讓 Agent 搭建行情中心：DolphinX 數據接入自動化實踐

刷到《讓 Agent 搭建行情中心：DolphinX 數據接入自動化實踐》，內容很實在，值得細讀。這篇把它的關鍵做法提煉出來，幫你省下通讀的時間，結尾附行動建議。

在量化投研中，行情數據接入看似只是基礎工作，卻往往是最容易消耗工程資源的一環。 研究員一句“幫我導入 2025 年全年滬深 Level-2 逐筆數據，我想測個因子”，落到工程側，往往意味着一長串事情：數據格式解析與標準化、庫表與分區設計、流引擎配置、數據訂閱與落庫，還要考慮大規模並行加載和後續增量更新。換一套數據源，或者從歷史切到實時，又得重新配一套流程。 在 DolphinX 中，我們把這套行情接入經驗封裝成了可複用的 Skills。Agent 不只是理解“我要什麼數據”，還能進一步完成建庫建表、流引擎配置、數據訂閱與落庫等具體操作。

在量化投研中，行情數據接入看似只是基礎工作，卻往往是最容易消耗工程資源的一環。 研究員一句“幫我導入 2025 年全年滬深 Level-2 逐筆數據，我想測個因子”，落到工程側，往往意味着一長串事情：數據格式解析與標準化、庫表與分區設計、流引擎配置、數據訂閱與落庫，還要考慮大規模並行加載和後續增量更新。換一套數據源，或者從歷史切到實時，又得重新配一套流程。 在 DolphinX 中，我們把這套行情接入經驗封裝成了可複用的 Skills。Agent 不只是理解“我要什麼數據”，還能進一步完成建庫建表、流引擎配置、數據訂閱與落庫等具體操作。 本文以歷史行情導入和 CTP 實時行情接入兩個場景爲例，拆解 DolphinX 行情中心 Agent 的架構設計與實戰流程，看它如何把數據工程從寫代碼調試變成自然語言交互。

在量化投研中，行情數據接入看似只是基礎工作，卻往往是最容易消耗工程資源的一環。 研究員一句“幫我導入 2025 年全年滬深 Level-2 逐筆數據，我想測個因子”，落到工程側，往往意味着一長串事情：數據格式解析與標準化、庫表與分區設計、流引擎配置、數據訂閱與落庫，還要考慮大規模並行加載和後續增量更新。換一套數據源，或者從歷史切到實時，又得重新配一套流程。 在 DolphinX 中，我們把這套行情接入經驗封裝成了可複用的 Skills。Agent 不只是理解“我要什麼數據”，還能進一步完成建庫建表、流引擎配置、數據訂閱與落庫等具體操作。 本文以歷史行情導入和 CTP 實時行情接入兩個場景爲例，拆解 DolphinX 行情中心 Agent 的架構設計與實戰流程，看它如何把數據工程從寫代碼調試變成自然語言交互。 一、DolphinX 行情中心 Agent 架構設計 DolphinX 行情中心 Agent 採用三層架構設計，將用戶的自然語言需求自動轉化爲可執行的數據庫作業： 1. 感知交互層 感知交互層負責接收用戶的自然語言指令，如“幫我完成 ctp 實時數據接收落庫的完整流程”。

在量化投研中，行情數據接入看似只是基礎工作，卻往往是最容易消耗工程資源的一環。 研究員一句“幫我導入 2025 年全年滬深 Level-2 逐筆數據，我想測個因子”，落到工程側，往往意味着一長串事情：數據格式解析與標準化、庫表與分區設計、流引擎配置、數據訂閱與落庫，還要考慮大規模並行加載和後續增量更新。換一套數據源，或者從歷史切到實時，又得重新配一套流程。 在 DolphinX 中，我們把這套行情接入經驗封裝成了可複用的 Skills。Agent 不只是理解“我要什麼數據”，還能進一步完成建庫建表、流引擎配置、數據訂閱與落庫等具體操作。 本文以歷史行情導入和 CTP 實時行情接入兩個場景爲例，拆解 DolphinX 行情中心 Agent 的架構設計與實戰流程，看它如何把數據工程從寫代碼調試變成自然語言交互。 一、DolphinX 行情中心 Agent 架構設計 DolphinX 行情中心 Agent 採用三層架構設計，將用戶的自然語言需求自動轉化爲可執行的數據庫作業： 1. 感知交互層 感知交互層負責接收用戶的自然語言指令，如“幫我完成 ctp 實時數據接收落庫的完整流程”。DolphinX 內配置的大模型（如 DeepSeek / GLM 等）負責初始意圖識別與後續的參數提取，將模糊的自然語言轉化爲結構化的任務描述。

在量化投研中，行情數據接入看似只是基礎工作，卻往往是最容易消耗工程資源的一環。 研究員一句“幫我導入 2025 年全年滬深 Level-2 逐筆數據，我想測個因子”，落到工程側，往往意味着一長串事情：數據格式解析與標準化、庫表與分區設計、流引擎配置、數據訂閱與落庫，還要考慮大規模並行加載和後續增量更新。換一套數據源，或者從歷史切到實時，又得重新配一套流程。 在 DolphinX 中，我們把這套行情接入經驗封裝成了可複用的 Skills。Agent 不只是理解“我要什麼數據”，還能進一步完成建庫建表、流引擎配置、數據訂閱與落庫等具體操作。 本文以歷史行情導入和 CTP 實時行情接入兩個場景爲例，拆解 DolphinX 行情中心 Agent 的架構設計與實戰流程，看它如何把數據工程從寫代碼調試變成自然語言交互。 一、DolphinX 行情中心 Agent 架構設計 DolphinX 行情中心 Agent 採用三層架構設計，將用戶的自然語言需求自動轉化爲可執行的數據庫作業： 1. 感知交互層 感知交互層負責接收用戶的自然語言指令，如“幫我完成 ctp 實時數據接收落庫的完整流程”。DolphinX 內配置的大模型（如 DeepSeek / GLM 等）負責初始意圖識別與後續的參數提取，將模糊的自然語言轉化爲結構化的任務描述。 2. Skill 編排層 Skill 編排層是 Agent 的決策中樞，根據解析後的任務類型自動匹配並調用相應的 DolphinX Skills，並從中提取完整的工作流待辦清單。

建議先收藏再實操：挑其中一個點今天就試試，跑通了再看下一個。知識只有過手纔是你的，你準備先試哪一點？ 來源｜博客園《讓 Agent 搭建行情中心：DolphinX 數據接入自動化實踐》，https://www.cnblogs.com/DolphinDB/p/22981808.html