：数据导入导出过程依赖独立的物理机资源，需通过额外的数据 ETL 工具，对大量数据进行多轮加工处理，整体链路维护复杂且存在单点故障风险。
  
  因此，团队目前亟需构建一个能够兼容现有 Hive 生态的统一查询入口（即屏蔽底层多引擎差异，统一以 Hive SQL 作为访问方式），又能提供较 StarRocks 更优的极速查询体验，以支持洋钱罐团队从数据探索到可视化分析的全球一体化探索分析平台演进。

为什么选择阿里云 SelectDB？

2025 年 3 月，在评估多个技术方案后，瓴岳科技团队最终将SelectDB 全新湖仓一体架构确定为核心破局方案。其不仅在查询加速能力上更胜于 StarRocks，更从架构层面实现统一查询入口与数据湖能力的全面释放，提供了面向数据湖的统一分析能力。其核心能力主要体现在：

• Hive 透明加速能力：SelectDB 通过 Hive Catalog 直接对接 Hive 数据湖，无需任何数据迁移；同时高度兼容 Hive SQL 方言，查询结果与原引擎保持一致。使平台在不改变数据存储形态的前提下实现统一查询入口与业务无感切换，从而实现数据不动、查询升级。
• 极致查询性能：基于对 Hive 的高度兼容性，更多业务查询可无缝路由至高性能的 SelectDB 计算引擎。在无需额外数据导入的前提下，相较原有 StarRocks 架构进一步释放查询性能，支撑高频交互式分析场景，平台整体查询效率可实现大幅提升。
• 湖仓一体与存算分离：云原生存算分离架构与湖仓数据互通能力，使数据持续沉淀于 Hive，而计算统一收敛至 SelectDB，形成统一的湖仓分析架构，既能灵活应对业务峰谷，也显著降低数据链路复杂度与运维成本。

基于以上优势，团队正式立项引入 SelectDB。在落地过程中，为确保平滑过渡，我们构建了完整的线上 SQL 回放与结果一致性验证体系，并与 SelectDB 技术团队紧密协作，针对 Hive Catalog 的查询性能与兼容性进行了深度优化。历经两个月开发与两周灰度测试，新平台已在国内和印尼两地全面上线。

阿里云数据库 SelectDB 植根于开源 Apache Doris 的坚实基础，深度融合云随需而用的特性，依托阿里云基础设施，构建起云原生存算分离的全新架构，面向企业海量数据的实时分析需求，提供极速实时、湖仓融合统一、简单易用的云上数仓服务。扫码免费体验：

基于 SelectDB 全新探索分析平台

新平台的核心是基于 SelectDB 云服务搭建的存算分离架构。计算层由 SelectDB 替换原有 StarRocks，作为统一的高性能查询引擎，存储层则继续沿用 Hive。通过 SelectDB 的 Hive Catalog 功能，实现了对 Hive 数据的“所见即所得”查询，无需复杂的数据同步。

新平台架构清晰覆盖数据全生命周期，具体可分为以下三层：

• 数据导入：优化 CSV 导入流程，从依赖物理机与 Hive 命令的复杂链路，转变为数据直传对象存储（OSS），由 SelectDB 通过 INSERT INTO SELECT 方式高效写入 Hive，实现服务与物理机解耦，并支持 K8s 弹性伸缩。
• 数据查询：统一查询语言为 Hive SQL，并构建智能自动路由策略。路由基于函数兼容性判断、集群负载情况及表扫描量（超过 5TB 则保护性回退）三个核心策略，使查询路由比例从 60%提升至 95%，是探索分析整体性能提升的关键。
• 数据导出：利用 SelectDB 的 OUTFILE 功能，将原先需要创建临时表、手动拆分文件、补全文件头等多步复杂操作，简化为一步到位的导出指令，导出 P95 时间从 300 秒优化至 20 秒。

总而言之，该架构下无需数据迁移即实现资源的弹性伸缩，且数据只在 Hive 中存储一份，省掉耗时且冗余的数据同步过程，极大简化了数据流转链路。目前，SelectDB 集群计算资源超 1000 Core，缓存数据量超 100 TB，日均查询量超 500 万次，P95 响应时间相比之前的 StarRocks 降低 90%+ 至 20 秒。

该方案提供了一种面向 Hive 数据湖的统一分析平台升级路径，可为具备类似数据架构的企业提供参考借鉴。尤其适用于已构建 Hive 数据湖、存在多引擎协同且平台复杂度较高，并面临数据规模持续增长的数据团队，具备良好的通用性与可复制性。

核心实践及优化经验

01 Hive 方言兼容：实现平滑迁移与高效查询

为确保用户无需改变查询习惯，平滑无感迁移至 SelectDB，我们在 Hive 方言兼容性上实施了一套完整方案。

关键措施

在 Hive 方言兼容性方面，我们采取了多项措施，实现了 98% 的 Hive 方言兼容性，为业务无感迁移奠定了基础。

• 函数回测：建立了包含 100+ 个核心用例的回测框架，可在 5 分钟内完成全量运行。该框架确保了开发流程的质量：任何对 SelectDB 修改都需通过修改前后的回测对比，保证每次迭代都正向演进。
• Hive UDF 验证：针对数十个关键业务 UDF，进行了集中的注册兼容性测试与结果验证。结果表明，绝大多数 UDF 可无缝迁移，仅少数涉及 Bitmap 函数或动态参数等高级特性的 UDF 尚待支持。
• 线上 SQL 回放：建立了自动化流程，每天回放前一天的线上 SQL，对比 SelectDB 与 Hive 的执行结果。任何不一致案例都会与 SelectDB 技术团队协同分析解决，提前化解潜在的数据差异风险。
• 标准数据集性能验证：基于线上数千条 SQL 的统计，构建了包含 20 个标准数据集，通过多轮性能验证。最终结果显示，其中约 12 个数据集的性能超越了 StarRocks，并符合上线标准。

底层实现逻辑

SelectDB 通过sql_dialect与serde_dialect核心参数控制方言转换。流程如下：

1. SQL 语句通过SQL dialect发送到sqloglot（一款开源 SQL 转换器）进行方言改写。
2. 改写后的 SQL 会被传送至 SelectDB 的 nereids 进行语法解析。
3. 解析器生成逻辑计划，经优化器转化为物理执行计划，分发至各后端节点（BE）执行。
4. 最终，serde_dialect参数控制结果集的展示格式（如小数位数、布尔值形式等），确保输出符合预期。

通过这两个参数，SelectDB 实现了完整的方案转换逻辑，确保了查询的兼容性和执行效率。

02 智能查询路由：兼顾性能与稳定

1. 在统一入口下，我们设计了三层智能路由策略，在提升性能的同时保障集群稳定：
2. 兼容性判断：优先判断 SQL 中使用的函数或语法是否被 SelectDB 支持。得益于 98%的兼容率，绝大多数查询可直达 SelectDB。不兼容时将进行回退至 Hive on Spark。
3. 资源监控：实时感知 SelectDB 集群负载。在集群繁忙时，将查询自动回退，避免过载。
4. 过载保护：当单表扫描量预估超过 5TB 时，查询将被回退，以保障 SelectDB 集群资源稳定运行。

这些回退策略将在查询日志中明确记录，用户可据此判断当前的集群资源状态或识别不兼容的函数，并进行相应的修改。

通过以上策略的实施，自动路由的上线使我们的路由比例从原先的 60% 提升至 95%。

03 Hive 数据加速，查询性能数量级提升

在 SelectDB on Hive 架构下，我们通过多层缓存机制实现了查询性能的数量级提升，核心场景查询从分钟级缩短至秒级。

缓存机制与配置

目前，集群缓存总容量超过 100TB，命中率长期保持在 90% 以上，这意味着大多数场景都能有效利用缓存资源。而关键配置在于 Hive Catalog 的精细化缓存控制：通过设置不同的 TTL，我们平衡了数据新鲜度与缓存效率。用户也可通过REFRESH命令主动刷新缓存。

CREATE CATALOG hive_catalog PROPERTIES (
    "type" = "hms",
    "schema.cache.ttl-second" = "60",
    "partition.cache.ttl-second" = "0",
    "hive.metastore.uris" = "thrift://127.0.0.1:9083",
    "get_schema_from_table" = "true",
    "file.meta.cache.ttl-second" = "0"
);

以 LDFI 数据为例，我们首先将 Parquet 文件拆分为多个块（Block）。查询时，系统首先在本地磁盘的 LRU 缓存中寻找这些数据块。若命中，则直接返回；若未命中，则从 HDFS 读取，并在查询完成后异步缓存至本地 LRU，供后续使用。

04 全链路优化提速

除此之外，SelectDB 的引入使文件上传、数据导出、DQC 等方面的性能都得到巨大的性能提升，具体来看：

• 在数据导入方面：SelectDB 通过 INSERT INTO hive_table SELECT * FROM OSS_FILE 命令，可将 CSV 经 OSS 直接高效写入 Hive 表，导入 P95 时间从 200 秒优化至 30 秒。
• 在数据导出方面，利用 SelectDB 原生的OUTFILE功能，将此前繁琐的导出流程（涉及创建临时表、手动拆分文件、补全表头等）简化为一步指令，使导出P95 时间从 300 秒降至 20 秒。
• 在数据质量检查上（DQC）上，SelectDB on Hive 通过任务分组与并发控制，高效调度大量校验任务，使 DQC 任务执行 P95 时间从原来的 2600 秒（约 43 分钟）骤降至 25 秒，提升超百倍。同时，为避免超大校验任务挤占集群资源，设计了降级方案，可自动切换至 Spark 引擎。

结束语

通过引入阿里云 SelectDB 构建新一代探索分析平台，不仅实现了性能的显著提升，更完成了从“多引擎协同 + 查询加速”到“湖仓一体 + 统一分析平台”的关键演进。成功构建了一个兼容现有生态、查询极速、体验流畅的全球一体化探索分析平台。未来，瓴岳科技将会进一步探索 SelectDB 的能力：

• 应用异步物化视图：

  • 面向报表与看板场景，提供开箱即用的数据集加速能力，极大提升查询性能。
  • 依托 SelectDB 内置智能调度引擎，实现增量数据的自动化、定时化更新，保障数据时效性。
  • 支持自动查询路由，用户查询无需改写即可命中最优物化视图，实现透明加速。

• 推行 Serverless：

  • 通过 Serverless 产品形态，实时应对业务流量潮汐，实现资源秒级按需分配，显著降低成本。
  • 面向高优先级批处理任务，通过自动资源扩容，保障大数据量作业稳定高效完成，提升平台 SLA。

• 探索 AI 应用：

  • 在 ChatBI 场景探索向量混合检索，增强自然语言交互的数据探索能力与智能水平。
  • 在 Data Agent 领域集成 SelectDB MCP，打造基于统一数据服务的智能体生态，赋能自动化分析与决策。

随着全球数字化建设的不断推动，数字政务建设逐渐深入人心，政务服务网站成为群众办事、信息发布和数据共享的主要窗口。但也正因如此，政务网站承载着大量公民个人隐私信息，企业法人信息以及政务部门内部敏感文件等。一旦网站出现安全纰漏，导致大量数据被窃取或者丢失，引发的后果将不可想象。因此多年来，全国多地的政务服务网站因安全配置不当，防护能力不足而遭到通报，甚至出现网站被网络黑客成功入侵的安全事故。因此，政务服务网站的建设配置标准一路提升，安全问题首当其冲，SSL证书已经成为政务网站的安全标配。

政务网站选取SSL证书的严格标准

实现组织级身份验证：政务网站具有权威性，需明确向用户表明为真实政务机构，而非仿冒网站。因此，至少需要OV级证书，理想情况下使用EV证书，在浏览器地址栏突出政务单位全称，提升公信力与权威性。
满足国产密码合规要求：根据《密码法》安全评估要求，政务网站需优先采用国密算法（SM2）证书。仅支持RSA算法的证书将被判断不符合。证书支持国密算法或采用国密+国际双算法方案，才满足合规需求。
兼容各类终端与浏览器：政务网站访问者包含大量老旧系统的用户，证书只有具备优秀的兼容性，才能在各种系统、终端和浏览器上正常运行。
CA具备快速响应能力：当证书到期或私钥泄露，政务服务网站将面临服务中断危机，影响极大。证书服务商需支持7x24小时的技术服务，及时完成证书吊销、部署和续签等工作，保障政务网站稳定运行。

不适合政务服务网站的SSL证书类型

仅支持RSA算法证书：不支持国密算法，无法满足国密合规要求，无法通过密评。
无本土化服务证书：部分国际证书仅支持邮件工单，响应慢，影响政务部门的业务连续性。
免费证书：有效期90天过短，需频繁续期；且免费证书无组织验证，无法建立政务部门的身份信任。

国内外主流SSL证书品牌对比剖析

Certum：波兰最大的CA，欧盟信任列表成员，提供EV证书，价格亲民。但针对国内政务网站支持较弱，老旧系统的根证书预置缺失，且无中文售后服务。

沃通：国内较早支持国密的SSL证书厂商，支持国密算法，OV/EV证书支持政务网站密评改造。但由于曾经被浏览器信任库移除，导致政务单位接受度产生影响。

JoySSL：国密+国际双证书方案既满足兼容需求，又满足合规需求。支持7x24小时技术服务，可快速响应，处理紧急故障，符合政务服务网站安全需要。

灵活选型 保障政务数据安全流转

政务服务网站的SSL证书选型，绝非简单的安装部署即可，而需综合考虑身份验证强度、是否合规、终端兼容表现以及应急服务能力等多种因素。无论是国际品牌还是国外品牌，都存在各自的优势与缺陷。综合来看，政务部门的证书选型更偏向于国内，毕竟合规是绕不开的前提。在此条件下，综合品牌信誉与证书价值进行选择，方能有效保障政务数据在安全通道中流转。

原文链接：https://tecdat.cn/?p=45512
原文出处：拓端抖音号@拓端tecdat

关于分析师

Dawei Zhou
麦吉尔大学计算机科学与统计专业。熟练使用Python、R、SQL、C、stata、Wind数据分析软件，专注于金融、数理统计领域。擅长从复杂数据中提炼产业链投资逻辑，曾参与多家物流科技企业的商业化路径设计。

• • *

引言：无人物流车真的来了，而且比你想的要快

如果你在中山火炬开发区看到一辆没有驾驶舱、贴着“顺丰”标志的白色小车平稳驶过，不必惊讶——那是中山市首批功能型无人物流车正式上路了。3月18日，4条示范线路、22.4公里总里程，白犀牛、九识、新石器三家L4级企业携手顺丰、邮政，让“快递由无人车送到驿站”成为现实。

这不是遥远的概念，而是正在发生的成本革命。2025年中国快递业务量预计突破1900亿件，末端配送成本却依然占整个物流费用的50%以上。当一辆裸车价不到2万元的无人车，能把单票配送成本从0.21元打到0.08元，降幅超60%——这意味着什么？意味着一个快递网点老板，一年就能省下一辆奥迪A6的钱。

信息图表：无人物流_开场主题锚定_信息图表1

无人物流_开场主题锚定_信息图表1数据EXCEL及图表PDF模板已分享到会员群

分析：这张图用闭环箭头揭示了无人物流车爆发的三大驱动力——政策路权开放（200+城市）、L4技术成熟（事故率1.5次/万公里）、整车成本下降（裸车1.98万元）。三要素形成正向循环：路权让企业敢投入，技术降低了事故风险，成本让网点算得过账。角落“成本高昂、短期难商业化”的误区被三个箭头同时否定——行业已跨过示范试点，进入规模化前夜。

本文洞察基于东吴证券《无人物流专题：万事具备，爆发元年》和长江证券《物流行业迎来无人技术的“DeepSeek时刻”》以及文末180+份物流与无人驾驶行业研究报告及数据，本文完整研究报告数据图表和文末180+份最新参考报告合集已分享在交流群，阅读原文查看、进群咨询，定制数据、报告和900+行业人士共同交流和成长。

• • *

核心结论：三个数据看懂无人物流“为什么是现在”

1. 成本奇点已至：无人物流车单票配送成本从0.21元降至0.08元，降幅超60%，比人工便宜一半以上。
2. 政策全面松绑：全国超200个城市开放路权，杭州、北京等地率先立法，无人车上路不再“偷偷摸摸”。
3. 技术成熟度跃升：L4级自动驾驶在限定ODD（设计运行域）和低速场景下事故率低至1.5次/万公里，远程人车比可达1:120。

无人物流已从“示范试点”跨入“规模化商用”前夜，整车销售+软件订阅的双轮驱动模式将在未来3年催生千亿级市场。

信息图表：无人物流_焦虑破局认知反转_信息图表2

无人物流_焦虑破局认知反转_信息图表2数据EXCEL及图表PDF模板已分享到会员群

分析：这张图直接回答物流人最焦虑的问题——“无人驾驶到底能不能真降本？”左侧：单件配送成本0.21元→0.08元，降幅超60%；右侧：无人叉车渗透率1.66%→3.17%，三年翻倍。中间红叉否定“无人车不如人工划算”的错误认知。底部左右分栏用具体场景数据（支线物流2025销量超3万辆、末端配送月运营成本2130元 vs 司机月薪6500元）证明经济性。核心信息：成本拐点已到，不需要再观望。

• • *

一、政策红利全解读：路权从“奢侈品”变成“日用品”

2021年5月，北京高级别 自动驾驶 **示范区为京东、美团、新石器颁发国内首批无人配送车编码，这是中国无人配送车第一次获得合法路权。此后，政策开放速度远超行业预期。截至2025年6月，已有103个城市开放无人物流车路权试点，覆盖超过80%的主要物流节点城市。

解读：路权不再是稀缺资源，而是地方争夺“智慧物流示范城市”名片的筹码。
对应人群行动建议：

• 中小企业主：优先选择已开放路权的城市进行试点，节省3-6个月的牌照申请周期。
• 品牌方：可联合无人车企业向当地政府申报“绿色配送示范项目”，争取补贴与路权优先。

值得注意的是，杭州在2024年5月率先为低速无人车立法，开放全市八城区3474平方公里测试区域。这种“区域示范→全国推广”的路径，让无人车企业能够像连锁店一样快速复制运营网络。新石器目前已获得超过250个地市公开道路路权，九识智能则在29个省份常态化运营。

• • *

二、行业景气度基本面：销量、渗透率、成本三线共振

2.1 无人物流车：从百台试用到万台交付

国泰海通证券预测，2024年中国无人物流车销量仅0.6万辆，2025年将飙升至3.26万辆，2030年达到60万辆。这个增长曲线的陡峭程度，与十年前智能手机普及率爆发如出一辙。

无人物流_销量预测_折线图表1

无人物流_销量预测_折线图表1数据EXCEL及图表PDF模板已分享到会员群

九识智能2024年交付2500台，2025年Q1订单同比增长4倍；新石器2024年交付1030台，2025年目标1.5万台。支撑这种量级跃迁的，是整车成本的断崖式下降——九识E6裸车价仅1.98万元，新石器X3包含5年FSD服务费也仅14.5万元。

本文节选自拓端发布的《专题：2025无人物流报告：爆发元年、降本增效与产业链机遇》，如需获取全文内容，可进入拓端官网搜索查看。

无人物流_市场规模_横向条形图表2

无人物流_市场规模_横向条形图表2数据EXCEL及图表PDF模板已分享到会员群

长江证券测算，以可替代的存量商用车1200万辆为基数，假设渗透率分别为10%、30%、50%，对应整车销售规模188亿、565亿、941亿元。解读：这不是“远期愿景”，而是未来3-5年可见的确定性增量。品牌方：可提前与无人车企业签订年度框架协议，锁定低价产能。

• • *

相关文章

2026AI医疗行业专题报告：智能医疗器械、手术机器人、脑机接口、可穿戴设备|附240+份报告PDF、数据、可视化模板汇总下载

原文链接：https://tecdat.cn/?p=44979

• • *

2.2 无人叉车：制造业的“隐形降本利器”

天风证券数据显示，中国无人叉车出货量从2019年的2700台增至2023年的1.95万台，渗透率从0.44%提升至1.66%，预计2025年将达3.9万台，渗透率3.17%。

无人物流_无人叉车销量渗透率_双轴图表3

无人物流_无人叉车销量渗透率_双轴图表3数据EXCEL及图表PDF模板已分享到会员群

背后的推动力是价格腰斩。2018年一台无人叉车均价60万元，2023年降至20万元，2027年有望跌破18万元。解读：对中小制造企业而言，1.3年即可收回投资（替换2-3名叉车司机，年省人力20万元）。创业者：可考虑提供“无人叉车租赁+按吨计费”的轻资产服务，切入中小工厂市场。

无人物流_无人叉车均价_折线图表4

无人物流_无人叉车均价_折线图表4数据EXCEL及图表PDF模板已分享到会员群

技术路线上，SLAM自然导航已成为绝对主流，2023年占无人叉车销量的75%，彻底淘汰了需要预埋磁钉或反射板的旧方案。这意味着无人叉车部署周期从数周缩短到数小时，柔性生产成为可能。

无人物流_SLAM导航占比_圆环图表5

无人物流_SLAM导航占比_圆环图表5数据EXCEL及图表PDF模板已分享到会员群

信息图表：无人物流_概念拆解价值分层_信息图表3

无人物流_概念拆解价值分层_信息图表3数据EXCEL及图表PDF模板已分享到会员群

分析：这张图聚焦“如何选对技术路线”。左上角红框标注核心概念“SLAM自然导航技术”，中心问题是“我的企业如何获益？”左右分栏给出答案：左侧高风险区——传统人工叉车、高精地图依赖方案、低价低质AGV；右侧高价值区——无人叉车AMR、轻地图+多传感器融合、硬件低价+软件订阅。底部箭头指明方向：从重资产购买转向订阅制。中小企业主别再买需要预埋磁钉的旧款AGV，直接选择支持“轻地图+订阅制”的AMR供应商。

• • *

三、产业链投资图谱：从“大脑”到“手脚”的价值分配

我们把无人物流产业链拆解为三个核心环节，并按投资优先级排序：

A股选股核心逻辑：

• 杭叉集团（603298） ：传统叉车龙头转型智能物流，2024年智能物流营收增长近80%，收购国自机器人补齐AMR技术。
• 安徽合力（600761） ：与华为、顺丰、京东深度合作，智能物流业务2025H1同比+59%，布局具身智能。
• 中力股份（603194） ：电动仓储叉车市占率第一，投资睿芯行、科钛等核心技术公司，6月将发布带机械手的具身物流机器人。

预期差：市场普遍认为无人车企业短期难以盈利，但东吴证券测算当累计销量达到4万辆时，单车利润即可转正；达到10万辆时净利率达29%。九识智能2025年目标交付1万辆，新石器冲刺1.5万辆，头部企业正在快速逼近盈亏平衡点。

• • *

四、细分赛道 深度 **拆解：快递末端 vs 工厂内部物流

4.1 快递末端配送：顺丰+新石器验证“人机协同”

传统模式：网点→快递员→驿站，单票成本0.21元。
无人车模式：转运中心→无人车→驿站，单票成本0.10元，降幅52.4%。

无人物流_单票成本对比_灰底条形图表6

无人物流_单票成本对比_灰底条形图表6数据EXCEL及图表PDF模板已分享到会员群

顺丰已在湖南、郑州等地规模化部署新石器X3，单车每月节省人力及燃油成本约1000元，效率提升30%以上，且支持夜间作业。解读：加盟制快递网点老板应重新算账——一台5万元的无人车，一年省下的司机工资就能回本。行动建议：加盟商可联合几家网点共用一台无人车，分摊成本。

信息图表：无人物流_案例验证流程拆解_信息图表4

无人物流_案例验证流程拆解_信息图表4数据EXCEL及图表PDF模板已分享到会员群

分析：左右对比结构验证“人机协同”模式。左侧传统思维——“无人车投入大、维护复杂，不如多雇司机”，结果人力成本上涨、效率瓶颈。右侧核心新思维——“人机协同：无人车干线接驳，快递员专注上门服务”，以顺丰+新石器X3拆解4步流程：转运中心装货→L4自动驾驶至驿站→驿站人员卸货→自动返程充电。底部量化结果：单票成本0.21元→0.10元，降幅52.4%，单车每月节省约1000元。这不是空谈理论，而是已被头部企业验证的可复制流程和真实收益。

4.2 工厂内部物流：无人叉车从“可选项”变“必选项”

以汽车制造、3C电子为例，一条产线原本需要3-4名叉车司机三班倒，年人力成本超过30万元。部署一台无人叉车（20万元）后，1.3年即可收回投资，后续每年净省15-20万元。加上无人叉车可以24小时作业，综合流转效率提升30%-50%。

• • *

五、预期差挖掘：市场低估了“软件订阅”的利润弹性

很多人把无人物流车看作“硬件生意”，但头部企业的真实盈利模型是“硬件贴成本卖，靠软件订阅赚钱”。九识智能E6裸车1.98万元，但FSD（完全自动驾驶）服务费1800元/月；新石器X6打包5年FSD售价15.5万元，平均每年3.1万元。

东吴证券测算：当销量达到5万辆时，单车利润可达4.3万元，净利率40%+。解读：这已经不是卖车，而是卖“运力即服务”（TaaS）。对应人群：产业资本应关注具备数据闭环能力的软件平台，而非单纯制造企业。

另一个预期差：市场认为无人车只能在快递末端使用，但实际已拓展到商超补货、社区团购、医药冷链等场景。新石器订单中超过50%来自非快递场景，预计2026年该比例将提升至70%-80%。

• • *

六、风险提示与应对方案

风险1：路权政策反复或地方保护主义

具体应对方案：优先选择已立法（如杭州、北京）或拥有国家级示范区的城市部署；与当地邮政管理局共建示范线路，绑定政府KPI。
社群支持：交流群内每周更新全国路权开放地图，并提供地方对接资源。

风险2：无人车事故导致舆论收紧

具体应对方案：购买不低于300万元的第三方责任险；采用“远程安全员+车端冗余”双保险；初期在封闭园区或低风险路段运营。
社群支持：可咨询定制化的保险方案与安全标准文档。

风险3：技术路线突变（如纯视觉替代激光雷达）

具体应对方案：选择支持“轻地图、多传感器融合”方案的供应商（如九识、新石器均已在2025H2切换至轻图模式）；硬件采购保留可升级接口。
社群支持：交流群内分享主流厂商技术路线图更新。

• • *

七、可落地的3件事（行动清单）

1. 下周可做：盘点公司半径20公里内的转运中心与驿站，计算日均包裹量，若超过2000件/天，立即联系无人车企业申请3个月免费试运营。
2. 下月可做：参加至少一场无人物流路演（如新石器、九识的招商会），重点关注“城市运营商”加盟政策，抢占本地独家代理。
3. 下季度可做：联合本地3-5家快递网点，共同采购5-10台无人车，成立区域运力共享平台，摊薄运维成本，争取政府新能源物流补贴。

信息图表：无人物流_行动指南建议清单_信息图表5

无人物流_行动指南建议清单_信息图表5数据EXCEL及图表PDF模板已分享到会员群

分析：这张图将全文分析浓缩为三条可立即执行的行动建议。每条遵循“否定错误做法→明确正确方向→核心结论”结构。建议一：不要盲目购买高价无人车，先租赁/订阅试点，3-6个月验证ROI，单票成本0.10元。建议二：不要再依赖人工叉车+高精地图，部署SLAM无人叉车+订阅，投资回收期1-1.5年，人力成本降70%。建议三：不要单打独斗自研无人驾驶，与新石器/九识合作，共享路权与数据，快速规模化。适合截图保存，作为企业引入无人物流的第一步检查清单。

• • *

八、数据汇总表与参考报告目录

获取文末所有报告数据，进交流群，加小助手微信号：tecdat_cn

核心数据表格（基于报告提取）

本专题内的参考报告（PDF）目录

通渠有道：2024年园区物流无人驾驶行业研究报告.pdf

军工&交运行业：需求、技术、政策共振，无人化物流发展正当时.pdf

无人叉车行业深度： AI 驱动无人叉车技术持续发展，智慧物流有望迎来快速发展期.pdf

2025物流无人车商业落地现状、应用场景、市场规模及重点企业分析报告.pdf

东吴证券：无人驾驶深度之一：无人物流专题：万事具备，爆发元年.pdf

低速无人行业系列研究报告之二：无人物流行业兴起，无人叉车企业或充分受益.pdf

无人系列专题报告（一）：智慧物流东风起，无人叉车晓将至.pdf

长江证券-物流行业迎来无人技术的“ DeepSeek 时刻”.pdf

天风证券：机械设备：无人叉车：智造升级引擎，物流变革新支点.pdf

具身智能产业深度研究（六）：物流无人车从快递起步，迈向城市配送星辰大海.pdf

无人叉车进入加速渗透期，厂商积极布局智能物流.pdf

市场洞察：从“最后一公里”到“城市级运力”，无人物流车迎来产业化窗口期.pdf

智能物流行业专题报告：AI赋能物流新变革，无人叉车引领智能升级.pdf

印度的新时代物流革命：无人机配送，冷链，和超本地化解决方案.pdf

南疆喀什自营仓整合营销方案【仓储物流】.pdf

2025货主企业绿色物流CATI指数评价报告.pdf

国家发改委：2025社会物流统计调查制度.pdf

交通运输行业：地缘冲突下的能源变局与煤炭物流机遇.pdf

交通运输行业：地缘冲突下的能源变局与煤炭物流机遇.pdf
2026-04-09 16:10
印度的新时代物流革命：无人机配送，冷链，和超本地化解决方案.pdf
2026-03-26 16:44
2025中国跨境电商物流行业研究-灼识咨询.pdf
2026-03-21 17:12
中物联医药物流与供应链分会：2026医疗机构中药制剂市场分析报告.pdf
2026-03-20 15:41
DHL：2026年全球物流报告（英文版）.pdf
2026-03-20 15:38
印度的新时代物流革命.pdf
2026-03-20 15:35
罗戈网：2026LOG中国供应链物流创新科技报告.pdf
2026-03-13 15:47
市场洞察：从“最后一公里”到“城市级运力”，无人物流车迎来产业化窗口期.pdf
2026-03-12 16:04
网经社：2025年度中国物流科技投诉数据与典型案例报告.pdf
2026-03-10 16:23
南疆喀什自营仓整合营销方案【仓储物流】.pdf
2026-03-03 14:53
顺丰控股公司深度研究：厚积薄发，综合物流龙头开启新成长-国海证券.pdf
2026-03-02 16:08
零排放货运行动：全球物流排放理事会物流排放核算与报告框架V3.2中文版.pdf
2026-03-01 10:10
2024年全球物流排放理事会：物流排放核算与报告框架V3.2.pdf
2026-02-04 16:36
安徽交控迅捷物流园区招商手册.pdf
2026-02-04 16:31
国防军工行业空天系列：星舰量产驱动学习曲线重现，降本规模有望重新定义全球物流.pdf
2026-02-04 16:27
国家发改委：2025社会物流统计调查制度.pdf
2026-01-30 16:02
2025年未来航空货运设施愿景：通过技术和创新重塑物流.pdf
2026-01-25 12:34
新兴市场的绿色物流创新：驱动竞争力与共享价值.pdf
2026-01-22 19:40
2026年冷链物流服务模式升级技术驱动、需求拉动与政策赋能的多维分析报告-先见AI.pdf
2026-01-22 12:05
2025货主企业绿色物流CATI指数评价报告.pdf
2026-01-13 17:25
为什么选择波兰-2025波兰工业和物流房地产市场投资指南.pdf
2026-01-11 09:32
2025年物流品牌25强.pdf
2026-01-09 17:01
中国数联：2025中国物流数据发展白皮书.pdf
2026-01-06 16:00
戴德梁行：2025第三季度大中华区物流地产市场回顾报告.pdf
2026-01-06 08:43
2025年美国零售与消费者物流满意度报告.pdf
2025-12-18 14:46
新兴市场的绿色物流创新：驱动竞争力与共享价值洞察报告.pdf
2025-12-17 16:19
2025年中国第三方物流行业市场研究报告.pdf
2025-12-14 08:27
2025年中国跨境物流行业市场研究报告.pdf
2025-12-12 17:01
即时配送行业：万物皆可即时达，配送物流迎机遇.pdf
2025-12-10 16:54
中国AOPA：2025中国低空物流产业链名录.pdf
2025-12-05 16:47
企业竞争图谱：2025年智能物流车 头豹词条报告系列.pdf
2025-12-02 17:39
具身智能产业深度研究（六）：物流无人车从快递起步，迈向城市配送星辰大海.pdf
2025-11-30 09:11
2025年智慧物流的目标、主要内容和场景研究报告.pdf
2025-11-19 15:26
弘人网络：2025年智能制造行业物流与供应链数字化转型白皮书.pdf
2025-11-15 15:12
2025年第三季度全国物流地产市场报告-物联云仓.pdf
2025-10-27 16:15
探迹科技：2025年跨境物流行业发展趋势报告.pdf
2025-10-23 16:25
2025年冷链物流行业研究报告-硕远咨询.pdf
2025-10-20 15:04
戴德梁行：2025年第二季度大中华区物流地产市场回顾报告.pdf
2025-10-09 08:10
2025年信息、零售和物流杂志：用人工智能塑造未来报告（英文版）.pdf
2025-09-19 16:50
天风证券：机械设备：无人叉车：智造升级引擎，物流变革新支点.pdf
2025-09-18 16:27
低速无人行业系列研究报告之二：无人物流行业兴起，无人叉车企业或充分受益.pdf
2025-09-12 16:29
荣续ESG智库：2025年零碳物流园区发展白皮书.pdf
2025-09-10 15:32
无人叉车进入加速渗透期，厂商积极布局智能物流.pdf
2025-09-03 16:44
2025年华中区域物流地产市场报告-物联云仓.pdf
2025-09-01 16:35
_印孚瑟斯Infosys：2025年全球物流行业展望报告（英文版）.pdf
2025-08-26 16:59
中国高标仓物流市场报告2025年上半年.pdf
2025-08-25 16:29
港口物流园区解决方案（58页）.pdf
2025-08-23 17:13
智慧物流园区项目建设方案（65页）.pdf
2025-08-23 17:11
机械设备-机械设备专题研究：机器人重构万亿物流仓储产业链-华泰证券.pdf
2025-08-22 16:25
中国物流与采购联合会：2025年货车司机从业状况调查报告.pdf
2025-08-08 16:09
2025年低碳供应商（物流）评价报告v1.0.pdf
2025-08-05 15:29
智能物流仓储：智算驱动下的物流革命，仓储系统进入跃迁期 头豹词条报告系列.pdf
2025-08-05 15:27
2025年郑州市物流地产市场报告-物联云仓.pdf
2025-08-04 14:54
2024年从货架到消费者：无缝物流的实践艺术研究报告（英文版）.pdf
2025-07-31 16:49
上海冷链协会：2025年新质冷链物流发展白皮书.pdf
2025-07-29 17:09
2025年第二季度全国物流地产市场报告.pdf
2025-07-28 16:20
2025年中国仓储物流市场年中回顾与展望.pdf
2025-07-28 16:20
交通运输行业深度研究报告：交运低空60系列研究（二十一），低空+物流，新质生产力的经济账怎么算？.pdf
2025-07-25 15:42
无人系列专题报告（二）：无人城配物流，L4级自动驾驶率先落地场景.pdf
2025-07-23 16:22
世邦魏理仕CBRE：2025年欧洲物流租户调查报告（英文版）.pdf
2025-07-22 15:43
长江证券-物流行业迎来无人技术的“DeepSeek时刻”.pdf
2025-07-18 16:33
无人系列专题报告（一）：智慧物流东风起，无人叉车晓将至.pdf
2025-07-18 16:32
人力更新報告運輸及物流業 2025.pdf
2025-07-14 16:16
人力更新报告2025-运输及物流业（繁体版）.pdf
2025-07-11 15:59
无人叉车行业深度：AI驱动无人叉车技术持续发展，智慧物流有望迎来快速发展期.pdf
2025-07-10 16:30
交通物流降本提质增效典型案例（首批）.pdf
2025-07-08 16:52
香港运输及物流局：2025物流业ESG发展路线图（繁体版）.pdf
2025-07-08 16:52
低空经济专题报告：盘点江浙沪皖低空经济建设，重点关注低空物流领域.pdf
2025-07-08 16:49
低空经济专题系列报告四：无人机与低空物流：拥抱无人物流时代.pdf
2025-07-06 08:29
戴德梁行：2025第一季度大中华区物流地产市场回顾报告.pdf
2025-07-04 16:26
2025年一季度中国非保税高标物流地产市场概览-仲量联行.pdf
2025-06-30 15:10
2025年第一季度长三角城市群非保税高标物流地产市场概览.pdf
2025-06-30 15:03
2025年第一季度京津冀城市群非保税高标物流地产市场概览.pdf
2025-06-30 15:03
2025年第一季度珠三角城市群非保税高标物流地产市场概览.pdf
2025-06-30 15:03
2025年第一季度珠三角城市群非保税高标物流地产市场概览报告.pdf
2025-06-27 16:40
智能物流行业专题报告：AI赋能物流新变革，无人叉车引领智能升级.pdf
2025-06-27 16:30
交通运输行业2025中期策略报告：供给加速出行反转，科技重塑物流格局.pdf
2025-06-26 16:45
2025物流无人车商业落地现状、应用场景、市场规模及重点企业分析报告.pdf
2025-06-25 16:33
罗戈研究：2025中国低碳供应链&物流创新发展报告.pdf
2025-06-24 15:09
2025年西南区域物流地产市场报告.pdf
2025-06-23 15:42
车路云50人：2025自动驾驶干线物流商用报告.pdf
2025-06-18 15:29
华源证券-无人车行业深度：物流无人车浪潮起，产业变革新机遇.pdf
2025-06-14 16:31
中物联：2025中国电子产业物流发展现状及未来趋势报告.pdf
2025-06-12 15:36
2024年量子计算在交通运输与物流领域的应用研究报告（英文版）.pdf
2025-06-12 15:35
东吴证券：无人驾驶深度之一：无人物流专题：万事具备，爆发元年.pdf
2025-06-12 15:33
马士基（Maersk）：2025年全球物流趋势图谱：十大物流趋势（英文版）.pdf
2025-06-11 16:34
2025年全球电子商务趋势报告：购物行为、物流偏好与市场动态（英文版）.pdf
2025-06-09 13:36
戴德梁行：2025年全球物流与工业地产市场动态报告（英文版）.pdf
2025-06-09 13:33
物联云仓：2025年华东区域物流地产市场报告.pdf
2025-05-23 16:20
安能ane：安能物流2024年度ESG报告.pdf
2025-05-15 16:10
2025年中国电子产业物流发展报告.pdf
2025-05-14 16:36
2025年低碳物流解决方案——碳排放计算汇报研究报告.pdf
2025-05-08 16:04
从人工搬运到智能搬运托盘识别技术引领高效物流.迈尔微视.pdf
2025-05-08 16:00
物联云仓：大数据驱动的数智化仓储物流服务平台.pdf
2025-04-29 16:04
脱碳物流：推动更绿色、更具盈利能力的供应链的技术与策略-GEP.pdf
2025-04-29 16:04
南方顺丰仓储物流REIT价值分析：仓配一体化龙头的REIT首亮相.pdf
2025-04-25 16:01
网经社：2024年度中国物流科技市场数据报告.pdf
2025-04-24 15:48
跨境电商物流行业报告：从干线运输到末端配送，解码跨境电商物流市场战略机遇.pdf
2025-04-23 15:57
2024年粤港澳大湾区物流市场-第一太平戴维斯.pdf
2025-04-14 11:02
军工&交运行业：需求、技术、政策共振，无人化物流发展正当时.pdf
2025-04-11 16:24
第一太平戴维斯：2025年中国物流地产回顾与展望报告.pdf
2025-04-10 16:16
罗戈研究_2025年中国供应链物流科技创新发展报告.pdf
2025-04-08 15:49
智慧多维交运物流行业产业链跟踪研究（一）：AI与大模型时代，智慧交运物流赛道研究框架.pdf
2025-04-04 17:56
2025中国物流与供应链领域AI应用研究报告.pdf
2025-04-03 15:53
机器人行业跟踪报告之五：物流机器人市场空间广阔-光大证券.pdf
2025-03-28 16:26
物联云仓：2024年全国物流地产市场报告.pdf
2025-03-27 14:57
中国物流信息中心：2025年全国物流预警预测报告.pdf
2025-03-25 16:03
智慧物流赋能制造业数字化转型 (30页).pdf
2025-03-25 15:50
2025年Q1物流仓储行业薪酬报告.pdf
2025-03-24 14:37
“AI+”如何为ToB供应链物流赋能.pdf
2025-03-20 14:48
2024年跨境物流市场回顾与趋势研判报告.pdf
2025-03-18 12:42
2025年Q1物流运输业行业薪酬报告.pdf
2025-03-17 14:50
2025年公路干线物流自动驾驶行业研究报告.pdf
2025-03-11 16:30
2024年物流行业中的数据与AI白皮书：战略性地引入人工智能技术（英文版）.pdf
2025-03-11 16:29
慈溪市综合物流园区概念性规划方案（62页）.pdf
2025-03-05 15:27
红桥物流园区现代化信息建设技术方案（123页）.pdf
2025-03-05 15:24
2024Q4长三角城市群物流报告-JLL.pdf
2025-03-03 14:48
2024Q4珠三角城市群物流报告-JLL.pdf
2025-03-03 14:47
2024年度中国物流科技投诉数据与典型案例报告.pdf
2025-02-21 14:47
华源证券-2025年物流行业投资策略：经济修复，物流先行.pdf
2025-02-08 15:05
2024年第四季度物流地产报告.pdf
2025-01-21 15:29
2023年粤港澳大湾区供应链领域标准规则衔接研究报告——以供应链物流为例.pdf
2025-01-14 16:15
高力国际-2023Plus版全球物流仓储库租金报价地图.pdf
2025-01-10 16:32
华税：2025年物流运输行业税务合规报告.pdf
2025-01-04 17:26
城市物流转型.pdf
2025-01-02 14:21
中国餐饮供应链指南2024（冷链物流及设计咨询篇）.pdf
2025-01-01 20:16
2024年新能源与新交通融合赋能物流行业高质量发展报告.pdf
2025-01-01 20:15
2024第三季度大中华区物流地产市场回顾报告.pdf
2025-01-01 20:14
跨境电商平台出海目的地-中东市场-：行业呈现三足鼎立态势，物流和支付是竞争关键.pdf
2024-12-28 16:48
2024新能源城配物流车总使用成本TCU白皮书.pdf
2024-12-25 15:55
交通运输行业专题报告：中国仓储物流园区REITS：迈向智能化升级，发展潜力较大.pdf
2024-12-25 15:44
交银国际证券-物流房地产：电商时代的中流砥柱.pdf
2024-12-25 15:44
中国城市物流竞争力报告（2024）-同济大学.pdf
2024-12-21 17:20
2024中大件跨境物流供应链洞察报告.pdf
2024-12-20 16:21
亿邦智库&西邮物流：2024年中大件跨境物流供应链洞察报告.pdf
2024-12-10 15:57
粤港澳大湾区供应链领域标准规则衔接研究-以供应链物流为例.pdf
2024-12-10 15:53
探迹科技：2024年跨境物流行业发展趋势报告.pdf
2024-12-07 17:18
2024年物流及航运物流行业ESG白皮书.pdf
2024-12-06 16:58
智慧物流装备：智慧物流装备趋于智能化、高效化，成为推动物流行业发展的重要力量.pdf
2024-12-03 15:33
2024物流仓储暨基础设施投资发展报告.pdf
2024-11-30 20:22
2024年全球物流排放理事会：物流排放核算与报告框架V3.1（英文版）.pdf
2024-11-28 16:58
2024年马士基亚太区独家趋势与洞察蓝皮书-锚定2024年亚太区物流的挑战和制胜之道.pdf
2024-11-26 15:56
2024年跨境电商竞争力研究报告-物流企业.pdf
2024-11-26 15:56
通渠有道：2024年园区物流无人驾驶行业研究报告.pdf
2024-11-23 17:15
民生证券-嘉友国际-603871-深度报告：矿产物流出海，还看今朝.pdf
2024-11-23 17:00
2024航空物流行业ESG白皮书.pdf
2024-11-21 15:42
2024年第三季度：京津冀城市群非保税高标物流地产市场概览.pdf
2024-11-20 16:30
2024年第三季度：珠三角城市群非保税高标物流地产市场概览.pdf
2024-11-20 16:30
2024年第三季度中国物流地产市场报告.pdf
2024-11-20 16:30
2024年第三季度中国非保税高标物流地产市场概览-JLL.pdf
2024-11-18 15:18
2024年欧洲电子商务物流市场报告（英文版）.pdf
2024-11-07 16:56
2024从人工搬运到智能搬运_托盘识别技术引领高效物流白皮书.pdf
2024-11-06 15:37
京东物流：5G助力物流数字化转型升级.pdf
2024-11-05 15:54
物联云仓：2024年第三季度物流地产市场报告.pdf
2024-10-18 17:02
2024年物流行业橙皮书-高质量增长：连接型CRM驱动新质生产力.pdf
2024-10-17 15:55
中物联冷链委：2024年冷链物流政策发展演变与趋势研判报告.pdf
2024-10-17 15:41
京津冀物流地产市场的新融合.pdf
2024-10-14 15:41
物流云：构建全球化供应链的数字引擎 头豹词条报告系列.pdf
2024-10-13 15:41
2024中国自动驾驶物流货运产业洞察研究报告.pdf
2024-10-12 15:11
阿里巴巴国际站：半托管物流介绍.pdf
2024-10-11 15:25
天风证券-计算机行业深度研究：数据要素重大变化：助力出海与统一大市场，供应链与物流数据场景有望率先跑通.pdf
2024-10-10 15:09
引航咨询&运满满：2024年长三角光伏产业供应链物流洞察白皮书.pdf
2024-09-28 16:04
中国移动：车联网-物流-活鲜运输物联网解决方案.pdf
2024-09-27 15:54
2024年物流品牌25强.pdf
2024-09-07 16:28
智慧物流园区解决方案-菜鸟.pdf
2024-09-06 16:21
2024年日本仓储物流租户调研报告 -世邦魏理仕.pdf
2024-09-03 16:55
2024第二季度京津城市群物流报告 -仲量联行.pdf
2024-09-03 16:54
东方证券-达达集团首次覆盖报告：“物流+零售”双管齐下，高速成长，扭亏为盈曙光显现.pdf
2024-09-03 16:47
“四港”联动“一网智联”赋能物流降本 增效.pdf
2024-09-02 16:49
中国银河-交通运输行业中企出海专题研究：拥抱物流出海大时代，布局全球供应链体系.pdf
2024-08-30 17:46
华创证券-申通快递-002468-深度研究报告：大物流时代系列-25--量在“利”先的循环已经启动，“反内卷”下更有助于业绩弹性释放.pdf
2024-08-30 17:45
海伯高斯：2024工业机器人方向行业研究报告-物流机器人篇.pdf
2024-08-28 16:50
极智嘉&UPS：2024机器人技术赋能的第三方物流_零售履约的未来研究报告.pdf
2024-08-27 16:30
机器人技术赋能的第三方物流：零售履约的未来.pdf
2024-08-27 16:25
零排放货运行动（ZEFI）：2024全球物流排放理事会物流排放核算与报告框架V3.0.pdf
2024-08-24 16:43
普华永道：2024年上半年中国物流行业并购活动回顾及趋势展望报告.pdf
2024-08-23 15:53
Cargowise：2024开创未来：拥抱物流业数字化转型报告.pdf
2024-08-18 17:26
2024跨境电商物流方兴未艾：布局海外仓需要注意的一些问题-物联云仓.pdf
2024-08-11 19:38
AIoT星图研究院：2024中国RFID无源物联网生态报告之快递物流应用市场分析报告.pdf
2024-08-10 17:03
物联云仓：2024跨境电商物流报告：百舸争流千帆竟，长风破浪正.pdf
2024-08-09 17:33

• • *

如需定制本赛道专属品牌洞察报告/商业决策尽职调查/赛道进入可行性研究/全渠道自媒体分发服务，加小助手微信号：tecdat_cn。