01 — 产品故事
观复知常，
幽理自现
每一条数据背后都有它自己的故事。Tinia 相信，分析的本质不是计算，而是倾听——搭好流程，让隐藏的规律自己浮出水面，让每一次分析决策都可见、可复现、可传承。
名字的由来
Tinia
取自伊特鲁里亚神话中的最高天神，掌管洞察、秩序与边界——他看见一切，却不强加干预，只是让规律自然显现。这和数据分析的本质如出一辙：
不是强行赋予数据意义，而是搭好流程，让隐藏的规律自己浮出水面。
所属产品家族 · 巅峰表现智能工业套件
Tinia · AI + 节点驱动的声学洞察引擎
让每位工程师都能搭建专业声学分析体系
专业节点
37+ 官方声学节点
分析流程
拖拽搭建，秒级运行
技术门槛
零代码，降低 80%
学习周期
1-2 周即可独立操作
部署方式
桌面端 · 离线可用
AI 能力
对话式搭建 + MCP 协作
01 — 产品故事
每一条数据背后都有它自己的故事。Tinia 相信，分析的本质不是计算，而是倾听——搭好流程，让隐藏的规律自己浮出水面，让每一次分析决策都可见、可复现、可传承。
名字的由来
Tinia
取自伊特鲁里亚神话中的最高天神，掌管洞察、秩序与边界——他看见一切，却不强加干预，只是让规律自然显现。这和数据分析的本质如出一辙：
不是强行赋予数据意义，而是搭好流程，让隐藏的规律自己浮出水面。
所属产品家族 · 巅峰表现智能工业套件
02 — 产品哲学
Tinia 不是给传统工具加 AI 功能，而是以 AI 为第一公民、以节点生态为增长引擎、以 DAG 流程为知识载体，重新设计工业声学分析的操作系统。六条原则构成了 Tinia 区别于传统 NVH 工具的核心产品哲学。
可视化流程
节点即逻辑，连线即推理，流程即文档
每个分析能力封装为独立节点，节点连成 DAG 有向无环图，引擎按拓扑自动调度。不是脚本代码，不是截图教程——流程即知识资产，可读、可改、可复用、可被 AI 直接编排。
对比传统：脚本命令式 vs DAG 声明式；逻辑隐藏在代码中 vs 分析链路可视化；修改靠猜 vs 参数秒级调整即时预览。
插件节点生态
可自研节点，私有仓库独立部署，算法即插即用
DevStudio 浏览器内 IDE + Python SDK + TSX 前端框架。开发者写算法、配 UI、发布到商店，用户一键订阅安装。支持组织私有节点池，核心算法封装为节点，知识产权不流失。
护城河：HEAD/Testlab 30 年靠自家团队开发；Tinia 节点商店让全行业贡献，算法生态随时间持续扩大，形成数量级差距。
AI 辅助构建
描述意图，智能编排节点，降低上手门槛
内置 MCP server，AI 是 first-class 客户。工程师用自然语言描述需求，AI 自动选节点、配参数、连流程、跑分析。持续对话迭代优化，从 30 分钟手动搭建到 10 秒 AI 生成。
架构优势：不是后期加 AI 按钮，是从 v1.0 就为 AI 工作流设计。传统桌面软件加 MCP 需重写认证/事件总线，工程量 3-5 年。
可复现决策
每个分析步骤，有迹可循，可审计可沉淀
每次运行创建 GraphRun 实例，节点状态、输入输出 blob handle、起止时间、错误 traceback 全记录。Blob 内容寻址保证相同输入 → 相同结果。AutoML 判别函数蒸馏为可读公式，黑盒变白盒。
合规价值：从原始数据 → 分析流程 → 指标 → 判定 → 结论，全程可点击追溯。满足 ISO 17025 实验室认证对数据完整性的要求。
实时洞察
频谱·波形·指标，节点即时预览，分析所见即所得
每个节点自带可视化 Viewer——频谱图、柱状图、热力图、指标表格，支持限值线叠加和频带阶梯渲染。参数修改后仅重跑受影响节点，秒级更新。Dashboard 多 Viewer 自由组合，看板可保存可分享。
效率提升：消除"跑分析→导出数据→换工具画图"的割裂体验。调试效率比传统改参重跑全流程提升 95%。
多用户协作
组织级数据隔离，权限按组分配，团队共享分析资产
Org 多租户体系，数据源/流程/节点/看板组织级隔离。Seat 席位管理 + 角色权限分配。流程模板库、数据源、Dashboard 团队共享。AI 操作全量审计日志，满足企业合规要求。
团队效能：组织级模板一次搭建全团队复用。企业私有节点池，核心算法不出企业。知识从个人能力转化为组织资产。
03 — AI NATIVE
Tinia 的 AI 不是聊天机器人，而是可以直接操作平台的智能助手。基于 MCP（Model Context Protocol）协议，AI 客户端可以：创建流程、添加节点、配置参数、连接端口、运行分析、查看结果——全过程自动化。
AI 能做什么
自然语言需求理解
"帮我看这段电驱噪声录音的频谱，在转速 1000 到 3000 RPM 之间的演化，标注出主要阶次"
自动选节点、配参数、连流程
AI 理解需求后自动生成完整分析管线，10 秒完成从需求到可运行流程
持续对话迭代
"滤波器截止频率改成 100Hz"、"再加上响度分析"——自然语言修改，即时生效
结果解读与建议
"频谱中 1200Hz 的峰值是什么原因？"——AI 分析结果，给出专业解读和下一步建议
AI 客户端授权(Claude Code 等)
MCP OAuth + 按 scope 隔离权限(代码 / 数据 / 数据写入)
MCP 工具集(20+)
flow / dev / datasource / plugin 四组工具，AI 可全自动改流程 + 写节点
全局 AI 活动面板(跟随 / 旁观)
右侧 drawer 实时显示 AI 在做什么 + 项目 lock 光晕
AI 弹回式反问(elicitation)
AI 不确定时弹打断条，用户选项后再继续
项目管理
创建 / 编辑 / 删除 / 组织成员共享 dev project
4 种项目模板
基础节点 / 分析节点 / 数据源插件 / 空项目
Python 节点热重载
保存 .py → server 自动 reload 节点，无需重启
TSX 视图实时编译(esbuild)
写参数表单 / Viewer / 帮助页，保存即生效
编译指示灯 + 文件树闪光
编译状态实时可见，失败带跳转
节点 SDK(Python tinia_runtime + TSX)
Runtime / ChunkRuntime / AudioInput / FeatureBuilder
版本快照 / 切换 / restore / diff
dev 项目级版本管理
tinia CLI(桌面端 OAuth)
tinia init / login，tinia:// scheme 唤起桌面端授权
插件商店：浏览 / 我的订阅 / 我的提交 / 待审批
侧边栏"插件" + 顶部"商店"菜单 — 发布 / 审批 / 订阅免费插件
付费 plugin 分销渠道
第二期开放(收入分成机制)
04 — 数据源
侧边栏菜单"数据源"。数据源详情页 3 个 Tab:概览 / 文件 / 通道命名。
内置 upload(文件直传)
O1 进数据是 0 步必需
复合数据源(合成 / 重新合成)
多单通道合成多通道,3 种配对模式 — 详情页"合成"按钮,状态:已合成 / 待合成
通道命名模板(保存 / 应用)
v1.23-v1.31 持续优化
通道校准(dB 偏移)
通道命名模板里填,下游声级计 / 心理声学节点自动套用
通道选择 / 通道拆分节点
channel_select / channel_split — 流程里用
"文件"Tab(搜索 / 全选 / 批量删 / 批量下载)
数据源详情页 UploadManager — 看 / 删 / 批量打包下载文件
单数据源大小上限
C ≤ 5 GB / Pro 无限制
单流程 item 数上限
C ≤ 10 万 / Pro 无限制 — 大数据集是 Pro 卖点
数据源数量上限
C ≤ 50 / Pro 无限制
05 — 节点能力
全部 37 个官方声学节点对社区版完全开放——这是 Tinia 的产品基础承诺。
音频分割 · 有效段检测
audio_segment_split / active_segment — 按时间窗 / 静音 / 等长切段
通道选择 · 通道拆分
channel_select / channel_split — 从多通道选 / 拆为多个单通道
FIR / IIR 滤波器 · 频率计权
fir_filter / iir_filter / weighting_filter(A/B/C/Z)
信号发生器
signal_generator — 合成 sine / 扫频 / 白噪等测试信号（多通道）
波形输出 · 数据集
audio_emit / dataset_node — AudioData→IndicatorData 桥梁 + 数据源拉取
FFT 频谱分析
fft_spectrum — 多窗函数 / 重叠率 / dB/dB(A)/线性刻度 / 频率裁剪
倍频程分析
octave_analysis — 含 custom_bands 自定义频带
阶次跟踪
order_tracking — 角度域重采样 + 阶次谱，旋转机械必备
调制谱分析
modulation_spectrum — 频带滤波→包络→FFT 通用流水线，5 个一键预设 + AutoML 全参数搜索
频谱平滑 · 结构张量 · FBANK
spectrum_smooth / st_features / fbank_extract — 时频面特征提取
声级计
level_meter — dBA/dBC/dBZ 声压级（含 NVH 时间分辨率）
响度 · 尖锐度 · 粗糙度 · 音调性 · TNR
loudness(ISO 532) / sharpness(DIN 45692) / roughness / tonality / tnr — 五大心理声学指标
特征聚合 · 归一化 · 基线统计
feature_merge / feature_normalize / baseline_stats
聚类探索 · Z-Score 异常检测
cluster_explore(KMeans/DBSCAN/HDBSCAN/GMM + PCA/UMAP/t-SNE) / zscore_anomaly
限值检查
spec_limit_check — 手填限值表 / knots 参数化模式（AutoML 可调），输出 features + 独立 limit 端口
属性提取 · 附加属性 · 标注合并
attribute_extract / attach_attributes / annotation_merge
指标运算
indicator_math — v2.0 双输入逐点 + 单输入逐点 + 聚合标量
指标合并 · 收敛剔除
indicator_merge / convergent_trim — 多指标合并 + 扔掉过渡段
数据集合并 · Materialize
dataset_merge / materialize_node — 2-8 源合并 + 下载缓存
频谱查看器 · 指标查看器 · 透视矩阵
spectrum_viewer / indicator_viewer（限值线叠加）/ matrix_view（热力图）
图表查看器 · 看板编辑器
chart_viewer（ECharts 通用图表 + 分享）+ dashboard（多 Viewer 组合）
AutoML 评分预测
score_predictor — 应用判别函数到新数据出 score
官方免费插件 · 社区免费插件
标记系统v1 集成 + store.bestfunc.com 免费区
商业插件（付费）
Tinia Pro 独占，需 plugin-protection Phase B（Cython 编译）落地后开放
06 — AutoML 任务
侧边栏菜单"AutoML 任务"，流程编辑器顶部"自动调参"按钮进入。4 步配置 + 试验列表 + 详情页(参数重要性 / Top-K)+ 诊断 Modal(3 个 Tab)。
第 1 步：选数据源
从画板里的 dataset_node 候选选
第 2 步：选分组维度
按数据源 attribute / item 属性分组(OK/NG 等)
第 3 步：选调参 / 评估
选 search_space(节点带 tunable 标记的参数)+ 评估单元
第 4 步：配置 + 提交
trials 数 / 搜索算法 / 停止条件，fork snapshot 后跑
训练分类器
classifier 模式 — 5-fold CV 平衡准确率 / Fisher 判别比(快模式)
限值直评
direct 模式 — 取某列阈值化当预测(spec_limit_check 配套)
相似度筛选
similarity 模式 — PU learning(IF + Mahalanobis + AUC + recall)
多评估节点聚合(AND / OR)
多个评估单元复合判定
贝叶斯(TPE，推荐)
Optuna TPESampler — 默认
随机搜索 · 网格搜索
RandomSampler / GridSampler
进化策略(CMA-ES)
进阶 sampler，连续参数表现好
特征筛选：Top-K · PCA
评估前可选 Fisher 分数选 / PCA 降维
任务列表(排队中 / 运行中 / 已完成 等)
按流程 / 最优 score / 最近活动排
详情页：学习曲线(uPlot)
SSE 实时推送 trial 状态(替代 10s 轮询)
参数重要性图
基于 Optuna study_results
Top-K 结果区
详情页下半 top-5 trial 高亮 + 节点参数侧栏
Trial 列表 inline 错误展开
失败 trial 直接看 traceback
取消任务 · 继续探索 · 再跑一次
取消立即生效(ctx)/ ExtendJob 加 trials / Fork trial 新建版本
MedianPruner 自动早停
fold 级早停(后台自动，无 UI 开关)
trials 数上限
详情页"试验次数"配置
训练 / 验证拆分 + 过拟合警告
按 train_ratio 分层抽样，gap > 0.15 警告
"训练集"Tab(5fold CV)
PCA 2D 散点 / 混淆矩阵 / Per-class 指标
"验证集"Tab(Holdout)
同上，跑在未参与训练的样本上
Feature × Sample 热力图
标准化值的颜色分布
Feature 区分度排行
F-statistic 排序，看哪些特征贡献大
样本明细表(sortable + 错分高亮)
每个 item 的预测值 / 实际 / 错分标红
生成判别函数(5 算法蒸馏)
LR / LDA / 多项式 / 决策树 / GBDT — 用可解释模型逼近黑盒
公式渲染(KaTeX)
把蒸馏出的 LR / LDA 等公式渲染成可读 LaTeX
"创建评分节点"(一键闭环)
基于判别函数 Fork snapshot + 自动追加 AutoML 评分预测 + 图表查看器
分值列表 + 散点图 + 联动
每 item 的 score 排行 + 点击表格行联动散点
导出诊断 JSON
含蒸馏结果，可外部使用
表格 / 散点点击 → 样本预览
联动 ScoreRanking 表行 + 散点点
样本预览面板：音频播放器 + 频谱图
从评估节点拉频谱 + 数据源拉 audio uri
07 — 应用场景
Tinia 已服务汽车零部件、家电制造、工业设备、新能源等领域客户，覆盖从研发验证到产线质检的全场景需求。
产线异响检测
电机、压缩机、泵等旋转机械的在线/离线异响检测，覆盖啸叫、敲击、摩擦等典型故障模式。
汽车 NVH 分析
整车及零部件 NVH 性能评估，阶次跟踪、传递路径分析、声品质主观评价指标计算。
预测性维护 PdM
轴承、齿轮箱、风机等关键设备的振动状态监测与故障预警，支持 ISO 标准评级。
声学研发与对标
心理声学指标对标分析、调制谱、Sottek 听觉模型等高级分析，支撑声学设计与竞品对标。
教学与科研
声学 / 振动课程实验教学、研究生课题研究、算法原型快速验证。Tinia Community 永久免费。
质检数据管理与报告
建立标准化的分析流程，自动生成质检报告，数据可追溯，结果可对比。
08 — 开发者生态
Tinia 不是封闭系统。Python SDK + TSX 前端框架 + MCP AI 协作协议，让企业和第三方开发者可以自主扩展平台能力，沉淀核心算法资产。
4 种项目模板
基础节点 / 分析节点 / 数据源插件 / 空项目，脚手架一键创建
Python 热重载
保存 .py 文件即自动 reload 节点，无需重启服务
TSX 视图实时编译
esbuild 打包，写参数表单 / Viewer / 帮助页，保存即生效
节点 SDK
Runtime / ChunkRuntime / AudioInput / FeatureBuilder 完整 Python API
插件商店
浏览 / 订阅 / 发布 / 审批，支持企业私有商店和官方商店
MCP AI 协作
20+ 工具集，AI 客户端可全自动改流程、写节点、跑分析
版本管理
dev 项目级快照、切换、restore、diff，代码变更可追溯
tinia CLI
本地仓库与桌面端打通，tinia:// scheme 唤起，OAuth 授权
09 — 开始使用
①
下载安装
Tinia Desktop 桌面端，双击启动，内嵌所有依赖，无需配置环境
②
导入数据
支持 WAV 等音频格式拖拽上传，或对接企业数据源
③
开始分析
拖拽节点、连线、点运行，或直接对 AI 说出分析需求
→
持续进阶
保存模板、开发自定义节点、搭建看板，构建企业级分析体系
全部 37 个官方声学节点、流程编辑器全功能、可视化查看器、开发者工具均开放。立即下载，1-2 周即可独立完成专业声学分析。