DolphinX 实测当 AI Agent 真正读懂你的时序数据事情开始变得不一样DolphinDB 有了自己的 AI Agent 平台这是我看完 DolphinX 资料后的第一反应。坦白说在 2026 年这个时间点“数据库 AI” 已经算不上新鲜事了——每个数据库厂商都在讲类似的故事。真正让我坐下来的是 DolphinX 处理一个具体问题时的态度。它不是又往产品里塞了一个智能对话按钮而是把 Agent 的能力直接嵌入了数据库的核心流程。一、2026 年的 AI 落地不缺模型缺最后一公里2026 年被称为智能体爆发年。Gartner 预测超过 80% 的企业将在生产环境中部署生成式 AI 应用。大模型越来越强从通用对话到复杂推理、工具调用能力已经肉眼可见地够用了。但如果你在一家金融机构或工业企业负责数据平台面对的真实情况可能是这样的大模型 API 已经接上了写个 Demo 两天就搞定了——但要把它跑在生产环境里面对权限管控、数据安全、审计合规、国产化适配这些关卡每一步都有可能卡住。图4 — 图片来源DolphinDB 微信公众号2026.07.15 直播材料从 DolphinDB 7月15日的新产品直播中可以看到企业 AI 落地面临三大核心问题数据无法深度打通——通用模型无法感知库表结构、业务字段含义、异常阈值等企业上下文只会做浅层问答。数据与操作不安全——AI 权限不清晰企业不敢让它接触核心生产环境。能力重复建设——各业务线各搭各的 Agent无法复用研发成本直线上升。市面上现有的方案各有短板开源框架LangChain、AutoGPT 等灵活但缺失权限、审计、监控等企业级能力国内大模型平台上手简单但专业大数据计算和时序分析能力薄弱国外一体化平台整合度高但不支持私有化与国产化适配。图5 — 图片来源DolphinDB 微信公众号2026.07.15 直播材料行业不缺大模型真正缺失的是一层连接大模型、企业数据、业务能力与安全治理的专属 AI 基础设施。DolphinX 正是在这个缺口上诞生的。二、企业不需要另一个聊天窗口先问自己一个问题如果你的时序数据库旁边多了一个对话输入框你打算用它做什么绝大多数AI 数据库助手的使用路径是这样的写一句自然语言 → AI 生成一段 SQL/DSL → 你复制到查询窗口 → 跑一下 → 发现有问题 → 回来继续改 prompt。循环几轮之后你意识到最有效率的方式还是自己写 SQL。这不是 AI 不行是产品设计错了——把一个需要深度嵌入系统流程的能力强行塞进了一个聊天窗口。DolphinX 在架构上做的第一个决策就是不走这条路。它不是 DolphinDB 的AI 外挂而是从 V3.00.6 版本开始直接内嵌在 DolphinDB Server 内部的 Agent 开发底座。它与存储引擎、计算引擎、权限体系运行在同一个进程空间里。图6 — 图片来源DolphinDB 微信公众号2026.07.15 直播材料上图清晰地展示了 DolphinX 的定位位于 AI 平台层往上承接各类行业 Agent往下对接大模型和 DolphinDB 既有能力。它不是独立部署的AI 盒子而是数据基础设施的一部分。三、一次实测从自然语言到可视化报告我用 DolphinX 做了一次实测。需求很简单——“帮我查过去 24 小时某台设备的振动数据做 FFT 分析输出频谱图。”它的 CodingAgent 拿到这句话后做了一系列编排识别出查询范围设备 ID、时间窗口自动查询库中该设备的测点元数据调用 DolphinDB 内置的 FFT 函数做频域变换用内置绘图接口输出频谱图把图片和结论性描述一起返回整个过程大约几十秒。没有写一行 Dlang 代码没有切换工具没有导出数据到 Python。你说这能不能取代数据分析师当然不能。但当分析师需要快速验证一个假设时过去打开 IDE → 写脚本 → 调参 → 出图的 20 分钟流程被压缩到了一个自然语言请求里。效率提升不是线性的而是让过去不值得做的快速验证变得值得了。图1 — 图片来源DolphinDB 官网 AI 页面DolphinX 背后依赖的是 DolphinDB 超过 2000 个内置函数和原生的向量化计算引擎。CodingAgent 不只是生成一段文本它生成的每一条脚本都直接在 DolphinDB 的计算引擎上运行结果是真实可用的数据而不是一段需要你二次加工的草稿。四、企业级的关键词权限不是功能如果 DolphinX 只是做到自然语言生成脚本它和市面上大多数 AI 工具没有本质区别。真正拉开差距的地方在于——模型生成的脚本在什么边界内执行。这是 DolphinX 与大多数 Agent 框架的最大区别它不在自己的沙盒里生成一段文本让你自己去执行而是直接在 DolphinDB 的既有企业级权限体系内运行。具体来说DolphinX 做了三层兜底权限继承用户通过 Agent 发起的每一个数据请求遵循的是该用户自身的权限配置。A 部门的人无法通过 Agent 访问 B 部门的数据不管他用什么措辞去问——底层权限不是靠AI 自觉而是靠数据库的权限引擎强制执行的。脚本安全拦截CodingAgent 生成的脚本在执行前会过一道安全检查。DELETE、DROP、CLEAR 等高风险操作被主动拦截需要显式的人工审核才能放行。这解决了企业最担心的AI 一句话把表删了的问题。全程审计Agent 的每一次工具调用、每一条数据访问、每一个生成脚本全部记录在审计日志中。直播中有一组数据值得注意——68% 的企业无法区分一个操作到底是 AI Agent 做的还是人做的。DolphinX 的审计日志直接回答了这个问题。这三点对个人开发者来说可能无所谓但对金融、电力、核电领域的甲方来说是能不能部署到生产环境的硬性门槛。五、Skill 与 MCPAgent 能力的乐高体系DolphinX 的另一层设计是 Skill 机制。它把 DolphinDB 的能力拆解为可复用的技能模块——当前已内置 20 个通用 Skill覆盖 Dlang 智能编程、数据导入、策略回测、机器学习、信号处理等高频场景。我理解这个设计的价值是在跟一个做量化的朋友聊天时。他说他们团队用 DolphinX 做了一个策略回测 Agent业务人员直接用自然语言描述策略逻辑“当 5 日均线上穿 20 日均线且成交量放大 2 倍时买入”Agent 自动解析成回测配置并跑出结果。以前回测一个想法要排队等开发排期现在上午想到的策略下午就能看到结果。他说这话的时候表情介于惊喜和担忧之间——惊喜是效率确实上来了担忧是自己团队的角色定位可能要变。图2 — 图片来源DolphinDB 官网首页更值得关注的是 MCPModel Context Protocol的标准支持。大模型可以通过 MCP 协议直接查询数据库、调用内置函数、获取行情数据。这意味着 DolphinX 不只是调用 DolphinDB 内部的能力还可以通过标准协议对接外部工具和数据源。对于已经建了数据中台的企业Agent 可以在不搬数据的前提下跨系统完成任务编排。Skill 的另一个价值是标准化。过去各业务线各自开发 AI 能力互不兼容一个人写的东西另一个人用不了。DolphinX 提供了统一的注册和版本管理Skill 开发完成后在平台上一注册整个组织的人都能复用。六、记忆Agent 会长记性在实测过程中DolphinX 的长短时记忆给我留下了很深的印象。短期记忆就是会话上下文——你在这个会话里问了什么、Agent 回答了什么、生成了什么脚本全部持久化保存不会因为刷新页面就丢失。长期记忆则更有意思。当一个会话闲置超过 6 小时系统会自动提炼会话中的业务规则、踩坑经验写入长期记忆库。举个例子你第一次让 Agent 查某台设备的振动数据时说用 FFT 分析关注 50Hz 附近的峰值。第二次再查同一台设备时Agent 已经记住了这个业务偏好——它知道你要先看频谱而不是原始波形关注频段是 50Hz 附近不需要重复说明。更关键的是记忆分为两层Agent 公共记忆团队共享和用户私有记忆个人独享来源可追溯、支持手动编辑。管理员可以随时检查这个记忆是怎么来的如果发现记忆偏离了业务逻辑可以直接修正。在团队协作场景里这意味着一个团队的 Agent 越用越懂业务——老员工的经验可以通过长期记忆 人工审核的方式沉淀下来新成员上手时不需要从头问起。七、Agent 治理从能用到可控如果只做对话和工具调用DolphinX 能做到第二步就够了。但它多走了一步——搭建了完整的企业级 Agent 治理平台。图7 — 图片来源DolphinDB 微信公众号2026.07.15 直播材料管控台提供了可视化的配置界面管理员可以在这个平台上完成Agent 配置与授权创建不同的 Agent配置其可用的模型、Prompt、Skill 和 MCP 工具分派给不同的用户或团队上下文预览与调试查看 Agent 实际看到的 Prompt 和上下文内容诊断行为异常Token 用量与成本分析统计每个 Agent 的 Token 消耗、调用频率做到成本可控Skill 版本管理Skill 升级后各 Agent 可以选择跟进或锁定版本DolphinDB 直播问答中透露了一个有意思的细节Agent 的脚本受限执行机制支持人工审核模式——模型生成的脚本在真正执行前必须经过有权限的人手动确认。这是企业级 Agent 落地中极其务实的设计——人都可能写错脚本AI 当然也可能犯错关键是有没有人兜底做最后一道把关。八、行业落地从金融到电力的真实案例DolphinX 不是 PPT 产品。从直播中披露的信息来看它已经在多个行业有了实际的落地案例金融领域——FICC 多资产定价 Agent 和股票策略回测 Agent 已在多家机构试用。内置的回测、定价专用 Skill 支持用自然语言生成策略回测配置生成的 JSON 配置经人工校验后即可运行有效避免了未来数据偏移等回测陷阱。电力与工业领域——智能问数 Agent 和机器学习故障预测 Skill 已落地电力行业。Agent 可以自动解析时序数据完成 24 小时负荷预测、设备异常预测并输出分析报告。对于电力调度中心的业务人员来说不需要掌握 Dlang 或 Python只需要用自然语言描述需求Agent 就能完成从数据查询到报告生成的完整流程。某新能源车企也用到了 DolphinX 的方案——利用 CodingAgent 直接查询车辆状态数据在不需要手动编写复杂查询脚本的情况下完成车队级异常检测。图3 — 图片来源DolphinDB 官网首页DolphinDB 本身已支持 PyTorch、TensorFlow、XGBoost 等模型的库内推理数据入库即推理不需要导出数据。DolphinX 在此基础上加了一层自然语言交互层让模型推理的门槛进一步降低。九、部署不需要上云对于一个面向金融、电力、核电等关键行业的产品私有化部署是底线不是选项。DolphinX 的部署策略非常直接如果你用私有化本地大模型全程离线部署数据不出机房如果你用外部大模型 API只在调用 API 时需要网络出口支持信创环境龙芯、鲲鹏、飞腾等国产芯片 统信 UOS、银河麒麟等国产 OS相应地离线文档检索也有两套方案要么绑一个文档检索 Skill 到 Agent 上要么独立部署一个 MCP 文档服务在内网提供知识库查询。对于物理隔离的政企机房环境这两种方案都可以做到完全离线。另一个值得注意的点是DolphinX 对模型是模型无关的。OpenAI、Claude、DeepSeek 等主流大模型都可以接入也可以接入私有化部署的开源模型。企业不需要被绑定在某一个模型供应商身上。十、写在最后DolphinX 这个产品让我觉得有意思的地方不在于它多智能而在于它对智能这件事的取舍非常清晰。它没有试图做一个通用的 AI 助手回答所有问题而是把精力集中在让 AI 在 DolphinDB 的能力边界内把事情做对。它没有把安全合规作为事后追加的功能而是作为 Agent 运行的前提条件来设计——权限继承、脚本拦截、全程审计三层兜底。它没有把自然语言替代编程作为口号而是清楚知道——在关键业务场景里AI 生成脚本 人工审核才是稳态工作流。它没有把 Agent 限定在对话这个单一交互模式而是提供了三种形态——开箱即用的官方 Agent、可视化构建平台、API 集成——让终端用户、业务团队、专业开发者各取所需。这些取舍背后是一个判断企业级 Agent 的核心矛盾不是模型不够聪明而是聪明的模型在企业里能不能被管控、被信任、被持续运营。把数据、计算、权限、记忆、治理全部收进同一个底座再把 Agent 嵌进这个底座——这是 DolphinX 给出的答案。DolphinX 也已经公布了未来的演进方向Multi-Agent 协作打破单一 Agent 的能力局限、与实时计算深度融合让 AI 不仅能分析历史数据更能快速响应实时事件、持续丰富行业生态金融、工业、电力的垂直 Skill 与工具矩阵。从能用到好用从Demo到生产中间隔着多少个权限管控、脚本安全、记忆管理、审计追溯的问题——DolphinX 至少给出了一个正在被验证的、认真的答案。本文基于 DolphinDB V3.00.6 版本的 DolphinX 企业级 Agent 开发与治理平台进行实测参考了 DolphinDB 官网dolphindb.cn及官方技术资料。具体功能与性能表现以官方最新版本为准。文中所引用的微信公众号图片均来自 DolphinDB 2026 年 7 月 15 日直播材料。