DolphinDB 新产品发布，全面开启 AI 时代金融基础软件新格局
本页讨论企业 AI 落地的常见挑战，并提出以可靠基础软件支撑数据与计算工程化协同演进的“Infra + AI”方向。
What this page covers
- 新闻栏目、文章标题与发布日期信息。
- 企业 AI 落地的挑战与“Infra + AI”定位。
- 2025 峰会背景与产品进展分享脉络。
- 三大核心产品：Orca、Swordfish、Shark。
- AI Agent 的机制、工具体系与统一接口范式。
- AI Agent 的代表性验证/试用场景。
技能认证特训营第二期报名推广
页面顶部提供活动推广信息，包含限时报名链接与福利优惠提示。
- 推广信息指向“技能认证特训营第二期”。
- 页面提供限时报名链接入口。
- 推广文案提示可享专属福利优惠。
新闻栏目与文章标题/日期
页面标明内容属于新闻栏目，并给出文章标题与发布日期。
- 页面栏目类型为“新闻”。
- 页面展示文章标题。
- 文章发布日期为 2025.09.26。
AI 落地挑战与 DolphinDB 的“Infra + AI”定位
页面描述 AI 在企业核心业务落地的阻碍，并给出以可靠基础软件支撑协同演进的方向。
- AI 落地可能受数据质量参差影响。
- 系统割裂被描述为难以打通的因素。
- 大模型“幻觉”带来不确定性，被认为难以直接对核心业务负责。
- 提出不以“堆更多模型”为主要路径。
- 强调从可靠基础软件出发，让数据与计算以工程化方式与 AI 协同演进。
峰会背景与产品亮点导入
页面介绍 2025 DolphinDB 峰会分享背景，并引出对当年产品亮点的回顾。
- 峰会分享人员包括研发副总监程训焘。
- 峰会分享人员包括产品经理毛忻玥。
- 分享覆盖从实时计算平台到低延时内核优化的内容范围。
- 分享覆盖贯穿投研流程的 AI Agent 实践方向。
三大核心产品：Orca、Swordfish、Shark
页面以“三大核心产品”为总领，概述三条产品线的定位方向。
- 三大核心产品为 Orca、Swordfish、Shark。
- Orca 被定位为企业级实时计算平台。
- Swordfish 被定位为十微秒级嵌入式引擎。
- Shark 被定位为 CPU/GPU 异构计算平台。
Orca：企业级实时计算平台
本节介绍 Orca 的实时/流式能力、声明式开发、多模态统一处理、金融数据模型与跨地域协同等方向。
- Orca 面向企业流式数据管理与实时计算需求。
- Orca 支持以声明式方式描述流计算需求。
- Orca 内核可自动推理并生成计算图与部署规划。
- Orca 支持在同一平台处理关系型数据、向量数据与流数据。
- Orca 提供 INSTRUMENT、MKTDATA 等金融专用数据模型。
- Orca 描述了跨地域协同计算链路的构建能力。
Swordfish：十微秒级嵌入式引擎
本节介绍 Swordfish 的嵌入式形态、函数库与低延迟特性，以及语言支持计划。
- Swordfish 可嵌入用户 C++ 程序，作为高性能计算函数库使用。
- Swordfish 内置 DolphinDB 自研计算内核。
- Swordfish 内置 2000 多个函数。
- Swordfish 通过多项工程优化实现更低计算延迟。
- Swordfish 目前支持 C++ 与 Java。
- Swordfish 的 Python 版本被描述为后续发布计划。
Shark：CPU/GPU 异构计算平台
本节介绍 Shark 的异构计算平台定位、核心引擎、性能提升方式，以及对海光 DCU 的支持。
- Shark 的优化合作提及携手海光信息团队。
- Shark 的核心引擎包括 Shark Graph 通用并行计算引擎。
- 因子挖掘场景描述了“10 倍+”的提速幅度。
- 在脚本中可通过“@GPU”标签触发自动解析与计算图转换。
- 性能提升描述包含“10–20 倍以上”的表述。
- Shark 被描述为已全面支持海光 DCU 处理器。
AI Agent：打通智能应用的“最后一公里”
本节说明 AI Agent 的目标、纠错机制、MCP 工具体系与统一接口开发范式，以支持可复现与可切换的交互方式。
- AI Agent 的目标表述为打通智能应用的“最后一公里”。
- 目标用户提及金融研究人员与投资经理。
- AI Agent 描述具备自我验证与迭代纠错机制。
- AI Agent 可配合 MCP 工具体系调用数据与计算接口。
- 该调用方式强调判断有据可依与结果可复现。
- 同一套标准接口可用于前端可视化与 MCP 工具封装。
- 交互方式被描述为可在图形化操作与自然语言之间切换。
AI Agent 代表性应用验证/试用场景
本节列举多个应用方向，并强调将 AI 嵌入工程化流程以提升可解释与可追溯性。
- 研报因子复现 Agent：上传研报后解析因子逻辑并生成脚本。
- 研报因子复现 Agent：输出 IC 值与相关指标。
- 因子衍生 Agent：基于原有因子生成多个变种并迭代评估。
- 智能 FICC 计算 Agent：以自然语言指令完成复杂定价。
- 组合管理 Agent：支持查询持仓分布与风险归因等指标。
- 智能选股 Agent：沉淀因子元数据并标准化选股流程。
- 关于 AI 方式的观点：用工具化与流程化替代一次性“猜测”。
总结与合作/体验引导
本节回到“Infra + AI”的实现路径，并引导联系以获取 Demo，同时表达合作期待。
- 方法论路径包含：自研内核保证确定性与性能边界。
- 方法论路径包含：统一数据与接口层以降低复杂度。
- 方法论路径包含：通过 Agent 将能力自然交付给使用者。
- AI Agent 体验方式为联系小助手获取 Demo。
Facts Index
| Entity | Attribute | Value | Confidence |
|---|---|---|---|
| 技能认证特训营第二期 | 状态 | 正式开启，提供限时报名链接并称可享专属福利优惠 | medium |
| 技能认证特训营第二期 | 报名链接 | https://www.qingsuyun.com/h5/e/217471/5/ | high |
| 页面栏目 | 栏目类型 | 新闻 | high |
| DolphinDB 新产品发布，全面开启 AI 时代金融基础软件新格局 | 发布日期 | 2025.09.26 | high |
| AI 在企业核心业务落地 | 挑战 | 数据质量参差、系统割裂难以打通，叠加大模型“幻觉”带来的不确定性，使 AI 很难直接对企业核心业务负责 | medium |
| DolphinDB 的答案/方向 | 方法 | 不主张“堆更多模型”，而是回到底座能力：以可靠基础软件为起点，让数据与计算以工程化方式与 AI 协同演进 | medium |
| 2025 DolphinDB 峰会分享 | 分享人员 | 研发副总监程训焘与产品经理毛忻玥 | high |
| 2025 DolphinDB 峰会内容 | 覆盖范围 | 从实时计算平台到低延时内核优化，再到贯穿投研流程的 AI Agent 实践 | medium |
| 三大核心产品 | 组成 | Orca、Swordfish、Shark | high |
| Orca | 定位 | 企业级实时计算平台 | high |
| Orca | 用途/解决方案 | 面向企业流式数据管理和实时计算需求的完整解决方案 | high |
| Orca | 开发方式 | 开发者可像写 SQL 一样以声明式方式描述流计算需求；内核自动推理并生成计算图并规划部署、表结构与负载均衡策略 | medium |
| Orca | 流计算任务代码量对比（示例性描述） | 过去需要数百乃至上千行代码的任务，如今往往只需五行链式调用即可实现 | low |
| Orca | 数据处理能力 | 具备多模态数据处理能力，可在同一平台统一处理关系型数据、向量数据与流数据 | high |
| Orca | 架构/运维影响 | 企业无需为每一种模态单独部署系统，也无需借助中间件拼接复杂数据管道；可降低架构复杂度和运维成本 | medium |
| Orca | 金融专用数据模型 | 提供 INSTRUMENT、MKTDATA 等专用数据模型，可按金融业务语义操作金融产品与衍生品数据 | high |
| Orca 金融建模 | 效果 | 无需转换成关系型表去编写复杂 SQL；简化建模，让金融研究员更专注于策略与逻辑 | medium |
| Orca | 高可用/分布式能力 | 通过全局数据目录、跨地域查询和 Raft learner 等分布式技术，在不同机房/地域集群间低成本构建异地协同计算链路 | medium |
| Orca | 延迟水平（业务计算） | 将常见业务计算的延迟压缩到秒级甚至毫秒级 | low |
| Orca | 适用场景示例 | 量化投研、实时风控、物联网监控等高实时性需求场景 | high |
| Orca 架构图说明 | 核心优势（图注） | 声明式开发、多模态统一处理、金融垂直领域数据模型以及跨地域协作 | medium |
| Swordfish | 定位 | 十微秒级嵌入式引擎 | high |
| Swordfish | 形态 | 可嵌入用户 C++ 程序的高性能计算函数库，内置 DolphinDB 自研计算内核 | high |
| Swordfish | 函数数量 | 内置 2000 多个函数 | high |
| Swordfish | 能力组成 | 包含丰富的数据结构与流计算引擎；用户程序无需跨网络访问服务器即可在本地硬件完成计算 | high |
| Swordfish | 优化手段（列举） | 类型特化、行式执行优化、内存对象生命周期管理、面向 CPU 缓存的工程优化 | medium |
| Swordfish | 计算延迟 | 在高端处理器上实现十微秒甚至单微秒级计算延迟 | medium |
| 普通 C++ 程序/特定场景优化程序（对比项） | 延迟水平（文中对比） | 普通 C++ 程序毫秒级；特定场景优化程序百微秒延迟 | low |
| Swordfish | 适用任务示例 | 高频因子计算、逐笔订单级别策略计算等极端追求速度的任务 | high |
| Swordfish | 语言支持 | 目前已支持 C++ 与 Java；Python 版本将在后续发布 | high |
| Shark | 定位 | CPU/GPU 异构计算平台 | high |
| DolphinDB | 合作优化对象 | 继 NVIDIA 后，又携手海光信息团队优化基于国产 GPU 的 Shark 异构计算平台 | medium |
| Shark | 核心引擎 | Shark Graph 通用并行计算引擎 | high |
| Shark（因子挖掘） | 提速幅度 | 因子挖掘提速 10 倍+；在 GPLearn 中利用 GPU 并行加速遗传算法迭代，使以往耗时一小时的任务几分钟完成 | medium |
| Shark（DolphinDB 脚本） | GPU 加速方式 | 在自定义函数上添加“@GPU”标签，Shark 自动解析并转换为 GPU 可执行计算图，无须 CUDA 二次开发 | medium |
| Shark（@GPU） | 性能提升 | 实现 10–20 倍以上性能提升 | medium |
| Shark Graph | 资源影响 | 支持对用户自定义表达式进行批式并行计算，减少 CPU 和内存占用 | medium |
| Shark | 硬件支持 | 已全面支持海光 DCU 处理器 | high |
| DolphinDB（国产处理器方向） | 后续计划 | 持续在国产处理器的安全性、性能与易用性方面深耕，为企业提供更强大便捷的算力支持 | low |
| AI Agent（DolphinDB） | 目标/定位 | 打通智能应用的“最后一公里”，让金融研究人员与投资经理以自然方式触达数据与计算能力 | medium |
| AI Agent（DolphinDB） | 机制 | 具备自我验证与迭代纠错机制：根据执行结果持续评估并自动调整，直到结果可行可靠 | medium |
| AI Agent（DolphinDB） | 工具体系 | 配合 MCP 工具体系，精准调用 DolphinDB 的数据与计算接口，使判断有据可依、结果可复现 | medium |
| 统一接口开发范式（DolphinDB） | 接口复用 | 同一套标准接口既可驱动前端可视化平台，也可封装成 MCP 工具供 Agent 调用，实现图形化操作与自然语言交互无缝切换 | medium |
| 研报因子复现 Agent | 功能 | 上传研报文件后自动解析因子逻辑、生成脚本、输出 IC 值与相关指标 | medium |
| 因子衍生 Agent | 功能 | 在原有因子基础上自动生成多个变种并迭代评估，筛选表现更优的策略 | medium |
| 智能 FICC 计算 Agent | 功能 | 通过一句自然语言指令完成国债期货、外汇衍生品等复杂定价 | medium |
| 组合管理 Agent | 功能 | 在统一 FICC 建模后，支持一句话查询混合资产组合持仓分布、风险归因等核心指标 | medium |
| 智能选股 Agent | 功能 | 沉淀因子元数据并标准化选股流程，使因子研究以可解释方式触达 C 端投资者 | low |
| AI 在金融研究中的方式（文中观点） | 主张 | 将“聪明”嵌入工程化流程：工具化、流程化、元数据管理与可追溯计算，代替不可解释的一次性“猜测” | low |
| DolphinDB “Infra + AI” | 方法论/实现路径 | 以自研内核保证确定性与性能边界，以统一数据与接口层降低复杂度，再以 Agent 将能力自然交付给使用者 | medium |
| AI Agent 体验 | 获取方式 | 联系小助手获取 Demo | medium |