使用自然语言编写工业数据处理规则：NeuronEX 基于大语言模型的 SQL 生成
对于工业边缘计算领域的 OT 工程师而言，编写数据处理规则一直是一项重大难题。虽然 SQL 语言简洁且功能强大，但仍与工厂团队习以为常的梯形图和 PLC 编程逻辑相去甚远。想要掌握 SQL 语法、窗口函数和复杂聚合操作，会分散更多的时间和精力，影响核心业务进度。
NeuronEX 3.8.0 引入了一项突破性功能：基于大语言模型（LLM）的 SQL 自动生成。现在，工程师可以用自然语言直接描述数据处理需求，AI 助手即可自动生成对应的 SQL 规则，将原本耗时数小时的规则编写过程缩短至几分钟，真正实现让人工智能服务于行业，而不是让行业被动适应人工智能。
传统工业数据处理的三大痛点
技能鸿沟：OT 与 IT 间的语言障碍
工厂工程师精通设备运维和工艺流程，但对 SQL、流计算、窗口函数等 IT 概念相对陌生。
传统解决方案需要：
- 聘请专业的数据工程师编写规则
- OT 工程师花费数周学习 SQL 语法
- 依赖系统集成商提供定制化开发
开发效率低：反复试错的成本
即使掌握了 SQL 基础，编写复杂的流计算规则仍然需要：
- 查阅大量文档（NeuronEX 有 160+ 内置函数）
- 反复调试语法错误（如窗口函数参数、JOIN 条件）
- 测试边界条件（如空值处理、数据类型转换）
一个看似简单的需求（如：检测温度连续 3 次超过 100°C），可能需要数小时才能完成。
维护成本高：规则难以理解和修改
当业务需求变化时（如调整阈值、增加过滤条件），工程师需要：
- 重新理解原有 SQL 逻辑
- 小心修改，避免引入新的错误
- 重新测试所有边界条件
这使得规则维护成为一项高风险、高成本的工作。
NeuronEX 的解决方案：AI 驱动的智能规则生成
NeuronEX 3.8.0 在规则创建页面内置了 AI 问答助手，该助手由 OpenAI GPT、DeepSeek 和 Qwen 等大语言模型提供支持，并与我们的数据处理知识库深度集成，拥有以下技术优势：
- 160+ 内置函数：如
lag()、unnest()、bitand()、collect() - 多种窗口函数的使用场景：
TumblingWindow、SlidingWindow、CountWindow、SessionWindow - 工业数据处理的最佳实践：理解如何处理空值、如何避免数据类型错误、如何优化性能等。
- 多轮对话与迭代优化：通过多轮对话，用户可以持续追问和优化 SQL 规则，直到满足需求。
工作流程：
- 用户使用自然语言描述需求（中文或英文）
- AI 理解业务意图，识别关键要素（数据源、过滤条件、聚合逻辑、窗口类型）
- 自动生成符合规范的 SQL 代码，符合语法规范，包含必要的函数和参数
- 用户可以一键应用，或根据需要进行微调
关键价值：
- 零学习成本：OT 工程师无需掌握 SQL 语法，仅使用业务语言描述即可编写规则。
- 开发效率提升：人工智能可在 5-10 秒内理解需求并生成代码，将开发时间从数小时缩短至数分钟。
- 生产级规则质量：AI 生成的代码符合语法规范，且遵循行业最佳实践，规则错误率降低 90%。
实战案例：从简单到复杂的 5 个场景
场景 1：基础过滤 - 温度超限告警
用户需求（自然语言）：
“我想从数据源 neuronStream 中过滤出温度（temp）超过 100 度的数据”
AI 生成的 SQL：
SELECT *
FROM neuronStream
WHERE temp > 100
业务价值：
- 只上传异常数据，减少 90% 的云端存储成本
- 实时触发告警，无需等待云端批处理
场景 2：时间窗口聚合 - 计算平均值
用户需求（自然语言）：
“如何从数据源 neuronStream 计算 10 秒窗口内的平均温度（temp）？”
AI 生成的 SQL：
SELECT avg(temperature) as avg_temp
FROM neuronStream
GROUP BY TumblingWindow(ss, 10)
业务价值：
- 将高频原始数据（1 秒采样）降维为统计数据（10 秒聚合）
- 数据量减少 90%，云端传输成本大幅降低
场景 3：连续异常检测 - 状态持续监控
用户需求（自然语言）：
“我想从数据源 neuronStream 检测设备温度（temp）连续 3 次超过 100 度的异常情况，如何通过窗口和过滤规则实现？”
AI 生成的 SQL：
SELECT
temp as current_temp,
lag(temp, 1) as prev_temp_1,
lag(temp, 2) as prev_temp_2,
'连续3次高温警报' as alert_type,
event_time() as alert_time
FROM neuronStream
WHERE
temp > 100
AND lag(temp, 1) > 100
AND lag(temp, 2) > 100
业务价值：
- 避免偶发性波动触发误报
- 只在持续异常时触发告警，提高告警准确率
场景 4：状态码映射 - 语义转换
用户需求（自然语言）：
“如何将设备状态码（StatusCode）0、1、2 分别映射为输出字符串 'stopped'、'running'、'fault'？”
AI 生成的 SQL：
SELECT
StatusCode,
CASE
WHEN StatusCode = 0 THEN 'stopped'
WHEN StatusCode = 1 THEN 'running'
WHEN StatusCode = 2 THEN 'fault'
ELSE 'unknown'
END as status_text,
device_id,
timestamp
FROM neuronStream
业务价值：
- 将 PLC 的「机器语言」转换为业务人员可理解的「业务语言」
- 数据离开边缘时已具备完整的业务语义，无需云端二次解析
场景 5：数据精度控制 - 浮点数处理
用户需求（自然语言）：
“温度传感器读数波动较大，我想保留 2 位小数，如何处理？”
AI 生成的 SQL：
SELECT
temp as original_temp,
round(temp * 100) / 100 as temp_2_decimal,
device_id,
timestamp
FROM neuronStream
业务价值：
- 统一数据格式，避免下游系统因精度不一致导致的问题
- 减少数据传输量（精度降低后，JSON 字符串更短）
立即体验
1. 下载安装
Docker 部署：
docker pull emqx/neuronex:3.8.0-ai
docker run -d --name neuronex -p 8085:8085 --log-opt max-size=100m --privileged=true emqx/neuronex:3.8.0-ai
2. 配置 AI 助手
- 进入「系统配置」→「AI 模型配置」
- 选择 LLM 提供商（OpenAI、DeepSeek、Qwen）
- 填写 API Key、Endpoint 地址、模型名称
3. 开始创建规则
- 进入「数据处理」→「规则」→「新建规则」
- 点击「AI 助手」按钮
- 用自然语言描述需求
- 查看 AI 生成的 SQL 代码
- 一键应用或微调
结语
NeuronEX 3.8.0 中基于 LLM 的 SQL 生成功能，实现了边缘计算方式的根本性转变：
- 人工智能不再是技术复杂性的代名词，而是降低一线人员技术门槛的桥梁。
- 随着大语言模型的引入，自然语言正在取代复杂的编码逻辑，成为工业数据规则的主要表达方式。
- OT 工程师能够独立构建数据采集、清洗和转发规则，实现了真正的边缘智能。
我们相信，随着 AI 技术的不断进步，工业数据处理将变得更加直观、高效和便捷。
立即下载 NeuronEX 3.8.0，体验 AI 驱动的智能规则生成：产品下载
了解更多关于 NeuronEX 的智能边缘能力：产品文档