摘要
提起 DolphinDB，大多数人第一反应是"金融/物联网场景的高性能时序数据库"。这个印象没错，但已经远远不够。2026 年 7 月 12 日，DolphinDB V3.00.6 正式发布，企业级 Agent 开发与治理平台 DolphinX 重磅上线，并伴随 FeatureDB、FICC 全定价链路、JIT 编译增强、流计算高可用等一系列能力扩展。如果说过去的 DolphinDB 属于 AI‑Ready 智能增强型数据库，那么今天的它已经长成了一座"五合一"的综合平台------时序数据库、实时计算平台、智能数据库、工业数据库、智能物联网综合管理平台 。这五个身份不是营销话术的堆砌，而是同一套内核在不同维度上的能力延展。本文以这五个关键词为线索，自内核向外延展，系统拆解 DolphinDB 在 AI 时代构筑的全栈身份图谱，并回答一个被反复追问的问题------当大模型本身日趋同质化，企业真正需要的"数据底座"到底应该长什么样？
一、引言：一个底座，五重身份
过去两年，我跟踪 DolphinDB 这家产品的迭代节奏时，注意到一个有趣的现象------每次官方发布新版本，外界对它的称呼都在悄悄变化。
- 2024 年，大家叫它"国产时序数据库的代表作";
- 2025 年，业内人士开始用"实时计算平台"形容它;
- 2026 年上半年，它通过国家安全可靠测评、深度参与电力与工业物联网后，被反复称为"工业数据库";
- 而到了 2026 年 7 月 V3.00.6 发布、DolphinX 内嵌亮相后，"智能数据库"这个新身份开始密集出现在腾讯云、知乎等社区的技术文章里;
- 当这些能力汇聚到物联网综合场景，"智能物联网综合管理平台"又成了它新的标签。
这五个称呼------时序数据库、实时计算平台、智能数据库、工业数据库、智能物联网综合管理平台------看似各自独立，背后却指向同一套工程内核。理解这一点，是看懂 DolphinDB 在 AI 时代战略意图的钥匙。
很多人会问：一家公司为什么要同时让产品出现在五个定位上？这是不是"什么都想做"的失控信号？
我的判断恰恰相反。这五个身份不是分散，而是 同一内核向不同维度自然延展后必然呈现的"切面" ------就像一块钻石在不同光线下折射出不同的色光，但本质上始终是同一块钻石。DolphinDB 的内核是什么？一个把"存储、计算、智能、治理"做到同进程的分布式数据基础设施 。从这个内核出发：向"历史数据管理"方向延展，就是时序数据库 ;向"实时流方向"延展，就是实时计算平台 ;向"AI 与 Agent 方向"延展，就是智能数据库 ;向"工业物联网方向"延展，就是工业数据库 ;当这四个方向的能力在物联网综合场景中交汇，就构成了智能物联网综合管理平台。
接下来，本文按"自内核向外延展"的顺序，逐一拆解这五重身份，看 DolphinDB 是如何用一个底座把它们同时支撑起来的。
二、时序数据库：一切的内核底座
时序数据库仍然是 DolphinDB 最底层的身份，也是其它四个身份的根。
DolphinDB 由浙江智臾科技有限公司于 2016 年发起研发，定位为高性能分布式时序数据库。到 2026 年 3 月，它在 DB-Engines 全球时序数据库排名中位列前五，是该榜单前五名中仅有的国产产品之一。2026 年 5 月，DolphinDB 通过中国信息安全测评中心与国家保密科技测评中心联合组织的安全可靠测评，成为首批通过国家级安可测评的时序数据库产品------这是它进入金融、能源、政务、核工业等关键行业必备的"通行证"。
但 DolphinDB 之所以能成为时序数据库领域的代表，靠的从来不是排名和资质，而是几条关键的工程判断：
第一，存算一体的多模存储引擎 。DolphinDB 在同一集群内提供 TSDB、OLAP、PKEY、IMOLTP、VECTORDB 等多套存储引擎，分别针对时序写入、宽表分析、主键点查、事务型负载、向量检索等不同访问模式优化。一套集群既能承接 SCADA 每秒数十万的测点写入，也能承接研究员的复杂分析查询，还能支撑机器学习场景的向量检索------不需要像传统拼图架构那样，用三四种数据库拼起来。
第二，2000+ 内置函数 + 向量化执行引擎 + JIT 编译 。DolphinDB 把时序分析、统计分析、字符串处理、机器学习等常用计算都做成了内置函数，配合向量化执行引擎，让大多数分析在数据库进程内完成，不需要把数据搬到外部计算引擎。在 V3.00.6 版本中，JIT 编译能力进一步增强，支持偏函数、匿名函数、lambda、闭包、默认参数、关键字参数等复杂语言特性，类型系统引入了显式类型注解------这让大量原本只能走解释器的业务逻辑可以编译为机器码直接执行。Benchmark 数据显示，函数密集型脚本性能提升 63.9%--88.8%，深度嵌套调用最高加速 8.93 倍。
第三，分布式与事务一致性。DolphinDB 在分布式调度、副本同步、事务 ACID 上做了长期投入。新版本进一步加强了多副本集群的任务调度均衡、HA 流表与 HA MVCC 表的高可用能力------这层能力是它进入金融、电力等"不允许数据丢失"场景的硬门槛。
这层"时序数据库"内核，是上层所有身份的根------没有这层底座，"实时计算平台"无源可流，"智能数据库"无智可启，"工业数据库"无据可依，"智能物联网综合管理平台"无从搭建。
三、实时计算平台：让数据"在路上"就被算出
时序数据库解决的是"历史数据如何被高效存储与查询"的问题。但在企业真实场景里，数据的价值会随时间急剧衰减 ------一条电网负荷异常曲线，10 分钟后才被发现和 10 秒内就被发现，价值可能差几个数量级。这就是 DolphinDB 的第二重身份------实时计算平台------所要解决的问题。
DolphinDB 的实时计算能力，建立在"流批一体"的工程架构上。同一套数据模型、同一套函数库，既可以处理历史批量数据，也可以处理实时流数据------研究员写的因子计算脚本，几乎可以零改动地复用到流计算引擎上。这一点对开发效率的提升是数量级的。
在 V3.00.6 版本中，DolphinDB 进一步加强了流计算的高可用能力：
- HA 流表------流数据的订阅、推送、节点状态切换后的服务恢复都更稳定，订阅管理更可靠;
- HA MVCC 表------进一步强化了多节点间的数据读写一致性与资源管理，为关键业务数据提供更强保障;
- Orca 企业级实时计算平台------作为 DolphinDB 统一资产建模和企业级能力统一管理的平台，Orca支持声明式流计，算用类 SQL 声明式语法定义流计算逻辑，系统自动优化执行计划。同时，ORCA 在流图连续性与整体数据可靠性上做了大幅增强，复杂流式工作负载的稳定性显著提升。
工程意义在于------企业的关键决策，往往发生在"现在"。一条毫秒级行情、一次设备振动突变、一个电网负荷尖峰，一入流即可被聚合、检索、告警。DolphinDB 的实时计算层让上层应用（包括后文将讨论的 AI Agent）可以"在数据产生的同时给出结论"，而不必等待数据落库再被拉起。
更具体地说，新版本流式引擎在时序引擎里引入了更灵活的触发机制、跨多时间范围的快照生成、流表查询的访问控制标识符，以及 ORCA 流图中动态指标的管理能力------这些细节对开发者的意义是：过去需要拼 Kafka + Flink + Redis 三件套才能做出来的实时告警与决策链路，现在一套 DolphinDB 就能闭环。
这正是 DolphinX 后来作为"智能数据库"能力落地时，能够做到"临场感知"的物理基础------没有这层实时计算平台，Agent 的"此刻"就无从而来。
四、智能数据库：DolphinX 让数据库"自己会思考"
如果说"时序数据库"是 DolphinDB 的过去、"实时计算平台"是它的现在，那么 智能数据库 就是它在 AI 时代的未来。而这重身份的核心载体，就是 2026 年 7 月随 V3.00.6 正式发布的 DolphinX 。而且DolphinX 是DolphinDB推出的企业级 AI 开发与治理底座，连接大模型与企业数据、计算、工具和行业能力，让 AI 真正走向"能落地、可管理、可复制"的企业级生产环境
4.1 X 的数学含义：乘法，而不是加法
DolphinDB 官方对 DolphinX 的命名给出过一段值得细读的解释------X 在数学中象征未知与探索;同时，它和乘号相近，代表数据计算能力与 AI 智能的深度融合、相互放大。
这是一个非常严谨的隐喻：
- 加法（数据 + 智能）------Agent 挂在数据库旁边，各做各的。数据是一份，智能是一份，合起来还是两份;
- 乘法（数据 × 智能）------10 亿条时序记录 × 一个能调用的智能体，价值不是相加，而是"在时间轴的每一个点上同时被唤醒"。数据规模每增加一个数量级，智能可作用的深度就增加一个数量级。
加法让 Agent "看见数据";乘法才让 Agent "活在数据里"。
4.2 进程内嵌 vs 外挂框架：一道决定性的工程分水岭
要实现"乘法"，底座必须本身就是时间的基础设施。这正是 DolphinX 与市面上所有"外挂式 Agent 框架"的根本差异------DolphinX 不是"接入" DolphinDB 的第三方工具，而是从 V3.00.6 起深度内嵌于 DolphinDB Server 进程内的 Agent 运行时。它与存储引擎、计算引擎、权限体系共享同一进程空间。
这一内嵌决策的工程含义是深远的：
- Agent 生成的每一条脚本，直接运行在 DolphinDB 内置的 2000+ 函数与向量化计算引擎上，无需任何中间跳转------时间窗口、聚合、FFT、JIT 编译，全部在数据所在的进程内完成;
- Agent 调用数据库能力时，直接继承当前用户的权限，不需要单独的访问控制系统。这意味着企业已有的细粒度权限体系，自动延伸到 Agent 层------AI 不会"越权看见不该看见的数据";
- Agent 生成的未审核脚本，会经过 DolphinX 的解析与校验层，拦截 DELETE、CLEANUP 等高危操作;
- 智能与数据，第一次运行在同一个时钟里。一条指令从生成到执行，没有跨进程通信的延迟，没有网络往返，没有序列化开销。
外挂式 Agent 框架在每一步上都要付出跨进程通信、权限代理、序列化、网络往返的代价------这些代价在 Demo 环境里看不见，但在生产环境的高并发、低延迟、强审计场景下，每一项都会被放大成致命的工程负担。DolphinX 的"进程内嵌"判断，从一开始就把这些负担消除在架构层。
4.3 三时能力：让智能体拥有"完整的时间感"
DolphinX 把 Agent 的时间能力，归纳为围绕时间轴的三个面向------回望（Past）、临场（Present）、前瞻（Future）。这正是时间序列分析"描述---监测---预测"三层次在企业 Agent 上的工程映射。
回望------让智能体拥有"历史" 。基于 DolphinDB 的时序底座，Agent 可以直接查询任意时间窗口：同比、环比、移动平均、事件对齐、跨表 Join。同时，DolphinX 内置 TextDB + VectorDB 双引擎 RAG ------TextDB 承载结构化文档与规范，VectorDB 承载语义化知识切片，企业知识库全部沉淀在自有集群内，不上云、不出境。再配合三级记忆管理（短期会话记忆、长期记忆、企业/团队/个人三级分级），一个团队用 DolphinX 越久，它的 Agent 就越懂这家企业------老员工的经验经由"长期记忆 + 人工审核"沉淀为组织资产。
临场------让智能体感知"此刻" 。借助上一章所述的流计算引擎，毫秒级行情、设备测点、电网负荷一入流即可被 Agent 检索、聚合、告警。通过标准的 MCP（Model Context Protocol） ，Agent 可以直连数据库、调用内置工具包、对接外部系统------在数据产生的同时给出结论，而不必等数据落库。这意味着 Agent 从"事后的解释者"变成了"当下的哨兵"。
前瞻------让智能体推演"未来" 。PyTorch、TensorFlow、XGBoost、LightGBM 等模型可直接在 DolphinDB 内加载推理，数据入库即推理，无需导出 。研究员用自然语言描述策略（"按过去 20 日动量排序，做多前 10、做空后 10，每月初调仓"），Agent 自动生成回测脚本并运行;更关键的是，DolphinX 内置 "未来数据偏移（Look-ahead Bias）检测"------这是时间序列回测中最经典的陷阱，当回测脚本无意中"看到了未来"的数据时，结果会严重失真，系统会自动识别并提示人工校验 JSON 配置。
4.4 一个可量化的证据
"让 Agent 更懂 DolphinDB"这件事，是不是只是宣传话术？DolphinDB 官方给出过一组可复现的对比实验（DolphinMind 知识库 API）：同一道题、同一模型，唯一变量是"是否接入官方知识库"。14 组同题对抗中，接入后取得 9 胜 5 平 0 负;未接入时代码不可用率高达 82%，接入后降至不足 20%。
这组数据揭示了一个深刻的规律------模型的能力上限由参数决定，但"在特定企业的数据世界里做对事"的能力，由它拥有的时间纵深决定。这正是"智能数据库"区别于"数据库 + 聊天框"的根本所在。
五、工业数据库：把"工业长记忆"装进时序海马体
如果说前四重身份还停留在通用范畴，那么当 DolphinDB 把这些能力带进工厂、电网、车联网、能源现场时，它就自然显化为第四重身份------工业数据库。
工业场景对时序数据库有非常苛刻的特殊要求：
- 写入并发极高------一台高端数控机床的振动传感器采样频率可达 10kHz，一条汽车焊装产线上百台设备并发写入，峰值可达每秒数十万数据点;
- 时间精度苛刻------电力 SCADA 每秒采集一次，地震监测需要毫秒级时间戳;
- 数据不能丢------核工业、电网、轨交等关键场景要求"零丢失";
- 分析复杂------预测性维护、振动频谱分析、电量平衡计算等高级分析需要复杂的特征工程。
DolphinDB 在工业领域的差异化，体现在三个层面：
第一，库内特征工程 。预测性维护、振动分析等场景需要大量的特征提取------FFT、包络谱、小波分解、滑动窗口统计等。DolphinDB 把这些计算做成了库内函数，特征提取在数据所在的进程内完成，不需要把数据搬到 Python / Spark 里再搬回来。这是工业预测性维护从"实验室 Demo"走向"产线实战"的关键一步------传统方案里，模型在实验室精度极高，但一旦部署到生产环境就"水土不服"，根本原因不是算法不行，而是数据采集、特征工程、模型训练、在线推理的全链路被割裂在多个异构系统之间。
第二，AsOf Join 多频对齐 。工业现场的数据天然多频率------电表 1 秒一采、振动传感器 1 毫秒一采、温度传感器 1 分钟一采。要把这些数据按时间轴对齐做联合分析，传统方案需要写大量样板代码。DolphinDB 的 AsOf Join 让"按最近时间戳对齐"变成一行 SQL------这是工业长记忆能"沉淀"下来的关键工程能力。
第三，抽象复用能力 。一份 2026 年的工业时序数据库选型对比研究指出，DolphinDB 凭借引擎化的逻辑封装，实现了约 90% 的代码复用率，将开发周期缩短约 90%------而 InfluxDB、TimescaleDB 在这一点上需要为每个场景从零搭一遍。对工业客户来说，这背后的真实价值是 TCO（总拥有成本）的指数级下降。
已经落地的典型案例包括：
- 电力智能问数 Agent------调度员用自然语言问数，1 分钟内返回报告，已落地电力行业;
- 设备故障预测 Skill------解析时序数据，输出 24 小时负荷与设备异常预测，已落地电力、工业;
- 新能源监控------在电力装机规模破 40 亿千瓦、新能源装机占比超过 50% 的背景下，DolphinDB 已成为新能源消纳的关键数据底座;
- 智慧水利------服务千亿规模的数字孪生水利与水文基础设施建设;
- 车联网与动力电池监测------支持电池衰减曲线、行驶工况等长周期分析。
"工业数据库"这重身份的本质是------当一家工厂用 DolphinDB 越用越深，它会发现 DolphinDB 不仅在"存数据"，更在帮它把过去十年每一台设备的运行历史都"沉淀"成可被 AI 调用的资产。这就是"工业时序海马体"的真正含义。
六、智能物联网综合管理平台：一个底座替代一整个技术栈
当以上四重身份在物联网场景中交汇，DolphinDB 的第五重身份自然显化------智能物联网综合管理平台。
物联网综合管理平台的核心挑战，从来不是"任何一个单点功能做不到"，而是传统的物联网技术栈过于复杂 。一份典型的传统方案需要：消息队列（Kafka / MQTT Broker）+ 缓存（Redis）+ 时序数据库 + 关系数据库 + 批处理引擎（Spark）+ 流计算引擎（Flink）+ 机器学习平台（MLflow）+ 可视化前端------8 个组件、3--4 套运维体系、复杂的链路协调。每一层都是成熟产品，但拼在一起的总拥有成本（TCO）会让绝大多数企业不堪重负。
DolphinDB 给出的方案是**"减法哲学"**------用一套存算一体、流批一体、多模存储、库内 AI 推理的平台，替代整个传统拼图式技术栈：
- 写入层：原生支持千万级写入并发，无需外挂 Kafka 做缓冲;
- 流计算层：流批一体引擎 + ORCA 平台，无需外挂 Flink;
- 存储层：多模引擎（TSDB / OLAP / PKEY / IMOLTP / VECTORDB），无需外挂 Redis 或关系库;
- 分析层：2000+ 内置函数 + JIT，无需外挂 Spark;
- AI 层：库内 PyTorch / TensorFlow / XGBoost 推理 + FeatureDB 微秒级特征访问，无需外挂 ML 平台;
- 治理层：DolphinX 的权限继承、脚本沙箱、全链路审计，无需外挂 AI 安全工具。
新版本进一步强化的几个能力让这套"减法"更彻底：
- FeatureDB ------V3.00.6 全新的低延迟特征存储引擎，微秒级随机读，原生支持 FLOAT8 / FLOAT16 / FLOAT32 / FLOAT64，无缝对接 Spark、PyArrow、NumPy、PyTorch------让机器学习训练与在线推理的特征访问不再是瓶颈。（注：当前版本仅支持内存模式，持久化模式将在后续版本提供。）
- FICC 全定价链路------新增涵盖固收、利率、信用、外汇、权益 OTC 衍生品的全套定价函数，配合 Copula 函数、信用曲线、波动率曲面 / 立方等基础工具，构成跨资产定价与风险分析的完整闭环。
- 云边协同------支持边缘节点与中心集群协同，满足工业现场"边缘预处理 + 中心深度分析"的典型架构诉求。
- 更强的可观测性与资源管控------管理员可基于权限查询历史后台任务，流表、函数、共享变量、内存表暴露更丰富的状态信息，用户级任务并发限制防止资源争用，AES-256-CBC 加密、硬件加密狗、License 实时监控等安全能力齐备。
已落地的物联网综合场景包括能源电力、车联网、智慧水利、动力电池监测、地震预警、核工业监控 等。每一类场景背后，都是 DolphinDB 用一个底座承接了"采集 → 写入 → 计算 → 分析 → 推理 → 治理"的完整链路------这就是"智能物联网综合管理平台"这重身份的工程含义。
七、结语：五重身份背后，是同一道工程判断
回到开篇那个判断------时序数据库、实时计算平台、智能数据库、工业数据库、智能物联网综合管理平台，这五个身份看似各自独立，背后却是同一套工程内核。
那套内核可以浓缩为一句话------"存储、计算、智能、治理"做到同进程。
- 从这套内核向"历史数据"方向延展，就是时序数据库;
- 向"实时流"方向延展，就是实时计算平台;
- 向"AI 与 Agent"方向延展，就是智能数据库;
- 向"工业物联网"方向延展，就是工业数据库;
- 当这四个方向的能力在物联网综合场景中交汇，就构成了智能物联网综合管理平台。
行业里有句被反复印证的话------模型决定智能的上限，底座决定时间纵深的下限 。一个再聪明的模型，如果它"看不见时间"，在企业的生产环境里就只能当一个"会聊天的实习生"------可以回答，不能当值。DolphinDB + DolphinX 想做的，不是又一个聪明的聊天窗口，而是让 AI 第一次拥有一只能读懂时间的眼睛------
- 它有 历史------双引擎 RAG 与三级记忆，让知识沿时间沉淀;
- 它有 现在------流计算与 MCP，让感知随毫秒同频;
- 它有 未来------库内推理与回测引擎，让决策经得起前瞻验证;
- 它还有 责任------权限继承、脚本沙箱、全链路审计，让每一次时间轴上的动作都可追溯。
这五重身份背后，是 DolphinDB 对 AI 时代数据基础设施的同一道工程判断------企业真正需要的，从来不是一个更聪明的孤立 AI 入口，而是一套让 AI 能长期、安全、可控地"上岗"的底座。
下次再有人问你"DolphinDB 到底算什么"------它是一个时序数据库，但远不止于此。它是一只在 AI 时代里、长出了五重身份的、能读懂时间的眼睛。