在物联网、工业设备监控这类时序数据场景中，完成原始数据的采集清洗后，距离业务人员真正用上数据，还有几步？
建库建表、编写导入脚本、执行查询、排查报错，再把结果绘制成图表------这些工作通常需要工程师逐步完成。即使接入了大模型，要让它了解数据库、正确生成代码并执行任务，也需要配套的工具与专业知识。
DolphinX 以 DolphinDB 为数据存储、计算与 AI 能力一体化底座，让智能体直接调用数据库完成数据处理。 数据筛选、关联和聚合在数据库侧执行，模型聚焦于理解需求、组织任务和解释结果，减少将大量原始数据交给模型处理的负担。依托 DolphinDB 的存储与并行计算能力，智能体能够面向更大规模的数据开展分析；对于平台已覆盖的复杂计算，也能减少额外接入第三方工具和搬运数据的工作。
DolphinX-Web 是 DolphinX 面向用户的 Web 端交互入口，将智能体与 DolphinDB 专业技能集成在 DolphinDB 数据库环境中，让生成脚本、执行任务和报错调试在同一工作流程中衔接。 用户描述目标，智能体调用相应能力推进任务，减少手工编写、复制执行、反复修改代码等繁琐操作。
本文以核电模拟数据为例，展示如何在数据准备就绪的前提下，用约 10 分钟搭起可运行的数据入库与分析框架，再通过自然语言完成指标查询、多表分析和趋势绘制。
1. 数据已经准备好，入库与分析仍有门槛
在物联网项目中，完成多源数据的汇聚与清洗后，要将数据用于分析，仍需要解决三类问题：
- 数据入库依赖开发：面对多份设备台账和运行数据，工程师需要识别结构、创建表、编写导入脚本，再检查结果。任务相似，重复操作却不少。
- 业务语义需要明确：业务人员说的是"主泵轴承温度"，数据库里可能是英文缩写。字段含义、单位与设备关系需要明确，才能把业务问题准确转化为查询。
- 查询调试存在门槛：业务人员熟悉工艺，却未必会写 SQL；脚本执行报错后，还需要技术人员定位问题。拿到数据后，往往又要切换工具进行整理和绘图。
DolphinX-Web 能够将这些环节串联在一起：用自然语言描述目标，结合专业技能生成脚本，通过执行反馈调整任务，再直接查看分析结果。
2. DolphinX-Web 实战：从核电数据到业务答案
说明 ：本文涉及的数据均由 AI 模拟生成，仅用于功能演示与流程说明，不代表真实核电业务数据。
本文采用 DolphinDB V3.00.6 版本作为演示环境。
本文演示数据包含核电站、反应堆等基础信息，以及热功率、振动和温度等运行参数。
点击 dolphindb-marketplace.oss-cn-hangzhou.aliyuncs.com/DolphinX_We... 获取演示数据。
整个过程只需三步：开启智能体、批量入库、发起分析。
DolphinX-Web 核电数据分析流程
第一步：开启 AI 会话，连接模型与数据库能力
从 DolphinDB 官网下载最新版本，解压后启动单实例服务。DolphinX 从 V3.00.6 版本起深度内嵌于 DolphinDB Server，不是从外部接入的工具。这意味着服务启动后，DolphinX-Web 界面即可直接使用，不需要再单独部署 Agent 服务或配置额外的连接层。
在 Web 界面中完成大模型接入配置：本次演示使用 deepseek-v4-flash 模型，填写 API 地址、模型名称和密钥即可启用 Coding Agent 能力。DolphinX 提供 Agent 管理、模型管理、技能管理、知识库管理、MCP 管理、记忆管理、权限管控等全套能力。
DolphinX-Web 已连通智能体操作入口与数据库工作环境。用户可以在同一界面中提出需求、查看数据库结构，并获取脚本执行结果。DolphinX-Web 做到了要做数据库操作有执行工具，要做专业任务有技能支撑，确保用户迅速进入数据处理环节。
DolphinX-Web Agent 配置界面
第二步：一句话搞定批量入库 + 补全业务注释
首先，将核电相关 CSV 文件与数据字典放在服务器指定目录，然后在 DolphinX-Web 中输入：
将服务器指定目录下的所有 CSV 文件导入
dfs://nuclearpower数据库，表名与 CSV 文件名一致，并参考目录中的datadict.md，为每张表和每个字段增加注释。
这条需求包含了读取文件、识别结构、建库建表、批量导入和补充注释等多项工作。Coding Agent 结合 DolphinDB 专业技能生成并执行相应脚本，将处理结果呈现在界面中。
用自然语言输入建库建表需求
过去，完成上述需求要手写 DolphinDB 脚本才能完成建库、建表、字段定义、注释添加和批量导入，涉及分区方案设计、存储引擎选择，需要数小时甚至数天才能完成。**现在，Agent 自动解析目录、生成专业方案、执行建库建表、批量导入数据、读取文档写入注释，用户无需逐步手写脚本，即可查看执行过程并核对入库结果。**同时，详细的字段注释为后续问数提供了业务依据：热功率对应哪个字段、温度采用什么单位、设备归属哪台机组，这些说明能够帮助智能体将业务表达与具体数据相对应。
DolphinX-Web 导入 CSV 到 DolphinDB 并自动添加注释
在这种自然语言驱动代码生成的模式下，只要业务人员说清楚要什么，剩下的交给 DolphinX-Web 就好。
第三步：发起分析，任务自动推进
在业务分析过程中，DolphinX-Web 能够将脚本生成、执行与调试自动衔接，减少手工往返。在出现语法错误、参数配置错误等常见问题时，智能体能够结合报错信息自动定位问题、调整脚本并重试；复杂业务逻辑问题也会给出排查建议，全程保留用户的审核与控制权。
过去需要用户复制代码、运行、查看报错，再把错误反馈给模型；现在，这些步骤可以在同一任务过程中连续推进。
从"获得一段代码"到"推进一项可执行任务"，这是 DolphinX-Web 提升搭建效率的重要一环。
3. 四个业务用例，从数据入库走向业务分析
完成建库建表、数据导入等工作后，进入分析环节。以下四个用例覆盖物联网场景的常见查询模式，均由业务人员通过自然语言完成。
用例一：一句话查指标，获取机组日均热功率
提问："查询二号机组 6 月 8-14 日的日均热功率"
单点查询示例
Coding Agent 根据机组、时间范围和统计粒度组织查询，对运行数据按日聚合，返回日均热功率表。业务人员无需手写筛选或聚合语句即可发起查询。若需调整日期或修改统计口径，可继续描述要求。用户全程无需掌握 DolphinDB 的 sql 函数或窗口函数语法，只需用业务语言描述需求。
用例二：按业务条件找设备，整理压水堆机组信息
提问："列出所有压水堆的机组号、额定热功率、燃料组件数，按热功率降序"
跨表关联查询示例
这个需求涉及两张表的关联。在传统 SQL 中需要显式写出 JOIN 条件，而 Coding Agent 会结合表结构、字段说明和关联字段组织查询。更关键的是，Agent 知道"压水堆"对应的字段值------它从 datadict.md 的字段注释中理解了 reactorType 字段的取值含义。这正是 DolphinX 强调的"数据深度打通"能力：通用大模型不知道企业库表结构和业务字段含义，只会做浅层问答。有了 DolphinX，业务人员可以直接围绕"我要找哪些设备、看哪些属性"提出问题。
用例三：多指标联合对比，汇总主泵振动与温度
提问："查询 6 月 10 日每台机组主泵的平均振动速度和平均轴承温度"
时序聚合 + 跨表关联示例
这是四表联合查询：先对振动和温度两张时序表分别聚合，再关联机组信息。Coding Agent 将振动、温度及机组数据组织成分析任务，返回按机组汇总的指标表。振动与温度数据的聚合、关联由 DolphinDB 执行，智能体负责组织查询并解释返回结果。模型无需逐条处理原始时序数据，从而减少模型侧的数据处理负担，也减少为完成此类统计而额外接入分析工具的工作。
在 DolphinDB 中，此类查询高效执行依赖合理的分区设计。如果 vibration 和 temperature 按日期和设备 ID 分区，查询"6 月 10 日"只需访问单个日期分区，显著减少 I/O。Coding Agent 在建模阶段已考虑到这一点，确保查询高效。
用例四：查询结果直接出图，查看温度变化趋势
提问："将二号机组 6 月 10 日的轴承温度按照小时取平均值绘制趋势图"
查询 + 绘图示例
这是最能体现 DolphinX-Web 集成体验的场景。Agent 完成时序聚合查询后，自动调用 DolphinDB 内置的 plot 生成图表，并在对话界面直接返回可视化结果。用户只需一句话，无需切换到独立 BI 工具或编写绘图代码。
从自然语言提问到获得图表的完整链路，反映了 DolphinX-Web 与数据库核心流程的深度融合，它不是一个外挂的聊天窗口，而是直接内嵌在 DolphinDB Server 的 Agent 开发底座中。
4. 总结
本教程通过 DolphinX-Web，用约 10 分钟搭起了可运行的数据入库与分析框架。内置的智能体与专业技能，将脚本生成、执行和报错调试高效衔接，减少手工开发与反复调试，让数据更快进入业务分析环节。
搭建效率提升的背后，是 DolphinDB 存储、计算与 AI 能力的一体化支撑。数据筛选、关联与聚合交给数据库执行，模型专注于理解需求、组织任务和解释结果。这既为更大规模的数据分析提供计算支撑，也减少了原始数据搬运、第三方分析工具接入和模型处理的复杂度。
对工程师，这是一条更短的搭建路径；对业务人员，这是一个更直接的数据入口。从快速入库到多表分析与趋势绘制，DolphinX-Web 让智能体赋能日常业务更加轻松。