TDengine TDgpt 部署实战:Linux/Windows 安装、服务管理、模型调度与故障排查全指南

原创2026-09-14 14:57:221,149 阅读
文章标签:数据库时序数据库分布式数据库数据存储物联网实时分析大数据云原生

TDengine TDgpt 部署实战:Linux/Windows 安装、服务管理、模型调度与故障排查全指南

TDgpt(Taosanode)是 TDengine 内置的时序数据分析平台,负责对外提供时序预测、异常检测、相关性分析等 RESTful 智能分析能力,并内置 tdtsfm、TimeMoE、Chronos、Moirai、TimesFM、MOMENT 等时序基础模型服务。本文基于 tools/tdgpt/INSTALL.md 展开,并结合仓库内的安装脚本、服务管理脚本与配置文件源码,完整讲解系统要求、Linux/Windows 安装步骤、服务生命周期管理、核心配置项、模型调度机制以及常见故障排查方法。读完本文,你将能够独立完成 TDgpt 的部署、调优与运维,并理解其背后由 Python 脚本与 systemd/WinSW 共同支撑的服务架构。

系统要求

支持平台

  • Linux:Ubuntu 18.04+、CentOS 7+ 或其他 Linux 发行版(仓库内 install.sh 对 Ubuntu/Debian/Kylin、CentOS/Fedora 均有分支处理,且要求系统使用 systemd 管理开机服务)
  • Windows:Windows Server 2016+ 或 Windows 10/11

Python 版本

  • 必须使用 Python 3.10、3.11 或 3.12。安装脚本 install.sh 中的 check_python3_env 函数会严格校验主版本为 3、次版本号匹配 10|11|12,不满足条件会直接退出安装流程。

硬件建议

  • CPU:4 核及以上
  • 内存:8GB 及以上
  • 磁盘:20GB 以上(用于存放模型与数据)

网络端口

TDgpt 采用"主服务 + 模型服务"的多进程架构,主服务负责接收 RESTful 请求,各模型服务监听独立端口:

端口 用途
6035 主 taosanode 服务(默认 bind = '0.0.0.0:6035')
6061 tdtsfm 模型服务
6062 timemoe 模型服务
6063-6066 可选模型服务(chronos、moirai、timesfm、moment)
6067-6070 预留的附加模型服务端口

这些端口映射与 cfg/taosanode.config.py 中 models 字典的定义完全一致,是部署时配置防火墙的权威依据。

Linux 安装

前置准备

  1. 安装 Python 3.10+(如未安装):
# Ubuntu/Debian
sudo apt-get update
sudo apt-get install python3.10 python3.10-venv python3.10-dev

# CentOS/RHEL
sudo yum install python310 python310-devel
  1. 确保拥有用于系统级安装的 sudo 权限。

安装步骤

  1. 解压安装包:
tar -xzf tdgpt-linux-x.x.x.tar.gz
cd tdgpt-linux-x.x.x
  1. 运行安装脚本:
# 标准安装
bash install.sh

# 离线安装(安装包内已包含 wheel 时)
bash install.sh -o

# 自定义安装目录
bash install.sh -d /opt/tdgpt

安装脚本支持的参数(来源 install.sh):

  • -d [install dir]:指定安装目录;默认安装到 /usr/local/taos/taosanode
  • -a:安装所有模型虚拟环境(会额外安装 TSFM 依赖)
  • -o:离线模式,跳过重建已有虚拟环境
  • PIP_INDEX_URL 环境变量:指定 pip 镜像源,例如 PIP_INDEX_URL=https://pypi.tuna.tsinghua.edu.cn/simple bash install.sh

安装脚本的核心行为(源码层面可验证):

  • 安装目录组织:主程序在 /usr/local/taos/taosanode/,数据在 /var/lib/taos/taosanode/data/,日志在 /var/log/taos/taosanode/,模型在 data/model/,虚拟环境在 data/venv/(见 install.sh);
  • 安装时通过 requirements_ess.txt 安装基础依赖,关键版本约束包括 transformers==4.40.1、torch==2.4.1(CPU 版用于 x86_64,完整版用于 aarch64)、keras==3.15.0、gluonts==0.17.0、lightning==2.5.6、accelerate==0.34.2 等;
  • 安装脚本会自动创建 systemd 服务单元(见下文"Linux 服务管理"),并在 /usr/bin 下建立 start-model、stop-model、start-tdtsfm、stop-tdtsfm、start-time-moe、stop-time-moe 等符号链接(见 install.sh);
  • 容器环境(检测到 /.dockerenv 或 kubepods cgroup)不会注册 systemd 服务,需要手动启动(见 install.sh)。
  1. 验证安装:
# 检查服务状态
python /usr/local/taos/taosanode/bin/taosanode_service.py status

# 检查模型状态
python /usr/local/taos/taosanode/bin/taosanode_service.py model-status

Linux 服务管理

使用 systemd(推荐)

安装脚本会自动创建 systemd 服务。仓库内 cfg/taosanoded.service 给出了该服务的完整单元定义,其中值得注意的关键配置:ExecStart 使用 gunicorn 加载 taosanode.config.py,LimitNOFILE=1048576(放宽文件描述符上限)、TimeoutStopSec=120s(给模型进程留出优雅退出时间)、Restart=always 配合 StartLimitBurst=6 与 StartLimitInterval=60s(限制 60 秒内最多重启 6 次)。

# 启动服务
sudo systemctl start taosanode

# 停止服务
sudo systemctl stop taosanode

# 重启服务
sudo systemctl restart taosanode

# 查看状态
sudo systemctl status taosanode

# 设置开机自启
sudo systemctl enable taosanode

# 取消开机自启
sudo systemctl disable taosanode

# 实时查看日志
sudo journalctl -u taosanode -f

直接使用 Python 脚本

# 启动服务
python /usr/local/taos/taosanode/bin/taosanode_service.py start

# 停止服务
python /usr/local/taos/taosanode/bin/taosanode_service.py stop

# 查看状态
python /usr/local/taos/taosanode/bin/taosanode_service.py status

注:README 中早期的 taosanode 版本以 taosanoded 作为服务名(README.md),最新安装文档与脚本以 taosanode 服务名 + taosanode_service.py 统一管理器为准,具体以实际安装版本输出的 systemctl list-units | grep taosanode 为准。

Linux 卸载

# 运行卸载脚本
bash /usr/local/taos/taosanode/uninstall.sh

# 或手动移除
sudo rm -rf /usr/local/taos/taosanode
sudo systemctl disable taosanode

安装脚本还会在 /usr/bin/rmtaosanode 建立指向卸载脚本的符号链接(见 install.sh),因此也可以直接执行 rmtaosanode 完成卸载。

Windows 安装

前置准备

  1. 安装 Python 3.10+:从 python.org 下载安装,勾选 "Add Python to PATH",用 python --version 验证。
  2. 管理员权限:注册 Windows 服务需要管理员权限,请以管理员身份运行命令提示符。

安装步骤

  1. 运行安装向导(.exe 安装包):
  • 右键安装包,选择"以管理员身份运行",按向导提示完成安装。

Windows 安装向导支持以下配置项:

  • Python 包模式:在线或离线;
  • Python 包源:官方 PyPI、清华源、阿里源或自定义源;
  • 可选 TensorFlow CPU 支持:仅在在线模式下提供;
  • 模型安装来源:跳过、在线下载或离线包导入;
  • 模型下载端点:官方 Hugging Face、HF 镜像或自定义端点;
  • Windows 服务注册;
  • 模型启用顺序:TDtsfm v1.0、TimeMoE、Moirai、Chronos、TimesFM、MOMENT。

向导默认行为:

  • 在线安装 Python 包;
  • 安装 TensorFlow CPU 支持;
  • 暂不安装模型;
  • 注册 Windows 服务。

模型准备细节(来自原文档,务必留意):

  • 离线 Python 包模式不会询问 TensorFlow,因为打包的离线运行时已包含;
  • 离线模型导入会自动扫描 <install_dir>\model\ 目录并导入其中所有已打包的模型归档;
  • 离线模式还提供一个可选的离线模型包输入项,该归档可包含全部离线模型;
  • 离线模式不要求逐个选择模型,向导只显示一个离线导入页面;
  • 升级安装时,向导会先停止既有 Taosanode 服务及同安装目录下运行的所有模型服务,再替换打包文件;
  • start-model.bat 不带参数时默认等于 all;start-model.bat all 与 model-start all 会在运行时检查模型目录,目录存在的模型自动启动,缺失的模型跳过并给出提示;
  • 在线模型安装只创建被选中模型的虚拟环境;
  • 离线模型安装不会在 setup 阶段额外创建模型虚拟环境;
  • 在线模式默认选中的模型是 Moirai Small 与 MOMENT Base。
  1. 或手动解压 ZIP 包:
  • 解压到目标位置(如 C:\TDengine\taosanode);
  • 以管理员身份打开命令提示符;
  • 进入安装目录,执行 install.bat。
  1. 验证安装:
python C:\TDengine\taosanode\bin\taosanode_service.py status

Windows 服务管理

方式一:Windows 服务(推荐)

需要管理员权限。底层使用 WinSW 包装器(taosanode-winsw.exe)实现,相关 XML 配置见 packaging/installer/taosanode-service.xml。

# 注册为 Windows 服务
python C:\TDengine\taosanode\bin\taosanode_service.py install-service

# 启动服务
net start Taosanode
# 或: python C:\TDengine\taosanode\bin\taosanode_service.py start-service

# 停止服务
net stop Taosanode
# 或: python C:\TDengine\taosanode\bin\taosanode_service.py stop-service

# 查询服务状态
sc query Taosanode

# 卸载服务
python C:\TDengine\taosanode\bin\taosanode_service.py uninstall-service

方式二:批处理脚本(前台模式)

:: 启动服务(前台)
C:\TDengine\taosanode\bin\start-taosanode.bat

:: 停止服务
C:\TDengine\taosanode\bin\stop-taosanode.bat

:: 查看状态
C:\TDengine\taosanode\bin\status-taosanode.bat

方式三:直接使用 Python 脚本

:: 启动
python C:\TDengine\taosanode\bin\taosanode_service.py start

:: 停止
python C:\TDengine\taosanode\bin\taosanode_service.py stop

:: 状态
python C:\TDengine\taosanode\bin\taosanode_service.py status

Windows 防火墙配置

遇到连接问题时可放行 TDgpt 端口:

:: 自动放行端口(管理员身份运行)
netsh advfirewall firewall add rule name="TDGPT" dir=in action=allow protocol=TCP localport=6035,6061-6070 profile=any

:: 或手动操作:
:: 1. 打开"高级安全 Windows Defender 防火墙"
:: 2. 点击"入站规则"→"新建规则"
:: 3. 选择"端口"→"TCP"→ 特定本地端口:6035,6061-6070
:: 4. 允许连接

Windows 卸载

:: 运行卸载脚本
C:\TDengine\taosanode\uninstall.bat

:: 或手动卸载:
:: 1. 先卸载 Windows 服务(如已注册):
::    python C:\TDengine\taosanode\bin\taosanode_service.py uninstall-service
:: 2. 删除安装目录:
::    rmdir /s /q C:\TDengine\taosanode

统一服务管理命令

无论 Linux 还是 Windows,安装后都会提供一个统一的跨平台服务管理脚本 taosanode_service.py(源码见 script/taosanode_service.py)。该脚本是理解整个运维体系的钥匙,其命令全集如下(对应源码 main() 中的 argparse 定义):

# Linux
python /usr/local/taos/taosanode/bin/taosanode_service.py start|stop|status

# Windows
python C:\TDengine\taosanode\bin\taosanode_service.py start|stop|status

# 模型管理(跨平台)
python <install_dir>/bin/taosanode_service.py model-start <model|all>
python <install_dir>/bin/taosanode_service.py model-stop <model|all>
python <install_dir>/bin/taosanode_service.py model-status

# 附加命令
python <install_dir>/bin/taosanode_service.py wait-ready          # 轮询 /status 直到服务就绪
python <install_dir>/bin/taosanode_service.py install-service     # 注册 Windows 服务
python <install_dir>/bin/taosanode_service.py uninstall-service   # 卸载 Windows 服务
python <install_dir>/bin/taosanode_service.py start-service        # 启动 Windows 服务
python <install_dir>/bin/taosanode_service.py stop-service         # 停止 Windows 服务

从源码实现看,几个值得注意的机制:

  • 跨平台进程管理:ProcessManager 通过 PID 文件管理主服务与每个模型服务(模型 PID 存放于 data/pids/<model>.pid),Linux 用 os.kill(pid, 0) 探活,Windows 用 tasklist 精确解析 PID 并校验进程命令行特征,避免误判;
  • 优雅停止:stop 先发送 SIGTERM(Windows 为 taskkill)等待 2 秒,进程仍在运行则强制结束;模型停止等待 3 秒;
  • 启动前诊断:start 支持 --full-preflight,会预先执行 from taosanalytics.app import app 导入探针,启动失败时还会通过 AST 静态分析 taosanalytics.app 的依赖链,对 waitress、numpy、pandas、flask、torch、tensorflow、keras 等逐一做导入探测,把失败根因(如 ModuleNotFoundError、DLL load failed、端口占用 WinError 10048/10013)写入 taosanode-startup-diagnostics.json 与日志;
  • 健康检查:wait-ready 通过轮询 http://127.0.0.1:6035/status 的 HTTP 200 响应判断就绪,可作为脚本编排时的同步点。

配置详解

配置文件位置

  • Linux:/usr/local/taos/taosanode/cfg/taosanode.config.py(安装脚本同时会将其软链到 /etc/taos/taosanode.config.py,见 install.sh)
  • Windows:C:\TDengine\taosanode\cfg\taosanode.config.py

该文件同时充当 gunicorn(Linux)与 waitress(Windows)的配置来源。程序侧通过 taosanalytics/conf.py 中的 Configure 单例在运行时加载并解析它。

服务绑定与并发

# 监听地址和端口
bind = '0.0.0.0:6035'

# worker 进程数(gunicorn)
workers = 2

# worker 类型,默认同步
worker_class = "sync"

# 每进程线程数(面向模型部署场景,自动按 CPU 核数推算)
threads = max(multiprocessing.cpu_count() // 4 + 1, 2)

# 单个 worker 处理请求上限,达到后重启以释放内存
max_requests = 1000
max_requests_jitter = 50   # 随机抖动,避免所有 worker 同时重启

# 超时与保活(单位秒)
timeout = 1200
keepalive = 1200

# 启动前预加载应用,提升启动速度、节省内存
preload_app = True

# 进程名与 PID 文件
proc_name = "tdgpt_taosanode_app"
pidfile = <install_dir>/taosanode.pid

# 主虚拟环境与 Python 路径
virtualenv = <install_dir>/venvs/venv
pythonpath = <install_dir>/lib/taosanalytics

# WSGI 应用入口
wsgi_app = "app:app"

日志配置

# 日志级别: DEBUG, INFO, WARNING, ERROR, CRITICAL
log_level = 'DEBUG'

# 应用日志文件
app_log = '/var/log/taos/taosanode/taosanode.app.log'   # Linux
app_log = 'c:/TDengine/taosanode/log/taosanode.app.log' # Windows

# gunicorn 访问/错误日志(仅 Linux 生效)
accesslog = <log_dir>/access.log
errorlog  = <log_dir>/error.log

# waitress 日志(仅 Windows 生效)
waitresslog = <log_dir>/taosanode-service.log

conf.py 中的 Configure.reload() 会解析 log_level 字符串并映射为 Python logging 级别(DEBUG/INFO/WARN/ERROR/CRITICAL),因此修改 log_level 后无需改动代码即可切换日志详细度。

模型配置

# 模型存储目录
model_dir = '/usr/local/taos/taosanode/model/'  # Linux
model_dir = 'c:/TDengine/taosanode/model/'      # Windows

# 动态模型目录:运行期间可热加载/热卸载,无需重启服务
dynamic_model_dir = <model_dir>/dynamic

# 模型定义(完整清单见 cfg/taosanode.config.py)
models = {
    "tdtsfm": {
        "script": "tdtsfm-server.py",
        "default_model": None,
        "ip": "127.0.0.1",
        "port": 6061,
        "endpoint": "/tdtsfm",
        "algo_name": "tdtsfm_1",
        "required": True,   # 必选模型,缺失会报错
    },
    "timemoe": {
        "script": "timemoe-server.py",
        "default_model": "Maple728/TimeMoE-200M",
        "ip": "127.0.0.1",
        "port": 6062,
        "endpoint": "/ds_predict",
        "algo_name": "timemoe-fc",
        "required": True,   # 必选模型
    },
    "chronos": {
        "script": "chronos-server.py",
        "default_model": "amazon/chronos-bolt-base",
        "ip": "127.0.0.1",
        "port": 6063,
        "endpoint": "/ds_predict",
        "required": False,  # 可选模型
    },
    "moirai": {
        "script": "moirai-server.py",
        "default_model": "Salesforce/moirai-moe-1.0-R-small",
        "ip": "127.0.0.1",
        "port": 6064,
        "endpoint": "/ds_predict",
        "required": False,
    },
    "timesfm": {
        "script": "timesfm-server.py",
        "default_model": "google/timesfm-2.5-200m-pytorch",
        "ip": "127.0.0.1",
        "port": 6065,
        "endpoint": "/ds_predict",
        "required": False,
    },
    "moment": {
        "script": "moment-server.py",
        "default_model": "AutonLab/MOMENT-1-base",
        "ip": "127.0.0.1",
        "port": 6066,
        "endpoint": "/imputation",
        "required": False,
    },
}

从源码可以确认两个关键机制:

  • 端口 + 端点是服务 URL 的唯一事实来源:conf.py 的 reload() 会自动根据每个模型的 ip、port、endpoint 推导出 http://127.0.0.1:<port><endpoint> 形式的内网服务地址,并以 algo_name(如 tdtsfm_1、timemoe-fc)作为配置键暴露给上层算法使用,避免了手工维护 URL 常量(见 conf.py);
  • 可选模型的容错启动:ModelService.start() 会先检查 <model_dir>/<model_name> 目录是否存在,目录缺失的可选模型会被直接跳过并记录日志,只有 required=True 的模型缺失才被视为异常(见 taosanode_service.py)。

Windows Waitress 配置

# Waitress 服务器配置(仅 Windows 生效)
waitress_config = {
    'threads': 4,             # 工作线程数
    'channel_timeout': 1200,  # 通道超时(秒)
    'connection_limit': 1000, # 最大连接数
    'cleanup_interval': 30,   # 清理间隔(秒)
    'log_socket_errors': True # 记录 socket 错误
}

Windows 下启动时,服务管理器会把 bind 拆分为 host/port,并将 waitress_config 逐项传给 waitress.serve()(见 taosanode_service.py);若主虚拟环境缺少 waitress,脚本会自动尝试 pip install waitress。

修改配置

  1. 用文本编辑器修改配置文件;
  2. 重启服务使配置生效:
# Linux
sudo systemctl restart taosanode

# Windows
net stop Taosanode
net start Taosanode

模型管理

支持的模型

模型 是否必选 端口 说明
tdtsfm 是 6061 TDengine 时序基础模型(Time Series Foundation Model)
timemoe 是 6062 时序混合专家模型(Time Series Mixture of Experts)
chronos 否 6063 Amazon Chronos
moirai 否 6064 Salesforce Moirai
timesfm 否 6065 Google TimesFM
moment 否 6066 AutonLab MOMENT

各模型的真实启动脚本位于 taosanalytics/tsfmservice 目录下(tdtsfm-server.py、timemoe-server.py、chronos-server.py、moirai-server.py、timesfm-server.py、moment-server.py),与 models 配置中 script 字段一一对应。

启动模型

# 启动全部模型(含必选 tdtsfm、timemoe;缺目录的可选模型自动跳过)
python <install_dir>/bin/taosanode_service.py model-start all

# 启动指定模型
python <install_dir>/bin/taosanode_service.py model-start chronos

# 查看模型状态
python <install_dir>/bin/taosanode_service.py model-status

从源码看,model-start all 使用 ThreadPoolExecutor(max_workers=3) 并发启动模型,并在结束时输出汇总表:Started、Skipped (missing model directory)、Failed 三类状态一目了然(见 taosanode_service.py)。模型进程的标准输出/错误会被重定向到 <log_dir>/model_<model_name>.log,采用 10MB 大小、5 份备份的滚动策略。

Linux 环境下安装脚本会在 /usr/bin 下创建 start-model、start-model-from-remote 等快捷命令,start-model.sh 本质上是 taosanode_service.py model-start 的包装器(见 start-model.sh),支持 -c <config_file> 指定配置文件。

停止模型

# 停止全部模型
python <install_dir>/bin/taosanode_service.py model-stop all

# 停止指定模型
python <install_dir>/bin/taosanode_service.py model-stop chronos

故障排查

服务无法启动

Linux:

# 查看 systemd 日志
sudo journalctl -u taosanode -n 50

# 直接前台运行以查看 Python 报错
python /usr/local/taos/taosanode/bin/taosanode_service.py start

Windows:

:: 查看启动日志
type C:\TDengine\taosanode\log\taosanode_startup.log

:: 直接运行以查看报错
python C:\TDengine\taosanode\bin\taosanode_service.py start

结合源码补充两个排查要点:

  • 若启动失败属于依赖导入类(ModuleNotFoundError、ImportError、Windows 下 DLL load failed 等),服务脚本会自动执行一轮依赖探针诊断并写入 taosanode-service.log 与 taosanode-startup-diagnostics.json,直接查看日志即可定位到具体缺失的 Python 包;
  • Windows 下若报 0xc0000005(访问冲突)或 libiomp5md.dll 相关错误,通常是原生扩展库(如 torch 相关 DLL)与 Python 版本不匹配,建议检查 Python 3.10/3.11/3.12 的架构与安装来源。

端口被占用

# Linux: 查找占用 6035 端口的进程
sudo lsof -i :6035

# Windows: 查找占用 6035 端口的进程
netstat -ano | findstr :6035

# 结束进程
# Linux: sudo kill -9 <PID>
# Windows: taskkill /PID <PID> /F

服务脚本会把端口占用归类为 bind 类失败(errno EADDRINUSE/EACCES,Windows WinError 10048/10013),并在日志中明确提示。

模型无法启动

  1. 检查模型目录是否存在:
# Linux
ls -la /usr/local/taos/taosanode/model/

# Windows
dir C:\TDengine\taosanode\model\
  1. 查看模型日志:
# Linux
tail -f /var/log/taos/taosanode/taosanode_service_tdtsfm.log

# Windows
type C:\TDengine\taosanode\log\taosanode_service_tdtsfm.log
  1. 验证 Python 依赖:
python -m pip list | grep -E "torch|transformers"

提示:安装脚本通过 requirements_tsfm.txt 为可选时序基础模型安装依赖,并对 momentfm==0.1.4 使用 --no-deps 安装以避免引入 numba/llvmlite 依赖冲突;若可选模型依赖损坏,可考虑重跑 install.sh -a 重建统一虚拟环境。

连接被拒绝

  1. 检查服务是否在运行:
python <install_dir>/bin/taosanode_service.py status
  1. 检查防火墙设置:
# Linux
sudo ufw status
sudo ufw allow 6035/tcp

# Windows
netsh advfirewall firewall show rule name="TDGPT"
  1. 检查监听地址:
# Linux
sudo netstat -tlnp | grep 6035

# Windows
netstat -ano | findstr :6035

注意:配置文件中 bind = '0.0.0.0:6035' 表示监听所有网卡;若改为 127.0.0.1:6035,则仅本机可访问,跨节点调用会连接失败。

FAQ

Q: 如何确认服务是否在运行?

A: 执行 python <install_dir>/bin/taosanode_service.py status;该命令会读取 PID 文件并做进程存活校验,输出服务名、状态、PID 与监听地址。

Q: 能否运行多个实例?

A: 不建议。服务按单实例设计。确有需要可修改配置中的 bind 端口后分目录部署,但需自行规避 PID 文件、日志目录与模型端口冲突。

Q: 如何查看日志?

  • Linux:tail -f /var/log/taos/taosanode/taosanode.app.log
  • Windows:type C:\TDengine\taosanode\log\taosanode.app.log
  • 模型日志:<log_dir>/model_<model_name>.log(滚动:10MB × 5 份)
  • 服务管理日志:<log_dir>/taosanode-service.log

Q: 如何更新配置?

A: 编辑配置文件后重启服务即可生效。日志级别、监听地址、模型定义等均在启动时重新加载。

Q: 需要重装怎么办?

  1. 卸载当前版本(Linux 执行 uninstall.sh 或 rmtaosanode,Windows 执行 uninstall.bat);
  2. 删除安装目录;
  3. 运行新版安装包。

Q: 如何开启调试日志?

A: 将配置文件中 log_level 改为 'DEBUG' 并重启服务。注意 Linux 下 gunicorn 的 loglevel 与应用的 log_level 是两套开关,排查 Web 层问题可同时将 loglevel = "debug"。

Q: 能否使用自定义 Python 虚拟环境?

A: 可以。修改配置中的 virtualenv 指向自己的虚拟环境即可;Windows 下可选 TSFM 模型还有独立的 timesfm_venv、moirai_venv、chronos_venv、momentfm_venv 配置项,默认都指向主虚拟环境。

Q: 如何备份配置?

# Linux
cp /usr/local/taos/taosanode/cfg/taosanode.config.py ~/taosanode.config.backup.py

# Windows
copy C:\TDengine\taosanode\cfg\taosanode.config.py C:\backup\taosanode.config.backup.py

深入理解:一条命令背后的完整链路

以 Linux 上执行 systemctl start taosanode 为例,整个调用链是理解 TDgpt 运维的捷径:

  1. systemd 加载 cfg/taosanoded.service,以 /var/lib/taos/taosanode/venv/bin/gunicorn -c /usr/local/taos/taosanode/cfg/taosanode.config.py 拉起主服务;
  2. gunicorn 解析 taosanode.config.py,预加载 app:app(即 taosanalytics/app.py 中导出的 Flask 应用),按 workers/threads 分叉 worker 进程;
  3. 应用启动时,conf.py 读取配置并自动推导各模型服务的内网 URL(http://127.0.0.1:6061/tdtsfm 等);
  4. 模型服务由 taosanode_service.py model-start all 或 start-model 快捷命令拉起,每个模型是一个独立进程,监听各自端口,日志滚动写入 model_<name>.log;
  5. 数据查询经 SQL 触发时,算法层按 algo_name 找到对应模型 URL 发起内部 HTTP 调用完成推理。

若你需要对模型行为、RESTful API 或算法细节做进一步探索,可继续阅读仓库内 tools/tdgpt/README.md、taosanalytics 源码与 tests 测试用例;安装与打包流程可参考 packaging/README.md 与 script/release.sh。

登录后查看全文
TDengine