01 — 產品故事
觀復知常，
幽理自現
每一條資料背後都有它自己的故事。Tinia 相信，分析的本質不是計算，而是傾聽——搭好流程，讓隱藏的規律自己浮出水面，讓每一次分析決策都可見、可復現、可傳承。
名字的由來
Tinia
取自伊特魯里亞神話中的最高天神，掌管洞察、秩序與邊界——他看見一切，卻不強加干預，只是讓規律自然顯現。這和資料分析的本質如出一轍：
不是強行賦予資料意義，而是搭好流程，讓隱藏的規律自己浮出水面。
所屬產品家族 · 巔峰表現智慧工業套件
Tinia · AI + 節點驅動的聲學洞察引擎
讓每位工程師都能搭建專業聲學分析體系
專業節點
37+ 官方聲學節點
分析流程
拖拽搭建，秒級執行
技術門檻
零程式碼，降低 80%
學習週期
1-2 周即可獨立操作
部署方式
桌面端 · 離線可用
AI 能力
對話式搭建 + MCP 協作
01 — 產品故事
每一條資料背後都有它自己的故事。Tinia 相信，分析的本質不是計算，而是傾聽——搭好流程，讓隱藏的規律自己浮出水面，讓每一次分析決策都可見、可復現、可傳承。
名字的由來
Tinia
取自伊特魯里亞神話中的最高天神，掌管洞察、秩序與邊界——他看見一切，卻不強加干預，只是讓規律自然顯現。這和資料分析的本質如出一轍：
不是強行賦予資料意義，而是搭好流程，讓隱藏的規律自己浮出水面。
所屬產品家族 · 巔峰表現智慧工業套件
02 — 產品哲學
Tinia 不是給傳統工具加 AI 功能，而是以 AI 為第一公民、以節點生態為增長引擎、以 DAG 流程為知識載體，重新設計工業聲學分析的作業系統。六條原則構成了 Tinia 區別於傳統 NVH 工具的核心產品哲學。
視覺化流程
節點即邏輯，連線即推理，流程即文件
每個分析能力封裝為獨立節點，節點連成 DAG 有向無環圖，引擎按拓撲自動排程。不是指令碼程式碼，不是截圖教程——流程即知識資產，可讀、可改、可複用、可被 AI 直接編排。
對比傳統：指令碼命令式 vs DAG 宣告式；邏輯隱藏在程式碼中 vs 分析鏈路視覺化；修改靠猜 vs 引數秒級調整即時預覽。
外掛節點生態
可自研節點，私有倉庫獨立部署，演算法即插即用
DevStudio 瀏覽器內 IDE + Python SDK + TSX 前端框架。開發者寫演算法、配 UI、釋出到商店，使用者一鍵訂閱安裝。支援組織私有節點池，核心演算法封裝為節點，智慧財產權不流失。
護城河：HEAD/Testlab 30 年靠自家團隊開發；Tinia 節點商店讓全行業貢獻，演算法生態隨時間持續擴大，形成數量級差距。
AI 輔助構建
描述意圖，智慧編排節點，降低上手門檻
內建 MCP server，AI 是 first-class 客戶。工程師用自然語言描述需求，AI 自動選節點、配引數、連流程、跑分析。持續對話迭代最佳化，從 30 分鐘手動搭建到 10 秒 AI 生成。
架構優勢：不是後期加 AI 按鈕，是從 v1.0 就為 AI 工作流設計。傳統桌面軟體加 MCP 需重寫認證/事件匯流排，工程量 3-5 年。
可復現決策
每個分析步驟，有跡可循，可審計可沉澱
每次執行建立 GraphRun 例項，節點狀態、輸入輸出 blob handle、起止時間、錯誤 traceback 全記錄。Blob 內容定址保證相同輸入 → 相同結果。AutoML 判別函式蒸餾為可讀公式，黑盒變白盒。
合規價值：從原始資料 → 分析流程 → 指標 → 判定 → 結論，全程可點選追溯。滿足 ISO 17025 實驗室認證對資料完整性的要求。
實時洞察
頻譜·波形·指標，節點即時預覽，分析所見即所得
每個節點自帶視覺化 Viewer——頻譜圖、柱狀圖、熱力圖、指標表格，支援限值線疊加和頻帶階梯渲染。引數修改後僅重跑受影響節點，秒級更新。Dashboard 多 Viewer 自由組合，看板可儲存可分享。
效率提升：消除"跑分析→匯出資料→換工具畫圖"的割裂體驗。除錯效率比傳統改參重跑全流程提升 95%。
多使用者協作
組織級資料隔離，許可權按組分配，團隊共享分析資產
Org 多租戶體系，資料來源/流程/節點/看板組織級隔離。Seat 席位管理 + 角色許可權分配。流程模板庫、資料來源、Dashboard 團隊共享。AI 操作全量審計日誌，滿足企業合規要求。
團隊效能：組織級模板一次搭建全團隊複用。企業私有節點池，核心演算法不出企業。知識從個人能力轉化為組織資產。
03 — AI NATIVE
Tinia 的 AI 不是聊天機器人，而是可以直接操作平臺的智慧助手。基於 MCP（Model Context Protocol）協議，AI 客戶端可以：建立流程、新增節點、配置引數、連線埠、執行分析、檢視結果——全過程自動化。
AI 能做什麼
自然語言需求理解
"幫我看這段電驅噪聲錄音的頻譜，在轉速 1000 到 3000 RPM 之間的演化，標註出主要階次"
自動選節點、配引數、連流程
AI 理解需求後自動生成完整分析管線，10 秒完成從需求到可執行流程
持續對話迭代
"濾波器截止頻率改成 100Hz"、"再加上響度分析"——自然語言修改，即時生效
結果解讀與建議
"頻譜中 1200Hz 的峰值是什麼原因？"——AI 分析結果，給出專業解讀和下一步建議
AI 客戶端授權(Claude Code 等)
MCP OAuth + 按 scope 隔離許可權(程式碼 / 資料 / 資料寫入)
MCP 工具集(20+)
flow / dev / datasource / plugin 四組工具，AI 可全自動改流程 + 寫節點
全域性 AI 活動面板(跟隨 / 旁觀)
右側 drawer 實時顯示 AI 在做什麼 + 專案 lock 光暈
AI 彈回式反問(elicitation)
AI 不確定時彈打斷條，使用者選項後再繼續
專案管理
建立 / 編輯 / 刪除 / 組織成員共享 dev project
4 種專案模板
基礎節點 / 分析節點 / 資料來源外掛 / 空專案
Python 節點熱過載
儲存 .py → server 自動 reload 節點，無需重啟
TSX 檢視實時編譯(esbuild)
寫參數列單 / Viewer / 幫助頁，儲存即生效
編譯指示燈 + 檔案樹閃光
編譯狀態實時可見，失敗帶跳轉
節點 SDK(Python tinia_runtime + TSX)
Runtime / ChunkRuntime / AudioInput / FeatureBuilder
版本快照 / 切換 / restore / diff
dev 專案級版本管理
tinia CLI(桌面端 OAuth)
tinia init / login，tinia:// scheme 喚起桌面端授權
外掛商店：瀏覽 / 我的訂閱 / 我的提交 / 待審批
側邊欄"外掛" + 頂部"商店"選單 — 釋出 / 審批 / 訂閱免費外掛
付費 plugin 分銷渠道
第二期開放(收入分成機制)
04 — 資料來源
側邊欄選單"資料來源"。資料來源詳情頁 3 個 Tab:概覽 / 檔案 / 通道命名。
內建 upload(檔案直傳)
O1 進資料是 0 步必需
複合資料來源(合成 / 重新合成)
多單通道合成多通道,3 種配對模式 — 詳情頁"合成"按鈕,狀態:已合成 / 待合成
通道命名模板(儲存 / 應用)
v1.23-v1.31 持續最佳化
通道校準(dB 偏移)
通道命名模板裡填,下游聲級計 / 心理聲學節點自動套用
通道選擇 / 通道拆分節點
channel_select / channel_split — 流程裡用
"檔案"Tab(搜尋 / 全選 / 批次刪 / 批次下載)
資料來源詳情頁 UploadManager — 看 / 刪 / 批次打包下載檔案
單資料來源大小上限
C ≤ 5 GB / Pro 無限制
單流程 item 數上限
C ≤ 10 萬 / Pro 無限制 — 大資料集是 Pro 賣點
資料來源數量上限
C ≤ 50 / Pro 無限制
05 — 節點能力
全部 37 個官方聲學節點對社群版完全開放——這是 Tinia 的產品基礎承諾。
音訊分割 · 有效段檢測
audio_segment_split / active_segment — 按時間窗 / 靜音 / 等長切段
通道選擇 · 通道拆分
channel_select / channel_split — 從多通道選 / 拆為多個單通道
FIR / IIR 濾波器 · 頻率計權
fir_filter / iir_filter / weighting_filter(A/B/C/Z)
訊號發生器
signal_generator — 合成 sine / 掃頻 / 白噪等測試訊號（多通道）
波形輸出 · 資料集
audio_emit / dataset_node — AudioData→IndicatorData 橋樑 + 資料來源拉取
FFT 頻譜分析
fft_spectrum — 多窗函式 / 重疊率 / dB/dB(A)/線性刻度 / 頻率裁剪
倍頻程分析
octave_analysis — 含 custom_bands 自定義頻帶
階次跟蹤
order_tracking — 角度域重取樣 + 階次譜，旋轉機械必備
調製譜分析
modulation_spectrum — 頻帶濾波→包絡→FFT 通用流水線，5 個一鍵預設 + AutoML 全引數搜尋
頻譜平滑 · 結構張量 · FBANK
spectrum_smooth / st_features / fbank_extract — 時頻面特徵提取
聲級計
level_meter — dBA/dBC/dBZ 聲壓級（含 NVH 時間解析度）
響度 · 尖銳度 · 粗糙度 · 音調性 · TNR
loudness(ISO 532) / sharpness(DIN 45692) / roughness / tonality / tnr — 五大心理聲學指標
特徵聚合 · 歸一化 · 基線統計
feature_merge / feature_normalize / baseline_stats
聚類探索 · Z-Score 異常檢測
cluster_explore(KMeans/DBSCAN/HDBSCAN/GMM + PCA/UMAP/t-SNE) / zscore_anomaly
限值檢查
spec_limit_check — 手填限值表 / knots 引數化模式（AutoML 可調），輸出 features + 獨立 limit 埠
屬性提取 · 附加屬性 · 標註合併
attribute_extract / attach_attributes / annotation_merge
指標運算
indicator_math — v2.0 雙輸入逐點 + 單輸入逐點 + 聚合標量
指標合併 · 收斂剔除
indicator_merge / convergent_trim — 多指標合併 + 扔掉過渡段
資料集合並 · Materialize
dataset_merge / materialize_node — 2-8 源合併 + 下載快取
頻譜檢視器 · 指標檢視器 · 透視矩陣
spectrum_viewer / indicator_viewer（限值線疊加）/ matrix_view（熱力圖）
圖表檢視器 · 看板編輯器
chart_viewer（ECharts 通用圖表 + 分享）+ dashboard（多 Viewer 組合）
AutoML 評分預測
score_predictor — 應用判別函式到新資料出 score
官方免費外掛 · 社群免費外掛
標記系統v1 整合 + store.bestfunc.com 免費區
商業外掛（付費）
Tinia Pro 獨佔，需 plugin-protection Phase B（Cython 編譯）落地後開放
06 — AutoML 任務
側邊欄選單"AutoML 任務"，流程編輯器頂部"自動調參"按鈕進入。4 步配置 + 試驗列表 + 詳情頁(引數重要性 / Top-K)+ 診斷 Modal(3 個 Tab)。
第 1 步：選資料來源
從畫板裡的 dataset_node 候選選
第 2 步：選分組維度
按資料來源 attribute / item 屬性分組(OK/NG 等)
第 3 步：選調參 / 評估
選 search_space(節點帶 tunable 標記的引數)+ 評估單元
第 4 步：配置 + 提交
trials 數 / 搜尋演算法 / 停止條件，fork snapshot 後跑
訓練分類器
classifier 模式 — 5-fold CV 平衡準確率 / Fisher 判別比(快模式)
限值直評
direct 模式 — 取某列閾值化當預測(spec_limit_check 配套)
相似度篩選
similarity 模式 — PU learning(IF + Mahalanobis + AUC + recall)
多評估節點聚合(AND / OR)
多個評估單元複合判定
貝葉斯(TPE，推薦)
Optuna TPESampler — 預設
隨機搜尋 · 網格搜尋
RandomSampler / GridSampler
進化策略(CMA-ES)
進階 sampler，連續參數列現好
特徵篩選：Top-K · PCA
評估前可選 Fisher 分數選 / PCA 降維
任務列表(排隊中 / 執行中 / 已完成 等)
按流程 / 最優 score / 最近活動排
詳情頁：學習曲線(uPlot)
SSE 實時推送 trial 狀態(替代 10s 輪詢)
引數重要性圖
基於 Optuna study_results
Top-K 結果區
詳情頁下半 top-5 trial 高亮 + 節點引數側欄
Trial 列表 inline 錯誤展開
失敗 trial 直接看 traceback
取消任務 · 繼續探索 · 再跑一次
取消立即生效(ctx)/ ExtendJob 加 trials / Fork trial 新建版本
MedianPruner 自動早停
fold 級早停(後臺自動，無 UI 開關)
trials 數上限
詳情頁"試驗次數"配置
訓練 / 驗證拆分 + 過擬合警告
按 train_ratio 分層抽樣，gap > 0.15 警告
"訓練集"Tab(5fold CV)
PCA 2D 散點 / 混淆矩陣 / Per-class 指標
"驗證集"Tab(Holdout)
同上，跑在未參與訓練的樣本上
Feature × Sample 熱力圖
標準化值的顏色分佈
Feature 區分度排行
F-statistic 排序，看哪些特徵貢獻大
樣本明細表(sortable + 錯分高亮)
每個 item 的預測值 / 實際 / 錯分標紅
生成判別函式(5 演算法蒸餾)
LR / LDA / 多項式 / 決策樹 / GBDT — 用可解釋模型逼近黑盒
公式渲染(KaTeX)
把蒸餾出的 LR / LDA 等公式渲染成可讀 LaTeX
"建立評分節點"(一鍵閉環)
基於判別函式 Fork snapshot + 自動追加 AutoML 評分預測 + 圖表檢視器
分值列表 + 散點圖 + 聯動
每 item 的 score 排行 + 點選表格行聯動散點
匯出診斷 JSON
含蒸餾結果，可外部使用
表格 / 散點點選 → 樣本預覽
聯動 ScoreRanking 錶行 + 散點點
樣本預覽面板：音訊播放器 + 頻譜圖
從評估節點拉頻譜 + 資料來源拉 audio uri
07 — 應用場景
Tinia 已服務汽車零部件、家電製造、工業裝置、新能源等領域客戶，覆蓋從研發驗證到產線質檢的全場景需求。
產線異響檢測
電機、壓縮機、泵等旋轉機械的線上/離線異響檢測，覆蓋嘯叫、敲擊、摩擦等典型故障模式。
汽車 NVH 分析
整車及零部件 NVH 效能評估，階次跟蹤、傳遞路徑分析、聲品質主觀評價指標計算。
預測性維護 PdM
軸承、齒輪箱、風機等關鍵裝置的振動狀態監測與故障預警，支援 ISO 標準評級。
聲學研發與對標
心理聲學指標對標分析、調製譜、Sottek 聽覺模型等高階分析，支撐聲學設計與競品對標。
教學與科研
聲學 / 振動課程實驗教學、研究生課題研究、演算法原型快速驗證。Tinia Community 永久免費。
質檢資料管理與報告
建立標準化的分析流程，自動生成質檢報告，資料可追溯，結果可對比。
08 — 開發者生態
Tinia 不是封閉系統。Python SDK + TSX 前端框架 + MCP AI 協作協議，讓企業和第三方開發者可以自主擴充套件平臺能力，沉澱核心演算法資產。
4 種專案模板
基礎節點 / 分析節點 / 資料來源外掛 / 空專案，腳手架一鍵建立
Python 熱過載
儲存 .py 檔案即自動 reload 節點，無需重啟服務
TSX 檢視實時編譯
esbuild 打包，寫參數列單 / Viewer / 幫助頁，儲存即生效
節點 SDK
Runtime / ChunkRuntime / AudioInput / FeatureBuilder 完整 Python API
外掛商店
瀏覽 / 訂閱 / 釋出 / 審批，支援企業私有商店和官方商店
MCP AI 協作
20+ 工具集，AI 客戶端可全自動改流程、寫節點、跑分析
版本管理
dev 專案級快照、切換、restore、diff，程式碼變更可追溯
tinia CLI
本地倉庫與桌面端打通，tinia:// scheme 喚起，OAuth 授權
09 — 開始使用
①
下載安裝
Tinia Desktop 桌面端，雙擊啟動，內嵌所有依賴，無需配置環境
②
匯入資料
支援 WAV 等音訊格式拖拽上傳，或對接企業資料來源
③
開始分析
拖拽節點、連線、點執行，或直接對 AI 說出分析需求
→
持續進階
儲存模板、開發自定義節點、搭建看板，構建企業級分析體系
全部 37 個官方聲學節點、流程編輯器全功能、視覺化檢視器、開發者工具均開放。立即下載，1-2 周即可獨立完成專業聲學分析。