简介:物模型(Thing Model)是物联网平台对设备能力的标准化数字抽象:用统一结构描述设备"有什么状态、能做什么、会报什么",让上层应用不必关心底层走的是 Modbus、MQTT 还是厂商私有协议。本文讲清它的组成、设计方法与 JSON 定义示例,并说明如何把物模型交给大模型和 Agent 调用。
物模型(Thing Model,部分平台称 TSL、产品模型)是物联网平台对物理设备能力的标准化数字抽象:把设备”有什么状态、能做什么、会主动报什么”用统一结构描述出来,让平台、应用和 AI 系统只面对一份可读的能力清单,而不必关心底层是 Modbus、CAN、MQTT 还是厂商私有协议。它是设备接入、数据流转和应用编排之间的”中间语言”。
值得注意的是,物模型的价值在 AI 时代被进一步放大:设备能力一旦被结构化描述,大模型就能把它当作”工具说明书”来理解和调用,这是 AI Agent 落地设备控制的关键前提。如果你正在为这类项目挑选驱动模型,可以先在 百度智能云词元所 上对比不同大模型的能力与调用成本,再通过统一 API 接入,避免为每个模型单独写一套适配代码。
绝大多数物联网平台的物模型都由三部分构成,区别只在命名:
| 要素 | 作用 | 方向 | 典型例子 |
|---|---|---|---|
| 属性(Property) | 描述设备可观测、可设置的状态量 | 可读 / 可写 | 温度、开关状态、风速档位 |
| 服务(Service) | 描述设备可被调用的方法或动作 | 输入 → 输出 | 设置温度、启动清扫、重启 |
| 事件(Event) | 描述设备主动上报的瞬时信息 | 设备 → 平台 | 温度越限告警、滤芯寿命不足 |
理解这三者的分工很重要: 属性是名词,服务是动词,事件是感叹号 。把”打开空调”错误地建模成一个布尔属性,会导致状态与指令混淆;把”故障告警”建模成属性,则无法表达告警的时间点和等级。
以智能空气净化器为例,物模型通常是一份 JSON(不同平台字段名略有差异,但语义一致):
{"modelKey": "smart_air_purifier","name": "智能空气净化器","properties": [{"identifier": "pm25","name": "PM2.5浓度","dataType": { "type": "float", "specs": { "min": "0", "max": "500", "unit": "μg/m³", "step": "0.1" } },"accessMode": "r"},{"identifier": "fanLevel","name": "风速档位","dataType": { "type": "enum", "specs": { "0": "自动", "1": "低速", "2": "中速", "3": "高速" } },"accessMode": "rw"}],"services": [{"identifier": "setWindSpeed","name": "设置风速","callType": "async","inputData": [{ "identifier": "level", "dataType": { "type": "int", "specs": { "min": "0", "max": "3" } } }],"outputData": [{ "identifier": "success", "dataType": { "type": "bool" } }]}],"events": [{"identifier": "filter_life_low","name": "滤芯寿命告警","eventType": "alert","outputData": [{ "identifier": "remainPercent", "dataType": { "type": "int", "specs": { "min": "0", "max": "100" } } }]}]}
几个容易被忽略的细节:
{"1": "低速"} 而不是裸 1,能让下游系统和模型都读懂语义。在没有物模型的早期方案里,设备接入是”点对点”的:每个应用各自解析一遍报文,字段名五花八门,换一个厂商就要重写一遍解析逻辑。物模型带来的收益集中在四点:
这是当前物模型最有价值的新用法。物模型的服务定义与大模型 Function Calling 的 tool schema 高度同构,转换几乎是机械的:
def thing_model_to_tool(service: dict) -> dict:"""把物模型中的一个 service 转换为大模型可调用的 tool 定义"""properties = {item["identifier"]: {"type": item["dataType"]["type"],"description": item.get("description", item["identifier"]),}for item in service.get("inputData", [])}return {"type": "function","function": {"name": service["identifier"],"description": service.get("description", service["name"]),"parameters": { "type": "object", "properties": properties },},}
有了这层转换,用户说”把客厅净化器调到中速”,Agent 的链路就是:意图识别 → 选中 setWindSpeed 工具 → 参数填充 {"level": "2"} → 下发指令 → 回读 fanLevel 属性确认执行结果。设备数量多、型号杂时,通常还会先用向量检索从物模型库里召回 Top-K 个相关设备和服务,再交给模型决策,避免一次性把几百个工具塞进上下文。
在这个环节,模型选型会直接影响效果与成本:设备语义理解偏简单任务,指令遵循和参数抽取则要求较高的稳定性。建议在 词元所模型服务 上按场景对比候选模型,用同一批真实语料做小规模评测,再决定线上使用哪一个,而不是凭印象拍板。
物模型本质上是给设备写一份机器可读的”能力说明书”。做好它,设备接入、数据治理、规则联动和 AI Agent 控制才能共用同一套语义底座。当你的物模型已经就绪、准备接入大模型能力时,可以通过 百度智能云词元所 完成模型发现、价格与性能对比、统一 API 接入以及后续的调用情况管理,把精力集中在业务逻辑而不是多模型适配上。