[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"consumer-news-detail-828":3,"consumer-news-interaction-828":39,"consumer-news-related-828":42},{"detail":4,"item":35},{"card":5,"schemaVersion":22,"fields":23,"content":29},{"id":6,"kind":7,"targetType":8,"targetId":9,"subtype":7,"typeLabel":10,"title":11,"subtitle":12,"summary":13,"coverUrl":14,"badgeText":15,"href":16,"sourceName":12,"meta":17,"metrics":19,"tags":20,"resolved":21},"NEWS_ARTICLE:828","news","NEWS_ARTICLE",828,"资讯","一个人抵一个团队的时代，企业级 AI Agent 还需要做什么？","博客园","对于企业而言，真正需要的，不是一个“会聊天”的 Agent，而是一套能被多用户、多场景复用，且权限清晰、过程可审计、成本可控制的 Agent 能力体系。","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F2232255\u002F202609\u002F2232255-20260902173524728-659996478.png","","\u002Fnews\u002F828",[18],"2026",{},[],true,"consumer-content-detail-v1",{"sourceName":12,"authorName":24,"summary":13,"description":13,"publishTime":25,"updateTime":26,"sourceUrl":27,"language":28},"DolphinDB","2026-09-02T17:39","2026-09-02T20:37:48","https:\u002F\u002Fwww.cnblogs.com\u002FDolphinDB\u002Fp\u002F22811974","中文",{"format":30,"policy":31,"normalized":21,"html":32,"text":33,"wordCount":34,"hasBody":21},"HTML","NEWS_CONTENT_V1","\u003Cp>最近，“Agent 时代”几乎成了 AI 圈绕不开的话题。\u003C\u002Fp>\n\u003Cp>“一人公司”的故事也被不断放大，仿佛一个人加上一堆 AI Agent 员工，就能轻松复制一家公司。\u003C\u002Fp>\n\u003Cp>以 Codex 为代表的个人 Coding Agent 配合 Skill，确实能让开发者独自调用工具、完成脚本编写和问题排查，这种模式灵活直接，也让\"一个人抵一个团队\"的想象显得触手可及。\u003C\u002Fp>\n\u003Cp>但把镜头拉近到企业，会发现事情往往\u003Cstrong>并没有\u003C\u002Fstrong>这么简单。\u003C\u002Fp>\n\u003Cdiv>\n \u003Ch2>个人开发 VS 企业开发\u003C\u002Fh2>\n\u003C\u002Fdiv>\n\u003Cp>个人 Coding Agent 服务的是开发者本人：模型、Skill、权限通常由个人自行配置，能力留在个人的工作环境里，很难直接复制给下一个人、下一个项目。\u003C\u002Fp>\n\u003Cp>而企业要的不是让某个人变得更强，是让 Agent 能力在多用户、多业务系统之间稳定复用——这恰恰是个人工具原生不具备的部分。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>复用不上，成本自然也压不住。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>Gartner 预计，到 2027 年底，超过四成 Agentic AI 项目将因成本上升、商业价值不明确或风险控制不足而被取消。 成本问题也正在成为企业规模化部署 Agent 时需要面对的现实挑战。IDC 的研究显示，企业在推进 Agentic AI 的过程中，仍普遍面临 ROI 衡量、成本控制和治理能力不足等问题。\u003C\u002Fp>\n\u003Cp>这背后的原因不难理解：一个 Agent 任务往往要经过推理、检索、工具调用、结果校验等多个环节，消耗的 Token 可能是普通对话的十倍甚至更多。更现实的是，很多能力其实还在被团队重复造轮子——同样的数据库查询、同样的调用逻辑，不同团队各写一遍，模型不知道已有实现，只能再生成一份。\u003C\u002Fp>\n\u003Cp>对于企业而言，真正需要的，不是一个“会聊天”的 Agent，而是一套能被\u003Cstrong>多用户、多场景复用，且权限清晰、过程可审计、成本可控制\u003C\u002Fstrong>的 Agent 能力体系。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>那么，要实现这种能力复用，企业的 AI 基础设施究竟需要什么？\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cdiv>\n \u003Ch2>DolphinDB 如何布局 AI 能力\u003C\u002Fh2>\n\u003C\u002Fdiv>\n\u003Cp>面向基于 DolphinDB 的开发团队，DolphinDB 构建了一整套自下而上的 AI 产品框架，覆盖数据底座、模型能力、平台治理与上层应用，具体可以分为四层：\u003C\u002Fp>\n\u003Cdiv>\n \u003Cdiv>\n  \u003Cdiv>\n    \u003Cimg alt=\"四层\" src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F2232255\u002F202609\u002F2232255-20260902173524728-659996478.png?w=720&quality=65&strip=all\">\n   \u003Cp>最底层是 \u003Cstrong>AI 底座层\u003C\u002Fstrong>。DolphinDB 的多模态存储、统一计算引擎和 Dlang 编程能力，为上层的 AI 能力提供数据和算力支撑。\u003C\u002Fp>\n  \u003C\u002Fdiv>\n \u003C\u002Fdiv>\n\u003C\u002Fdiv>\n\u003Cp>往上一层是 \u003Cstrong>AI 垂直领域模型层\u003C\u002Fstrong>，包含知识库数据、机器学习与深度学习训练、结构化基础模型三部分，为 RAG 应用、特征工程与模型训练、时序及表格数据预测提供专属 AI 能力。\u003C\u002Fp>\n\u003Cp>再往上，才是专门运行和治理 Agent 的 \u003Cstrong>AI 平台层\u003C\u002Fstrong>。它向下接入前两层已经具备的数据、模型与 Skill，向上支撑最上层的应用，包括 AI 客户端、行业专用 Agent、Dlang Coding Agent 等，统一提供权限、审计和运行能力。\u003C\u002Fp>\n\u003Cp>最上层，则是面向最终用户的 \u003Cstrong>AI 应用\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>这样一来，各层的职责就比较清晰：底座解决\u003Cstrong>数据和算力从哪里来\u003C\u002Fstrong>；模型层解决\u003Cstrong>专业知识和 AI 能力从哪里来\u003C\u002Fstrong>；平台层解决 \u003Cstrong>Agent 如何运行和治理\u003C\u002Fstrong>；应用层解决\u003Cstrong>这些能力最终服务谁\u003C\u002Fstrong>。\u003C\u002Fp>\n\u003Cp>这套思路的核心，并不是简单地把几个 AI 产品堆在一起，而是让\u003Cstrong>一层沉淀的能力能够被上一层持续复用\u003C\u002Fstrong>。底座层的存储与计算能力，不需要为每个 AI 场景重新搭建；垂直领域模型层沉淀的知识库和训练能力，也可以被多个 Agent 共享。\u003C\u002Fp>\n\u003Cdiv>\n \u003Ch2>\u003Cspan>初尝试：Codex + DolphinDB Skills\u003C\u002Fspan>\u003C\u002Fh2>\n\u003C\u002Fdiv>\n\u003Cp>\u003Cspan>最初，我们尝试将 DolphinDB 的编程语法、函数用法、开发规范等知识沉淀为 Skills，让 Codex 等 Coding Agent 能够更好地理解和使用 DolphinDB。\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>\u003Cspan>这种方式可以很快让个人开发者获得 DolphinDB 的专业能力，但随着应用场景不断扩展，我们也逐渐发现：\u003Cstrong>\u003Cspan>Skill 可以解决“能力怎么注入 Agent”，却很难解决“能力如何在企业内部统一管理和复用”。\u003C\u002Fspan>\u003C\u002Fstrong>\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>\u003Cspan>尤其是在金融等强监管行业，这种要求更为突出——谁可以使用某个 Agent？Agent 可以调用哪些模型和工具？Skill 如何统一维护？历史上下文和长期记忆如何处理？模型调用产生多少成本？出现问题之后又能否追溯？\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>\u003Cspan>这些问题，正是企业级 Agent 与个人 Agent 之间真正的差异。当 Agent 从个人工具走向团队和组织时，模型、Skill、工具、Memory、权限以及运行过程都需要有统一的管理入口。\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>\u003Cspan>我们也因此开始进一步思考：能不能把已经沉淀在 DolphinDB 生态中的数据、计算、模型和 AI 能力，与 Agent 的开发、配置和治理结合起来？\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cdiv>\n \u003Ch2>企业级 AI 开发和治理平台 DolphinX\u003C\u002Fh2>\n\u003C\u002Fdiv>\n\u003Cp>\u003Cspan>DolphinX，就是我们面向企业级 AI 应用的一次探索。\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>\u003Cspan>它并不是要做一个什么都能做的通用 Agent，而是以 DolphinDB 为核心的 AI 基础设施。\u003Cstrong>\u003Cspan>围绕 DolphinDB 的数据、计算和模型能力\u003C\u002Fspan>\u003C\u002Fstrong>\u003Cspan>，进一步连接 Agent 与真实业务，服务于 DolphinDB 生态中的企业级应用。\u003C\u002Fspan>\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>\u003Cspan>如果说 Codex + DolphinDB Skills 是让通用 Coding Agent 获得 DolphinDB 的专业能力，那么 DolphinX 更进一步：让这些能力能够被企业统一配置、管理和复用。\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>DolphinX 围绕 Agent、模型、Skill、MCP、Memory、会话和用户权限提供统一入口，让企业可以把分散在不同业务中的 Agent 纳入同一套配置、权限和运维体系，避免各团队重复建设。\u003Cspan>同时，通过完善的权限管理和审计机制，满足企业在治理与合规方面的需要。\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>具体的核心能力包括：\u003C\u002Fp>\n\u003Cdiv>\n \u003Ch3>自动上下文管理：智能组装，全程可查\u003C\u002Fh3>\n\u003C\u002Fdiv>\n\u003Cp>在长会话中，历史消息、工具定义、Skill 和记忆会不断占用上下文窗口。\u003C\u002Fp>\n\u003Cp>DolphinX 会根据会话状态和模型窗口大小，自动组装本轮请求：系统提示词和当前输入优先保留，较早历史压缩为摘要，最近对话尽量保留原文。平台还提供上下文预览，方便用户在不调用模型的情况下直接查看组装结果。\u003C\u002Fp>\n\u003Cdiv>\n \u003Cdiv>\n  \u003Cdiv>\n    \u003Cimg alt=\"上下文管理机制示意图\" src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F2232255\u002F202609\u002F2232255-20260902173607142-856643459.png?w=720&quality=65&strip=all\">\n   \u003Cp>上下文管理机制示意图\u003C\u002Fp>\n  \u003C\u002Fdiv>\n \u003C\u002Fdiv>\n\u003C\u002Fdiv>\n\u003Cdiv>\n \u003Ch3>Skill 与记忆：复用企业能力和经验\u003C\u002Fh3>\n\u003C\u002Fdiv>\n\u003Cp>企业里有大量知识并不适合直接写进 Prompt。\u003C\u002Fp>\n\u003Cp>例如编程规范、运维经验、投研方法等，如果全部塞进 Prompt，不仅难以维护，也容易造成上下文膨胀。\u003C\u002Fp>\n\u003Cp>DolphinX 采用分层加载的方式管理 Skill：先让模型知道有哪些能力可用，再按需加载详细指令和参考文件，避免上下文膨胀。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Skill 解决的是“能力复用”，Memory 解决的是“经验复用”。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>DolphinX 可以把长期有价值的信息沉淀为 Memory，并区分个人记忆和公共记忆。这样，一次对话中产生的经验就不再只能服务于当前用户，而可以逐步沉淀为团队可以复用的知识资产。\u003C\u002Fp>\n\u003Cdiv>\n \u003Ch3>工具接入与安全管理：限制越权与误操作风险\u003C\u002Fh3>\n\u003C\u002Fdiv>\n\u003Cp>Agent 真正产生价值，往往需要调用数据库、代码执行环境以及第三方工具。\u003C\u002Fp>\n\u003Cp>但工具能力越强，权限和安全边界就越重要。\u003C\u002Fp>\n\u003Cp>DolphinX 可以通过配置 MCP Server 接入 DolphinDB 内置能力或第三方工具。调用 DolphinDB 能力时，可以复用当前用户的数据库身份，避免在系统外再维护一套独立的权限体系。\u003C\u002Fp>\n\u003Cp>对于模型生成但尚未经过人工审核的脚本，DolphinX 还提供受限执行机制，在执行前进行解析和安全检查，并限制高风险操作，降低误操作和越权风险。\u003C\u002Fp>\n\u003Cdiv>\n \u003Cdiv>\n  \n  \u003Cdiv>\n   \u003Cdiv>\n    \u003Cdiv>\n     \u003Cdiv>\n      \u003Cimg alt=\"代码审批配置示意图\" src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F2232255\u002F202609\u002F2232255-20260902173621285-1266475031.png?w=720&quality=65&strip=all\">\n     \u003C\u002Fdiv>\n     \u003Cdiv>\n      代码审批配置示意图\n     \u003C\u002Fdiv>\n    \u003C\u002Fdiv>\n   \u003C\u002Fdiv>\n  \u003C\u002Fdiv>\n \u003C\u002Fdiv>\n\u003C\u002Fdiv>\n\u003Cdiv>\n \u003Ch3>统一资源管理与权限控制：集中配置，按需授权\u003C\u002Fh3>\n\u003C\u002Fdiv>\n\u003Cp>当企业中的 Agent 数量不断增加之后，另一个问题也随之出现：\u003Cstrong>谁来管理这些 Agent？\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>在 DolphinX 中，Agent 本身也是平台上的可管理对象。管理员可以创建、编辑、启停 Agent，普通用户只能访问被授权的 Agent。\u003C\u002Fp>\n\u003Cp>模型、Skill 和 MCP 同样作为平台资源统一配置，而不是写死在具体 Agent 中。管理员可以集中管理不同模型、注册和测试工具、启用或禁用 Skill，再根据业务需要将这些能力组合到不同 Agent 上。\u003C\u002Fp>\n\u003Cdiv>\n \u003Cdiv>\n  \u003Cdiv>\n   \u003Cimg alt=\"模型用量查看界面示意图\" src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F2232255\u002F202609\u002F2232255-20260902173649919-2141675180.png?w=720&quality=65&strip=all\">\n  \u003C\u002Fdiv>\n \u003C\u002Fdiv>\n \u003Cdiv>\n  模型用量查看界面示意图\n \u003C\u002Fdiv>\n\u003C\u002Fdiv>\n\u003Cp>在此基础上，DolphinX 基于 DolphinDB 用户体系提供细粒度权限控制，包括 Agent 访问权限、Agent 管理权限、Skill 使用权限等。同时，平台支持查看模型用量，帮助企业在\u003Cstrong>能力开放、运行治理与成本控制\u003C\u002Fstrong>之间取得平衡。\u003C\u002Fp>\n\u003Cdiv>\n \u003Ch2>开启你的 DolphinX 之旅\u003C\u002Fh2>\n\u003C\u002Fdiv>\n\u003Cp>有了统一的平台之后，企业不需要从零搭建一套 Agent 基础设施。DolphinX 提供了三种使用方式，可以根据实际需求选择不同的入口。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>直接用：内置 Agent，几分钟上手\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>对于希望快速体验 Agent 能力的用户，可以直接使用 DolphinX 内置的 Coding Agent。\u003C\u002Fp>\n\u003Cp>它面向 Dlang 开发和数据库运维场景，用户可以通过自然语言编写脚本、理解函数用法、排查代码问题，也可以用于量化投研和回测系统开发。\u003C\u002Fp>\n\u003Cp>对于初学 Dlang 的用户来说，这意味着原本需要学习语言和函数才能完成的开发工作，也可以通过自然语言直接完成。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>配置用：Web 管控台，组装一个专属 Agent\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>如果内置能力还不足以覆盖具体业务场景，可以通过 Web 管控台进行配置。\u003C\u002Fp>\n\u003Cp>用户可以绑定 Prompt、Skill、模型和 MCP Server，快速组装出一个面向具体业务的专用 Agent。\u003C\u002Fp>\n\u003Cp>比如，金融投研 Agent 可以绑定资产定价、因子开发相关 Skill；运维 Agent 可以绑定性能诊断、Dlang 编程规范相关 Skill；工业物联网 Agent 则可以绑定实时数据导入、异常监测能力。\u003C\u002Fp>\n\u003Cp>不同 Agent 共享底层基础设施，但各自保留清晰的业务边界，既方便复用，也便于管理。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>开发用：DolphinX API，嵌入你自己的系统\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>如果场景更加复杂，需要深度集成到现有系统中，DolphinX 还可以通过 API 开放完整的 Agent 运行时能力。\u003C\u002Fp>\n\u003Cp>业务系统负责前端交互和具体工具执行，DolphinX 则负责会话管理、上下文组装、模型调用和 Skill 注入，并可以进一步与文件解析、任务流、审批流程等能力结合。\u003C\u002Fp>\n\u003Cp>研发团队因此不需要重复建设 Agent 的基础能力，同时仍然可以保留自身业务逻辑的灵活性。\u003C\u002Fp>\n\u003Cdiv>\n \u003Ch2>从个人走向企业\u003C\u002Fh2>\n\u003C\u002Fdiv>\n\u003Cp>回到文章开头那个问题：\u003Cstrong>一个人加上一堆 AI Agent，真的能复制一家公司吗？\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>对于个人开发者来说，答案正在越来越接近“可以”。一个 Coding Agent 配合合适的 Skill，已经能够替开发者完成编码、查询、排错等大量工作，让一个人的能力边界不断扩大。\u003C\u002Fp>\n\u003Cp>但进入企业之后，问题就变了。企业真正需要的，不是让每个人都拥有一套更强的 Agent，而是让\u003Cstrong>一个人沉淀下来的能力，可以被下一个人、下一个团队、下一个业务继续使用。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>这也是 Agent 从\u003Cstrong>个人工具\u003C\u002Fstrong>走向\u003Cstrong>企业基础设施\u003C\u002Fstrong>真正需要跨过的一步。模型、知识、Skill、工具、Memory 以及运行经验，都需要从个人环境中沉淀出来，成为组织可以\u003Cstrong>复用、管理和持续演进\u003C\u002Fstrong>的能力。\u003C\u002Fp>\n\u003Cp>Agent 时代真正值得关注的，可能并不是：\u003Cstrong>“一个人能拥有多少个 Agent？”\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>而是：\u003Cstrong>“一个 Agent 的能力，究竟能服务多少人？”\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>这也是我们对企业级 AI 落地的一点思考。DolphinX 是我们的第一步，但不会是终点。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>依托 DolphinDB 提供的数据、计算与模型等 AI 底座能力，我们会继续探索 Agent 与真实业务的结合，让更多有价值的 AI 能力从个人经验中沉淀下来，在团队和业务之间流动起来，真正成为组织可以复用的能力。\u003C\u002Fp>","最近，“Agent 时代”几乎成了 AI 圈绕不开的话题。 “一人公司”的故事也被不断放大，仿佛一个人加上一堆 AI Agent 员工，就能轻松复制一家公司。 以 Codex 为代表的个人 Coding Agent 配合 Skill，确实能让开发者独自调用工具、完成脚本编写和问题排查，这种模式灵活直接，也让\"一个人抵一个团队\"的想象显得触手可及。 但把镜头拉近到企业，会发现事情往往并没有这么简单。 个人开发 VS 企业开发 个人 Coding Agent 服务的是开发者本人：模型、Skill、权限通常由个人自行配置，能力留在个人的工作环境里，很难直接复制给下一个人、下一个项目。 而企业要的不是让某个人变得更强，是让 Agent 能力在多用户、多业务系统之间稳定复用——这恰恰是个人工具原生不具备的部分。 复用不上，成本自然也压不住。 Gartner 预计，到 2027 年底，超过四成 Agentic AI 项目将因成本上升、商业价值不明确或风险控制不足而被取消。 成本问题也正在成为企业规模化部署 Agent 时需要面对的现实挑战。IDC 的研究显示，企业在推进 Agentic AI 的过程中，仍普遍面临 ROI 衡量、成本控制和治理能力不足等问题。 这背后的原因不难理解：一个 Agent 任务往往要经过推理、检索、工具调用、结果校验等多个环节，消耗的 Token 可能是普通对话的十倍甚至更多。更现实的是，很多能力其实还在被团队重复造轮子——同样的数据库查询、同样的调用逻辑，不同团队各写一遍，模型不知道已有实现，只能再生成一份。 对于企业而言，真正需要的，不是一个“会聊天”的 Agent，而是一套能被多用户、多场景复用，且权限清晰、过程可审计、成本可控制的 Agent 能力体系。 那么，要实现这种能力复用，企业的 AI 基础设施究竟需要什么？ DolphinDB 如何布局 AI 能力 面向基于 DolphinDB 的开发团队，DolphinDB 构建了一整套自下而上的 AI 产品框架，覆盖数据底座、模型能力、平台治理与上层应用，具体可以分为四层： 最底层是 AI 底座层。DolphinDB 的多模态存储、统一计算引擎和 Dlang 编程能力，为上层的 AI 能力提供数据和算力支撑。 往上一层是 AI 垂直领域模型层，包含知识库数据、机器学习与深度学习训练、结构化基础模型三部分，为 RAG 应用、特征工程与模型训练、时序及表格数据预测提供专属 AI 能力。 再往上，才是专门运行和治理 Agent 的 AI 平台层。它向下接入前两层已经具备的数据、模型与 Skill，向上支撑最上层的应用，包括 AI 客户端、行业专用 Agent、Dlang Coding Agent 等，统一提供权限、审计和运行能力。 最上层，则是面向最终用户的 AI 应用。 这样一来，各层的职责就比较清晰：底座解决数据和算力从哪里来；模型层解决专业知识和 AI 能力从哪里来；平台层解决 Agent 如何运行和治理；应用层解决这些能力最终服务谁。 这套思路的核心，并不是简单地把几个 AI 产品堆在一起，而是让一层沉淀的能力能够被上一层持续复用。底座层的存储与计算能力，不需要为每个 AI 场景重新搭建；垂直领域模型层沉淀的知识库和训练能力，也可以被多个 Agent 共享。 初尝试：Codex + DolphinDB Skills 最初，我们尝试将 DolphinDB 的编程语法、函数用法、开发规范等知识沉淀为 Skills，让 Codex 等 Coding Agent 能够更好地理解和使用 DolphinDB。 这种方式可以很快让个人开发者获得 DolphinDB 的专业能力，但随着应用场景不断扩展，我们也逐渐发现：Skill 可以解决“能力怎么注入 Agent”，却很难解决“能力如何在企业内部统一管理和复用”。 尤其是在金融等强监管行业，这种要求更为突出——谁可以使用某个 Agent？Agent 可以调用哪些模型和工具？Skill 如何统一维护？历史上下文和长期记忆如何处理？模型调用产生多少成本？出现问题之后又能否追溯？ 这些问题，正是企业级 Agent 与个人 Agent 之间真正的差异。当 Agent 从个人工具走向团队和组织时，模型、Skill、工具、Memory、权限以及运行过程都需要有统一的管理入口。 我们也因此开始进一步思考：能不能把已经沉淀在 DolphinDB 生态中的数据、计算、模型和 AI 能力，与 Agent 的开发、配置和治理结合起来？ 企业级 AI 开发和治理平台 DolphinX DolphinX，就是我们面向企业级 AI 应用的一次探索。 它并不是要做一个什么都能做的通用 Agent，而是以 DolphinDB 为核心的 AI 基础设施。围绕 DolphinDB 的数据、计算和模型能力，进一步连接 Agent 与真实业务，服务于 DolphinDB 生态中的企业级应用。 如果说 Codex + DolphinDB Skills 是让通用 Coding Agent 获得 DolphinDB 的专业能力，那么 DolphinX 更进一步：让这些能力能够被企业统一配置、管理和复用。 DolphinX 围绕 Agent、模型、Skill、MCP、Memory、会话和用户权限提供统一入口，让企业可以把分散在不同业务中的 Agent 纳入同一套配置、权限和运维体系，避免各团队重复建设。同时，通过完善的权限管理和审计机制，满足企业在治理与合规方面的需要。 具体的核心能力包括： 自动上下文管理：智能组装，全程可查 在长会话中，历史消息、工具定义、Skill 和记忆会不断占用上下文窗口。 DolphinX 会根据会话状态和模型窗口大小，自动组装本轮请求：系统提示词和当前输入优先保留，较早历史压缩为摘要，最近对话尽量保留原文。平台还提供上下文预览，方便用户在不调用模型的情况下直接查看组装结果。 上下文管理机制示意图 Skill 与记忆：复用企业能力和经验 企业里有大量知识并不适合直接写进 Prompt。 例如编程规范、运维经验、投研方法等，如果全部塞进 Prompt，不仅难以维护，也容易造成上下文膨胀。 DolphinX 采用分层加载的方式管理 Skill：先让模型知道有哪些能力可用，再按需加载详细指令和参考文件，避免上下文膨胀。 Skill 解决的是“能力复用”，Memory 解决的是“经验复用”。 DolphinX 可以把长期有价值的信息沉淀为 Memory，并区分个人记忆和公共记忆。这样，一次对话中产生的经验就不再只能服务于当前用户，而可以逐步沉淀为团队可以复用的知识资产。 工具接入与安全管理：限制越权与误操作风险 Agent 真正产生价值，往往需要调用数据库、代码执行环境以及第三方工具。 但工具能力越强，权限和安全边界就越重要。 DolphinX 可以通过配置 MCP Server 接入 DolphinDB 内置能力或第三方工具。调用 DolphinDB 能力时，可以复用当前用户的数据库身份，避免在系统外再维护一套独立的权限体系。 对于模型生成但尚未经过人工审核的脚本，DolphinX 还提供受限执行机制，在执行前进行解析和安全检查，并限制高风险操作，降低误操作和越权风险。 代码审批配置示意图 统一资源管理与权限控制：集中配置，按需授权 当企业中的 Agent 数量不断增加之后，另一个问题也随之出现：谁来管理这些 Agent？ 在 DolphinX 中，Agent 本身也是平台上的可管理对象。管理员可以创建、编辑、启停 Agent，普通用户只能访问被授权的 Agent。 模型、Skill 和 MCP 同样作为平台资源统一配置，而不是写死在具体 Agent 中。管理员可以集中管理不同模型、注册和测试工具、启用或禁用 Skill，再根据业务需要将这些能力组合到不同 Agent 上。 模型用量查看界面示意图 在此基础上，DolphinX 基于 DolphinDB 用户体系提供细粒度权限控制，包括 Agent 访问权限、Agent 管理权限、Skill 使用权限等。同时，平台支持查看模型用量，帮助企业在能力开放、运行治理与成本控制之间取得平衡。 开启你的 DolphinX 之旅 有了统一的平台之后，企业不需要从零搭建一套 Agent 基础设施。DolphinX 提供了三种使用方式，可以根据实际需求选择不同的入口。 直接用：内置 Agent，几分钟上手 对于希望快速体验 Agent 能力的用户，可以直接使用 DolphinX 内置的 Coding Agent。 它面向 Dlang 开发和数据库运维场景，用户可以通过自然语言编写脚本、理解函数用法、排查代码问题，也可以用于量化投研和回测系统开发。 对于初学 Dlang 的用户来说，这意味着原本需要学习语言和函数才能完成的开发工作，也可以通过自然语言直接完成。 配置用：Web 管控台，组装一个专属 Agent 如果内置能力还不足以覆盖具体业务场景，可以通过 Web 管控台进行配置。 用户可以绑定 Prompt、Skill、模型和 MCP Server，快速组装出一个面向具体业务的专用 Agent。 比如，金融投研 Agent 可以绑定资产定价、因子开发相关 Skill；运维 Agent 可以绑定性能诊断、Dlang 编程规范相关 Skill；工业物联网 Agent 则可以绑定实时数据导入、异常监测能力。 不同 Agent 共享底层基础设施，但各自保留清晰的业务边界，既方便复用，也便于管理。 开发用：DolphinX API，嵌入你自己的系统 如果场景更加复杂，需要深度集成到现有系统中，DolphinX 还可以通过 API 开放完整的 Agent 运行时能力。 业务系统负责前端交互和具体工具执行，DolphinX 则负责会话管理、上下文组装、模型调用和 Skill 注入，并可以进一步与文件解析、任务流、审批流程等能力结合。 研发团队因此不需要重复建设 Agent 的基础能力，同时仍然可以保留自身业务逻辑的灵活性。 从个人走向企业 回到文章开头那个问题：一个人加上一堆 AI Agent，真的能复制一家公司吗？ 对于个人开发者来说，答案正在越来越接近“可以”。一个 Coding Agent 配合合适的 Skill，已经能够替开发者完成编码、查询、排错等大量工作，让一个人的能力边界不断扩大。 但进入企业之后，问题就变了。企业真正需要的，不是让每个人都拥有一套更强的 Agent，而是让一个人沉淀下来的能力，可以被下一个人、下一个团队、下一个业务继续使用。 这也是 Agent 从个人工具走向企业基础设施真正需要跨过的一步。模型、知识、Skill、工具、Memory 以及运行经验，都需要从个人环境中沉淀出来，成为组织可以复用、管理和持续演进的能力。 Agent 时代真正值得关注的，可能并不是：“一个人能拥有多少个 Agent？” 而是：“一个 Agent 的能力，究竟能服务多少人？” 这也是我们对企业级 AI 落地的一点思考。DolphinX 是我们的第一步，但不会是终点。 依托 DolphinDB 提供的数据、计算与模型等 AI 底座能力，我们会继续探索 Agent 与真实业务的结合，让更多有价值的 AI 能力从个人经验中沉淀下来，在团队和业务之间流动起来，真正成为组织可以复用的能力。",4391,{"id":6,"kind":7,"title":11,"summary":13,"image":14,"href":16,"meta":18,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":38},"#2563eb","16 \u002F 10",[7,8],{"targetType":8,"targetId":9,"likedByMe":40,"likeCount":41,"commentCount":41,"contentLikeCount":41,"contentCommentCount":41,"sourceLikeCount":41,"sourceCommentCount":41},false,0,[43,52,58,66,73,79,86,92],{"id":44,"kind":7,"title":45,"summary":46,"image":47,"href":48,"meta":49,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":50},"NEWS_ARTICLE:827","MHS 三部曲（下）：谁允许 AI 行动？——权力、合规与中国厂商的答卷","我们总在等待一个像 ChatGPT 那样的机器人时刻。但具身智能真正的拐点，也许先发生在更不起眼的地方：一台陌生设备，第一次能把自己的能力、状态和边界完整告诉 AI；一个 Agent，第一次能把试出来的经验固化成可验证、可复用的机器技能。","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F510\u002F202608\u002F510-20260830153745229-1536981088.jpg","\u002Fnews\u002F827","2026 · 人工智能",[51],"人工智能",{"id":53,"kind":7,"title":54,"summary":55,"image":15,"href":56,"meta":18,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":57},"NEWS_ARTICLE:829","我不会美工，用 WorkBuddy 1 分钟做出 4 张海报","先说结果：下面这 4 张海报，从我发出指令到拿到图片，大约 1 分钟。 我不会美工，也没有打开 Photoshop。用的工具，是我之前用 WorkBuddy 做的一个海报生成器。这个生成器本身也没花几分钟，具体开发过程我在上一篇文章里写过。 这次我把海报生成器的网址、产品截图和要求一起发给 Work","\u002Fnews\u002F829",[7,8],{"id":59,"kind":7,"title":60,"summary":61,"image":15,"href":62,"meta":63,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":64},"NEWS_ARTICLE:832","用 runtime-async 写一个支持 async\u002Fawait 的轻量脚本引擎","起因：一个好奇 事情的开头很简单。 给 .NET 做过动态脚本的人大概都碰到过同一堵墙：表达式树也好、Reflection.Emit 也好，都很难支持 async\u002Fawait。原因不在语法，而在 await 的实现方式——C# 编译器要为每个 async 方法生成一个状态机结构体，把方法体切成若干片","\u002Fnews\u002F832","2026 · 软件开发",[65],"软件开发",{"id":67,"kind":7,"title":68,"summary":69,"image":70,"href":71,"meta":18,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":72},"NEWS_ARTICLE:831","Agent Sandbox 规模化：JuiceFS 探索与实践","过去一段时间，我们在和云厂商以及 Agent 团队推进 Sandbox 落地时，除了要解决数据如何进入 Sandbox，还需要考虑任务所需的数据和执行过程中产生的数据，如何跨任务、跨阶段持续使用。Sandbox 可以随任务快速创建和销毁，但数据往往需要继续保留、共享和流转。 当 Sandbox 并发","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F2544292\u002F202609\u002F2544292-20260902171045357-1907499098.png","\u002Fnews\u002F831",[7,8],{"id":74,"kind":7,"title":75,"summary":76,"image":15,"href":77,"meta":18,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":78},"NEWS_ARTICLE:830","百智云长期记忆服务：长期记忆与上下文窗口的区别","很多人在接触 AI 长期记忆时，第一反应是：「这不就是把聊天记录存起来吗？」其实这是一个很常见的误解。今天我们把「长期记忆」和「上下文窗口」这两个概念彻底讲清楚。 一、什么是上下文窗口 上下文窗口（Context Window）是模型在单次推理时能「看到」的文本上限。它像一个临时的工作台：模型只能处","\u002Fnews\u002F830",[7,8],{"id":80,"kind":7,"title":81,"summary":82,"image":83,"href":84,"meta":49,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":85},"NEWS_ARTICLE:835","体验向量数据库 qdrant","作者:张富春(ahfuzhang)，转载时请注明作者和引用链接，谢谢！ cnblogs博客 zhihu Github 公众号:一本正经的瞎扯 背景 为了早点搞懂公司的百万行 C# 的祖传代码，我想在缺乏文档、缺乏帮手的情况下，先建立一个 企业知识库 来快速帮我理清头绪。 一开始，我是打算以 weav","https:\u002F\u002Fimg2022.cnblogs.com\u002Fblog\u002F1457949\u002F202202\u002F1457949-20220216153819145-1193738712.png","\u002Fnews\u002F835",[51],{"id":87,"kind":7,"title":88,"summary":89,"image":15,"href":90,"meta":18,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":91},"NEWS_ARTICLE:833","如何利用AI技术实现漫画翻译","漫画作为图文结合的特色文化载体，承载着各国潮流文化与人文故事，但跨语言的文字壁垒，长期制约着漫画的传播与交流。传统漫画翻译高度依赖人工操作，需要人工框选文字、擦除原图文字、翻译文案、排版适配画风，流程繁琐、耗时费力，且极易出现排版错乱、画风违和、语义偏差等问题。 随着深度学习、计算机视觉与大模型技术","\u002Fnews\u002F833",[7,8],{"id":93,"kind":7,"title":94,"summary":95,"image":96,"href":97,"meta":18,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":98},"NEWS_ARTICLE:834","用 Apache SeaTunnel 同步 DynamoDB 到 Redis，一个配置文件就够","作者：Ricardo Ferreira 编译：Debra Chen 假设你把客户数据存储在 Amazon DynamoDB 中，作为应用的唯一数据源（single source of truth）。但如今你需要同样的数据放在 Redis 里，进行快速缓存、实时分析，或是为向量搜索推荐引擎赋能。举例来","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F3195851\u002F202609\u002F3195851-20260902145155710-759131565.jpg","\u002Fnews\u002F834",[7,8]]