让 Agent 搭建行情中心：DolphinX 数据接入自动化实践

刷到《让 Agent 搭建行情中心：DolphinX 数据接入自动化实践》，内容很实在，值得细读。这篇把它的关键做法提炼出来，帮你省下通读的时间，结尾附行动建议。

在量化投研中，行情数据接入看似只是基础工作，却往往是最容易消耗工程资源的一环。 研究员一句“帮我导入 2025 年全年沪深 Level-2 逐笔数据，我想测个因子”，落到工程侧，往往意味着一长串事情：数据格式解析与标准化、库表与分区设计、流引擎配置、数据订阅与落库，还要考虑大规模并行加载和后续增量更新。换一套数据源，或者从历史切到实时，又得重新配一套流程。 在 DolphinX 中，我们把这套行情接入经验封装成了可复用的 Skills。Agent 不只是理解“我要什么数据”，还能进一步完成建库建表、流引擎配置、数据订阅与落库等具体操作。

在量化投研中，行情数据接入看似只是基础工作，却往往是最容易消耗工程资源的一环。 研究员一句“帮我导入 2025 年全年沪深 Level-2 逐笔数据，我想测个因子”，落到工程侧，往往意味着一长串事情：数据格式解析与标准化、库表与分区设计、流引擎配置、数据订阅与落库，还要考虑大规模并行加载和后续增量更新。换一套数据源，或者从历史切到实时，又得重新配一套流程。 在 DolphinX 中，我们把这套行情接入经验封装成了可复用的 Skills。Agent 不只是理解“我要什么数据”，还能进一步完成建库建表、流引擎配置、数据订阅与落库等具体操作。 本文以历史行情导入和 CTP 实时行情接入两个场景为例，拆解 DolphinX 行情中心 Agent 的架构设计与实战流程，看它如何把数据工程从写代码调试变成自然语言交互。

在量化投研中，行情数据接入看似只是基础工作，却往往是最容易消耗工程资源的一环。 研究员一句“帮我导入 2025 年全年沪深 Level-2 逐笔数据，我想测个因子”，落到工程侧，往往意味着一长串事情：数据格式解析与标准化、库表与分区设计、流引擎配置、数据订阅与落库，还要考虑大规模并行加载和后续增量更新。换一套数据源，或者从历史切到实时，又得重新配一套流程。 在 DolphinX 中，我们把这套行情接入经验封装成了可复用的 Skills。Agent 不只是理解“我要什么数据”，还能进一步完成建库建表、流引擎配置、数据订阅与落库等具体操作。 本文以历史行情导入和 CTP 实时行情接入两个场景为例，拆解 DolphinX 行情中心 Agent 的架构设计与实战流程，看它如何把数据工程从写代码调试变成自然语言交互。 一、DolphinX 行情中心 Agent 架构设计 DolphinX 行情中心 Agent 采用三层架构设计，将用户的自然语言需求自动转化为可执行的数据库作业： 1. 感知交互层 感知交互层负责接收用户的自然语言指令，如“帮我完成 ctp 实时数据接收落库的完整流程”。

在量化投研中，行情数据接入看似只是基础工作，却往往是最容易消耗工程资源的一环。 研究员一句“帮我导入 2025 年全年沪深 Level-2 逐笔数据，我想测个因子”，落到工程侧，往往意味着一长串事情：数据格式解析与标准化、库表与分区设计、流引擎配置、数据订阅与落库，还要考虑大规模并行加载和后续增量更新。换一套数据源，或者从历史切到实时，又得重新配一套流程。 在 DolphinX 中，我们把这套行情接入经验封装成了可复用的 Skills。Agent 不只是理解“我要什么数据”，还能进一步完成建库建表、流引擎配置、数据订阅与落库等具体操作。 本文以历史行情导入和 CTP 实时行情接入两个场景为例，拆解 DolphinX 行情中心 Agent 的架构设计与实战流程，看它如何把数据工程从写代码调试变成自然语言交互。 一、DolphinX 行情中心 Agent 架构设计 DolphinX 行情中心 Agent 采用三层架构设计，将用户的自然语言需求自动转化为可执行的数据库作业： 1. 感知交互层 感知交互层负责接收用户的自然语言指令，如“帮我完成 ctp 实时数据接收落库的完整流程”。DolphinX 内配置的大模型（如 DeepSeek / GLM 等）负责初始意图识别与后续的参数提取，将模糊的自然语言转化为结构化的任务描述。

在量化投研中，行情数据接入看似只是基础工作，却往往是最容易消耗工程资源的一环。 研究员一句“帮我导入 2025 年全年沪深 Level-2 逐笔数据，我想测个因子”，落到工程侧，往往意味着一长串事情：数据格式解析与标准化、库表与分区设计、流引擎配置、数据订阅与落库，还要考虑大规模并行加载和后续增量更新。换一套数据源，或者从历史切到实时，又得重新配一套流程。 在 DolphinX 中，我们把这套行情接入经验封装成了可复用的 Skills。Agent 不只是理解“我要什么数据”，还能进一步完成建库建表、流引擎配置、数据订阅与落库等具体操作。 本文以历史行情导入和 CTP 实时行情接入两个场景为例，拆解 DolphinX 行情中心 Agent 的架构设计与实战流程，看它如何把数据工程从写代码调试变成自然语言交互。 一、DolphinX 行情中心 Agent 架构设计 DolphinX 行情中心 Agent 采用三层架构设计，将用户的自然语言需求自动转化为可执行的数据库作业： 1. 感知交互层 感知交互层负责接收用户的自然语言指令，如“帮我完成 ctp 实时数据接收落库的完整流程”。DolphinX 内配置的大模型（如 DeepSeek / GLM 等）负责初始意图识别与后续的参数提取，将模糊的自然语言转化为结构化的任务描述。 2. Skill 编排层 Skill 编排层是 Agent 的决策中枢，根据解析后的任务类型自动匹配并调用相应的 DolphinX Skills，并从中提取完整的工作流待办清单。

建议先收藏再实操：挑其中一个点今天就试试，跑通了再看下一个。知识只有过手才是你的，你准备先试哪一点？ 来源｜博客园《让 Agent 搭建行情中心：DolphinX 数据接入自动化实践》，https://www.cnblogs.com/DolphinDB/p/22981808.html