物联网（IoT）的核心在于数据。然而，随着联网设备产生的数据量激增，行业面临的挑战也从单纯的数据收集，转变为如何实时理解和处理数据。不妨想象这样一个场景：您只需像日常对话一样，使用自然语言就能实时查询数据流；而原本晦涩难懂的传感器数据，转眼间就能变成清晰明了的预警提示，直接指导您的下一步行动。
这一愿景正在成为现实。随着 EMQX 5.10.0 的发布，实时数据流与人工智能的融合已进入全新阶段，我们创新性地在可视化流处理引擎中集成大语言模型（LLM）。这将为您的 MQTT 数据流注入 OpenAI GPT、Anthropic Claude 以及任何兼容 OpenAI 的大模型的强大功能。
为什么要将物联网数据流与人工智能相结合？
传统上，将人工智能应用于物联网数据需要复杂且昂贵的工程设计。您必须将数据从 MQTT broker 迁移到单独的平台进行处理，这会给时效性要求高的应用程序带来不可接受的延迟。
EMQX 创新性地解决了这一痛点。通过将 AI 处理能力直接嵌入数据流，您可以构建智能工作流，实时分析、增强和转换 MQTT 消息。这为开发具备实时感知、推理和响应能力的新型应用奠定了基础。
在首个版本中，我们已实现与 OpenAI 和 Anthropic 模型的深度集成。
解锁全新可能：关键应用场景
将大模型融入数据流，可轻松实现过去难以构建的创新应用场景。
智能异常检测：
大模型能够综合分析多字段关联关系，识别复杂异常状态，突破传统阈值告警的局限。
例如：对 {'振动值': 9.5, '温度': 85, '压力': 1.2} 这样的数据进行整体分析，大模型可以智能推断：同一读数中，当振动与温度同时升高时，其风险程度远高于单一指标异常，进而生成精准告警：「紧急告警：设备 XYZ 同时出现高振动与高温，可能存在轴承过载风险」。
实时数据汇总：
将传感器原始、复杂的 JSON 数据自动转换为简洁直观的业务语言，用于仪表板或移动通知。
例如：将原始数据 {"device_id": "device123", "temperature": 38.2, "humidity": 75} 自动转换为「设备 device123 高温告警：温度 38.2°C，湿度 75%」，以此显著提升监控效率。
自然语言数据处理：
通过简单指令完成复杂数据转换。
例如，您可以指示大模型处理包含多个功率读数的 JSON 数据并仅返回总和，从而简化下游分析的数据准备工作。
语义数据分类：
根据消息内容自动对其进行分类和路由。
例如：大模型可以读取设备日志，确定其事件是 INFO、WARNING 还是 CRITICAL_ERROR，并标记消息以便将其路由到不同的系统。
5 分钟快速入门：创建您的首个 AI 驱动流程
无需编写代码，通过可视化 Flow 设计器即可快速构建一个读取传感器数据，并使用 OpenAI 生成易读摘要的数据流。
准备工作：您需要一个有效的 OpenAI API 密钥。
步骤 1：设置数据源
在 EMQX Flow 设计器中，将「消息节点」拖到画布上。配置它以订阅您设备发布数据的 MQTT 主题，例如 sensors/temp_humid。
步骤 2：添加 AI 处理
从处理面板拖拽「OpenAI 节点」到数据源节点。在配置面板中：
输入：选择 payload 将整个 MQTT 消息传递给模型。
系统消息：输入自然语言指令。例如：将设备传感器读数转换为易读的简短摘要。
模型：选择一个 OpenAI 模型，例如 gpt-4o。
API 密钥：安全输入您的 OpenAI API 密钥。
输出别名：为 AI 的输出命名，例如 summary。
步骤 3：重新发布洞察
从输出面板拖出一个「重新发布」节点并将其连接到 OpenAI 节点。配置它并将结果发布到一个新主题中，如「ai/summary」，在「payload」字段中使用刚才创建的别名：${summary}。
步骤 4：部署和测试
连接所有节点并保存流程。
现在，当您向主题发布 JSON 消息时，您将看到该主题上实时「sensors/temp_humid」出现自然语言摘要「ai/summary」。
发布一条测试消息，例如：
{ "device_id": "device123", "temperature": 38.2, "humidity": 75, "timestamp": 1717568000000}
并收到智能摘要：
2024 年 6 月 5 日，ID 为「device123」的设备记录的温度为 38.2°C，湿度为 75%。
突破数据处理边界：高级 AI 功能
EMQX 5.10.0 中的大模型集成超越了简单的数据汇总，您可以实现以下高级功能：
对传入数据流进行分类。
基于复杂模式识别生成告警。
从非结构化传感器日志中提取结构化信息。
根据历史数据模式提供上下文建议。
将技术数据转化为业务友好的分析见解。
性能优化建议
调用大模型处理数据需要一定时间，整个过程大概有几秒到十几秒，具体取决于模型的响应速度。因此，大模型处理节点并不适用于高消息吞吐量（TPS）的场景。
为了获得最佳性能：
选择性地将大模型处理应用于高价值数据。
使用数据过滤仅处理相关消息。
考虑在边缘端聚合多个数据点或消息，然后将它们作为单个 MQTT 消息发送到 broker。
持续监控处理时间并进行相应调整。
拓展能力边界
EMQX 5.10.0 中的大模型集成仅仅是我们 AI 征程的起点。我们正在开发更多 AI 功能，包括：
支持更多大模型供应商。
用于语义搜索的向量嵌入生成。
与主流 AI 框架集成。
增强提示词模板和优化工具。
实时智能：EMQX 的未来
EMQX 与大模型的深度融合，正在重新定义物联网开发的边界。这不仅是一次简单的功能升级，而是一场从底层改变物联网应用开发方式的革命性突破。
我们为开发者打造了直观易用的低代码交互界面，让生成式 AI 的能力可以无缝融入数据流转的每个环节。打造具备真正智能、即时响应和自主决策能力的物联网系统变得前所未有的简单。
准备好利用人工智能激活您的物联网数据了吗？