DolphinDB Skill 生态全景解析：13 款核心技能，覆盖从开发到部署的全流程

随着 AI 辅助编程的普及，DolphinDB 社区围绕 AI Agent 构建了一套日益完善的 Skill 生态。这些 Skill 将 DolphinDB 的技术文档、最佳实践和常用操作封装为 AI 可理解的知识包，开发者通过自然语言即可完成从环境部署到量化分析的 entire workflow。

目前，DolphinDB Skill 生态已涵盖 13 款 Skill，分布在 GitHub 和 ClawHub 两大平台。本文按照实际开发流程——从环境准备、编码开发、数据管理到高级场景应用——逐一介绍每款 Skill 的核心功能与适用场景，帮你快速定位所需的工具。

一、环境准备：快速搭建 DolphinDB 运行环境

在开始编码之前，首先需要准备好 DolphinDB 的运行环境。以下三款 Skill 覆盖了从 Python 环境初始化到 Docker 部署再到集群上线的完整链路。

1. DolphinDB Init —— 环境初始化

平台： ClawHub | 作者： ugpoor

这是一款"前置依赖型"Skill，使用任何其他 DolphinDB Skill 之前都可以先运行它。它会自动扫描系统中的 Conda 环境、Anaconda/Miniconda 路径以及系统 Python 安装，检测是否已安装 DolphinDB SDK。若未找到合适的环境，则自动完成安装。

执行完毕后，DolphinDB Init 会导出 $DOLPHINDB_PYTHON_BIN 等环境变量，为下游 Skill 提供统一的 Python 调用接口。整个过程的系统路径会被抽象为占位符变量，避免暴露实际文件系统地址。

链接：Dolphindb Init — ClawHub

2. DolphinDB Docker —— Docker 容器化部署

平台： ClawHub | 作者： ugpoor | 下载量： 399+

如果你倾向于用 Docker 部署 DolphinDB，这款 Skill 可以帮你一键完成。它会自动检测宿主机 CPU 架构（ARM64 / x86_64）并拉取对应的 Docker 镜像，读取系统总内存并按 50% 规则自动分配容器内存限制，同时挂载数据目录实现持久化存储。

无需手动配置 Docker 命令参数，支持指定 DolphinDB 版本（如 v2.00.7）或使用 latest 标签。部署后通过 docker ps 即可验证运行状态。

链接：Dolphindb Docker — ClawHub

3. ddb-deployment-skill —— 集群部署管理

平台： GitHub | 仓库： dolphindb049/ddb-public-skills

对于需要部署生产集群的团队，这款 Skill 提供了单节点部署和三节点高可用（HA）集群部署两种模式。单节点模式支持一键部署、配置文件安全加固和启停脚本生成；HA 模式基于 Raft 协议，在三台机器上分别部署 controller、agent、data node 和 compute node，并自动生成集群配置。

此外还包含升级指南：单节点可直接替换二进制文件重启，集群则需按 controller → data node 的路径依次操作，并做好元数据备份。

链接：ddb-public-skills/ddb-deployment-skill

二、编码开发：AI 辅助编写与执行 Dlang 脚本

环境就绪后，进入核心的编码开发环节。这个阶段的核心诉求是"快速写出正确的 Dlang 脚本并执行验证"，以下四款 Skill 恰好覆盖了这个闭环。

4. dolphindb_skill —— 通用 AI 辅助开发（社区版）

平台： GitHub | 作者： hugo2046 | 版本： v2.0.0 | 许可证： MIT

这是社区最早一批 DolphinDB Skill，目前收录了 1,493 个技术文档 + 3 份官方白皮书 + 1,171 个函数参考条目，覆盖数据库设计、流计算、量化回测等核心领域，对标 DolphinDB 3.00.4 版本。

安装后在 AI 对话中通过 /dolphindb 前缀调用，可实现三大高频场景：自然语言生成脚本（如"创建一个 TSDB 分区表"或"编写流式计算 K 线聚合脚本"）、概念解释（如对比 TSDB 与 OLAP 存储引擎的区别）、调试优化（修复生成的代码中的语法错误）。

链接：hugo2046/dolphindb_skill

5. dolphindb（tradercjz）—— AI Agent 知识库

平台： GitHub | 仓库： tradercjz/dolphindb-agent-skills

这款 Skill 同样面向 AI Agent，但在组织方式上有所不同：采用编号目录 + 主题目录的双层结构。编号目录（如 10-language/、20-sql/）形成渐进式学习路径，适合新手按顺序阅读；主题目录（如 backtest/、plugins/）则按功能领域组织，供有经验的开发者按需查阅。

值得一提的是，该 Skill 实现了自动镜像机制：从官方文档同步的参考页面带有 Auto-mirrored from upstream 标记，可安全重新生成；人工编写的指南和概览则不受影响。总计包含 22 个模块文件、497 个文档文件和 620+ 函数覆盖，并配有 Python 重建脚本。

链接：dolphindb-agent-skills/skills/dolphindb

6. dolphindb-aiguide —— AI 向导

平台： GitHub | 作者： tradercjz | 创建日期： 2026-01-12

与前两者不同，这款 Skill 的设计目标是成为 AI 系统可直接消费的独立知识包。它包含 22 个 Skill 文件（1 个主入口 + 5 个模块文件 + 16 个函数分类文件）和 497 个文档文件，覆盖流计算引擎、SQL 扩展语法、1000+ 函数参考、部署架构和生态集成六大主题领域。

所有文档链接均采用相对路径，整个目录可以独立移动、独立分发，无需依赖上级项目。AI 系统从 SKILL.md 开始，沿链接导航到任意专题。

链接：tradercjz/dolphindb-aiguide

7. execute-dlang —— 脚本一键执行

平台： GitHub | 仓库： dolphindb049/ddb-public-skills | 作者： jiarongzhangdol

编码的最后一公里是"执行验证"。execute-dlang 填补了此前 Skill 生态中"能写不能跑"的空白：它基于 Python 轻量化运行环境，无需手动敲终端、无需切换工具，在 AI Agent 中通过自然语言即可将 Dlang 脚本发送到 DolphinDB 服务端执行。

核心技术亮点是持久化会话机制：分步定义的函数和变量可在同一会话中持续复用，处理复杂因子计算或流计算逻辑时，可以拆分开发、分段调试，告别"重复定义、重复运行"的低效循环。与 dolphindb_skill 联动时，可以实现"生成脚本 → 一键执行 → 验证结果"的完整闭环。

链接：ddb-public-skills/execute-dlang

三、数据管理：探索、清洗与跨节点迁移

脚本能跑起来之后，实际工作中最频繁的需求是"数据在哪里、长什么样、如何搬运"。以下三款 Skill 专注于数据管理环节。

8. ddb-data-discovery —— 数据发现与预处理

平台： GitHub | 仓库： dolphindb049/ddb-public-skills

这款 Skill 提供了一套完整的数据发现与预处理工作流：全库扫描 → 定位目标表 → 查看表结构 → 数据采样 → 概要统计 → 质量检查 → 清洗分析。五个脚本按编号顺序执行，覆盖了从连接到 DolphinDB 集群到完成数据清洗的全过程。

特别值得一提的是，该 Skill 附带了一个高频错误记录表，记录了七个常见踩坑点，例如 count(distinct col) 在 DolphinDB 中无效（需改用子查询 + exec count(*) 组合）、整数除法用 / 而非 \（与多数语言相反）、symbol() 函数要求向量输入而非标量等。对于刚从 SQL 或 Pandas 迁移到 DolphinDB 的用户来说，这些提示可以节省大量排错时间。

链接：ddb-public-skills/ddb-data-discovery

9. ddb-data-analysis —— 量化数据分析

平台： GitHub | 仓库： dolphindb049/ddb-public-skills

这款 Skill 专注于标准化的量化研究工作流，包含五个脚本：高频数据聚合（将分钟数据压缩为日线 OHLC/VWAP 指标）、财务指标计算（对数收益率、滚动波动率）、回归分析（OLS 回归和 Beta 估计）、假设检验（相关性矩阵和 T 统计量）以及端到端的综合流程（数据清洗 → 建模 → 回测）。

所有脚本使用 context by SecurityID 实现自动并行分组，无需修改代码即可扩展到数千只股票。统计分析全程在库内通过内置函数（如 ols）完成，无需数据导出。

链接：ddb-public-skills/ddb-data-analysis

10. ddb-cross-node-sync —— 跨节点数据同步

平台： GitHub | 仓库： dolphindb049/ddb-public-skills

在多节点 DolphinDB 集群环境中，经常需要将数据从一个节点"拉"到另一个节点。这款 Skill 使用 xdb + remoteRun 实现纯 DOS 脚本的跨节点数据传输，无需 Python 中间层，支持全量同步和增量同步两种模式。

典型的使用场景是：源节点（port1）上有原始数据，但标准化和定价计算需要在目标节点（port2）上运行。先用本 Skill 将原始表拉到目标节点，再调用配套的建模 Skill 进行字段映射和解析。

链接：ddb-public-skills/ddb-cross-node-sync

四、高级场景：量化金融与流式计算

DolphinDB 的两大核心应用场景——量化金融和流式计算——都有对应的专项 Skill，适合有特定需求的深度用户。

11. DolphinDB 量化金融技能

平台： ClawHub | 作者： ugpoor | 版本： v1.4.0 | 许可证： MIT-0

涵盖因子计算、策略回测、行情处理、绩效归因和投资组合优化五大模块。因子计算支持日频/分钟频因子、实时高频因子、Alpha101 因子库和 TA-Lib 技术指标；策略回测支持股票、期货、期权和多资产组合；绩效归因提供 Brinson、Campisi 和多因子风险模型；投资组合优化实现均值-方差优化（MVO）和二阶锥规划（SOCP）。

依赖 dolphindb-basic 基础 Skill，所有操作通过 Python SDK 的 s.run() 执行。配合实时流计算引擎，可实现"实时因子计算 → 动态调仓信号 → 自动化交易"的流水线。

链接：DolphinDB 量化金融技能 — ClawHub

12. DolphinDB 流式计算技能

平台： ClawHub | 作者： ugpoor | 版本： v1.1.0 | 许可证： MIT-0

针对金融行情实时处理场景，提供了五种流计算引擎：ReactiveStateEngine（维护每键状态，适合累计计算和最新值跟踪）、AggregationEngine（时间窗口聚合，用于 K 线合成和统计）、OrderBookEngine（逐笔成交合成订单簿）、OHLC Engine（高性能 K 线合成）以及自定义 StreamEngine（完全灵活的用户定义逻辑）。

支持从原始 tick 数据依次流经 OHLC → 因子 → 信号 → 执行引擎的多级流水线，配合实时风控模块（持仓监控、盈亏计算、异常交易检测），构成了一个完整的实时交易决策系统。

链接：DolphinDB 流式计算技能 — ClawHub

五、综合生态：Skill 套件与多平台分发

13. DolphinDB Skills（ClawHub 综合套件）

平台： ClawHub | 作者： ugpoor | 版本： v1.4.0 | 许可证： MIT-0

这是 ClawHub 上的一款综合入口 Skill，整合了四个子 Skill：dolphindb-docker（容器化部署）、dolphindb-basic（数据库基础 CRUD 操作）、dolphindb-quant-finance（量化金融）和 dolphindb-streaming（流式计算）。

其设计理念是：在任何操作之前，强制完成环境检测 → 环境加载 → SDK 验证 → 执行的四步流程，确保下游操作的可靠性。通过 Python SDK 的统一 s.run() 接口，将 DolphinDB 脚本的编写与执行整合在同一个交互框架中。四个子 Skill 可按需组合，例如"实时因子计算系统"就是 Docker 部署 + 流计算引擎 + 量化因子 + 基础存储的组合方案。

链接：Dolphindb Skills — ClawHub

生态全景一览

为了方便查阅，以下用一张表格汇总所有 13 款 Skill 的核心信息：

如何选择适合你的 Skill？

面对日益丰富的 Skill 生态，不同角色的开发者可以按需取用：

• 新手入门：从 DolphinDB Init + dolphindb_skill 组合开始，前者准备好环境，后者提供完整的文档查询和脚本生成支持；
• 日常开发：dolphindb_skill（查文档写脚本）+ execute-dlang（执行验证）形成编码闭环，遇到数据问题时用 ddb-data-discovery 快速定位；
• 量化研究员：DolphinDB 量化金融技能 覆盖因子到回测全链路，配合 ddb-data-analysis 进行深度统计分析；
• 实时交易团队：DolphinDB 流式计算技能 + DolphinDB 量化金融技能 组合，从行情接入到因子计算再到策略执行一站式完成；
• 运维管理：DolphinDB Docker（快速部署）+ ddb-deployment-skill（集群管理）+ ddb-cross-node-sync（数据迁移）覆盖基础设施全生命周期。

DolphinDB Skill 生态仍在快速演进中，社区贡献者不断推出覆盖新场景的 Skill，现有的 Skill 也在持续迭代更新。如果你在开发过程中有新的需求或想法，欢迎在 GitHub 上提交 Issue 或贡献自己的 Skill，共同完善这个开放、活跃的生态。