摘要企业 AI 落地讨论里有一个被长期低估的问题当大模型本身日趋同质化企业真正的护城河到底在哪答案不在参数规模也不在 Prompt 技巧而在一个朴素得近乎无趣的事实里——谁能把老员工脑子里的那套做事方法沉淀为 AI 能稳定、安全、可复用调用的能力资产谁就让 AI 真正长在业务上。这恰恰是企业级 Agent 平台最核心、却最难做的一层工程——能力治理。本文从 DolphinDB 在 V3.00.6 版本中发布的DolphinX——企业级 Agent 开发与治理平台切入深入剖析其能力层的工程哲学Skill 是纯指令型资产、MCP 是标准协议接线层——两者如何分工、如何被同一套平台机制统一管控、渐进式加载、frontmatter 元数据、平台层配额治理为可跨 Agent、跨团队、甚至跨工具复用的组织资产。结合 DolphinDB 官方 GitHub 仓库dolphindb/DolphinX_Skill已开源的 23 个 skill涵盖编程规范、数据导入、FICC 定价、机器学习、因子生成、运维诊断、可视化、测试、Tushare/CSMAR/DataYes 导入等探讨企业 AI 从个人技能走向组织资产的范式跃迁。一、引言企业 AI 的护城河不在模型而在能力沉淀过去两年我反复听到企业 CIO 们抱怨同一件事——“我们的 AI Demo 越来越惊艳但生产环境里的 AI 还是只会回答通用问题。”深究下去原因几乎千篇一律模型在通用语料上训练而来它懂得怎么做模型推理却不懂我们这家公司怎么做这件事。举一个具体的场景。一位在券商工作了十年的量化研究员脑子里装着一套隐性知识回测沪深 300 中证 500 时要用哪些字段、复权价怎么处理、涨跌停日怎么剔除、停牌样本怎么对齐、未来数据偏移在哪几个时间节点最容易踩坑、研报里那段含糊的过去 20 日动量到底该怎么翻译成 DolphinDB 函数链。这套知识是新员工三年都学不完的——它就是这家机构真正的护城河。但当他试图把这套知识交给大模型时会发现两件事第一模型听不懂。你跟 GPT 或 Claude 说用我们公司的方式做回测它只能给你一段教科书式的通用代码——因为它根本不知道你们公司的方式是什么。第二就算你把它写成 Prompt每换一个场景、每换一个人都要重写一遍。同一段隐性知识研究员写在投研 Agent 里、运维写在故障诊断 Agent 里、风控写在风控 Agent 里——同一个机构、同一段经验、被重复表达 N 次、且彼此不一致。这就是企业 AI 落地最隐蔽也最致命的浪费——能力没有沉淀。模型越来越强但企业的隐性知识始终停留在老员工的脑子里或散落在不同团队的 Prompt 文件里没有变成组织可治理、可复用、可演进的资产。2026 年 7 月DolphinDB 在 V3.00.6 版本中正式发布的DolphinX——企业级 Agent 开发与治理平台对这个问题给出了一个非常工程化的答案。它没有把精力放在做一个更聪明的 Agent 框架而是把重心放在一件更难、更不起眼、却决定企业 AI 能否长期上岗的事——把企业能力做成一层可治理的资产。这层资产的核心就是本文要讨论的Skill 与 MCP。二、Skill vs MCP企业 Agent 的双手与神经讨论 DolphinX 的能力层之前必须先澄清一个行业里被混用已久的概念——Skill 和 MCPModel Context Protocol到底是什么关系很多企业把它们都笼统称为Agent 工具但 DolphinX 的工程划分把它们清晰地区分开来。理解这一区分是理解 DolphinX 能力治理哲学的前提。2.1 一句话讲清Skill 是做事的方法MCP 是接线的协议在 DolphinX 的官方定义里这两者的角色分工被写得非常直白Skill 是纯指令型资产——一份由 LLM 阅读并遵循的 Markdown 指引。它的载体是 Markdown 文件内容是在什么场景下、按什么步骤、调用什么工具、产出什么结果的工作指南。Skill 告诉模型该怎么做。MCP 是标准协议——对接内外部数据与工具的接线层。它定义了 Agent 如何通过统一格式调用一个外部服务数据库、API、文件系统、知识库检索服务等。MCP 告诉模型怎么够得到那个东西。用一句话概括Skill 是 Agent 的做事方法论MCP 是 Agent 的工具接线层。一个解决会不会做一个解决够不够得到。这个划分与企业管理的常识高度一致——一家公司的核心竞争力从来不在于它接了多少系统接线而在于它沉淀了多少做事的最佳实践方法论。系统谁都能接方法论需要长年积累。2.2 工程上的精确边界“对 DolphinX 透明”DolphinX 官方文档里有一句容易被忽略、但极其关键的话技能是纯指令型资产即一份由 LLM 阅读并遵循的 Markdown 指引。Toolfunction calling的定义、注册与执行由应用层负责对 DolphinX 透明。这句话的工程含义是——Skill 本身不执行任何代码它只是指挥棒。真正执行动作的是应用层注册的 Toolfunction calling而 MCP 是 Tool 的一种标准化接入方式。这一边界的设计哲学非常深远Skill 是声明式的——它描述该做什么、按什么规范做与具体执行环境解耦。这意味着同一段 Skill 可以在不同 Agent、不同部署、甚至不同 AI 工具上复用。Tool/MCP 是命令式的——它描述具体怎么调用某个接口。Tool 的实现与具体系统、具体版本、具体权限环境紧耦合。这种声明式 Skill 命令式 Tool的分层让企业能力沉淀与执行实现彻底解耦——业务专家可以专注写 Skill工程师负责接 Tool/MCP两者互不阻塞。这是企业级能力治理最基础也最重要的工程分工。2.3 一个具体例子FICC 定价场景里的 Skill 与 MCP以 DolphinDB 官方仓库已开源的dolphindb-ficc-pricingskill 为例可以看清两者的分工。场景分析师想给一份含权债定价。Agent 需要构造 Instrument、利率曲线、波动率曲面并调用对应的 pricer。Skill 干的事——dolphindb-ficc-pricing这份 Markdown 指引告诉模型含权债属于 13 类资产里的哪一类对应的 Instrument 字段如何构造利率曲线如何选择OIS、SOFR、Shibor 等波动率曲面如何插值各专用 pricer 与instrumentPricer的调用规范是什么、参数顺序是什么输出结果的字段含义是什么、单位如何对齐哪些边界情况要警惕负利率、行权日为非交易日、Schedule 构造差异等MCP/Tool 干的事——把调用 DolphinDB Server 进程内的 FICC 定价函数这个动作封装成一个 Tool让模型通过 function calling 触发执行。两者配合的结果是——分析师用自然语言说为这份含权债定价Agent 按照机构沉淀的方法论Skill构造参数、调用 Tool、解释结果整个过程完全符合机构长期沉淀的老法师做事方式。模型不需要重新学习、不需要每次被 Prompt 哄因为方法论已经被硬沉淀在 Skill 资产里。这就是把老员工的脑子变成 Agent 能调用的资产最直接的工程学含义。三、Skill 的工程学一份 Markdown凭什么能成为资产理清 Skill 与 MCP 的分工后下一个值得深究的问题是——一份 Markdown 文件凭什么能被当作企业级资产来治理答案藏在 DolphinX 对 Skill 的四层工程化设计里开放标准、规范化的技能包结构、frontmatter 元数据治理、渐进式加载模型。3.1 第一层基于 Agent Skills 开放标准不绑死任何一家厂商DolphinX 的技能定义格式明确声明——遵循 Agent Skills 开放标准agentskills.io。这是一个看似技术细节、实则战略意义重大的选择。它意味着 DolphinDB 写的 Skill不被 DolphinX 独占。官方文档里就明确提到——这些 Skill 同时可以直接进入 Codex 等外部 AI 工具使用。研究员在 DolphinX 里调用的dolphindb-factor因子生成 skill原则上也可以被研究员在自己熟悉的 Codex、Claude Code、Cursor 等其他 AI 工具里直接调用——只要这些工具同样遵循 Agent Skills 开放标准。对企业来说这意味着——Skill 资产是可迁移的组织资产而非绑死在某个 Agent 平台上的私有插件。你在 DolphinX 上沉淀的能力不会因为未来更换 Agent 平台而清零。这一点对企业长期投资 AI 能力建设至关重要。3.2 第二层规范化的技能包结构让一段经验变成一个可分发的资产DolphinX 的技能包规范明确要求——技能包是 ZIP 文件解压后最大 30 MB必须包含 SKILL.md 入口文件。一个标准的技能包结构如下暂时无法在飞书文档外展示此内容这套看似简单的规范背后是资产化最关键的几条工程契约可打包一段经验不再是散落在聊天记录、Confluence 页面、个人笔记里的文字而是可以打包、版本化、分发的独立单元。可版本化每个 skill 有自己的version字段可以纳入企业内部的版本管理流程——上线、灰度、回滚、归档全部可追溯。可校验30 MB 上限、SKILL.md 必须存在、frontmatter 必须合规——这些约束让企业可以建立自动化的 skill 质量门禁杜绝随手丢一个 Prompt 文件就上线。可组合一个 skill 可以引用scripts/、templates/、references/等辅助资源把方法论、模板、参考实现打成一个完整的能力包。这套规范的工程意义在于——它让企业能力沉淀从Prompt 工程师的手艺活变成了软件工程式的资产化管理。一段经验能不能成为 skill、能不能上线、能不能复用不再是个人主观判断而是可被流程化管理的客观契约。3.3 第三层frontmatter 元数据让 Skill 可被发现、可被治理真正让 Skill 从一份文档升级为一项资产的是 SKILL.md 开头的YAML frontmatter——一段看似不起眼的元数据却是企业级能力治理的中枢。DolphinX 的 frontmatter 字段被明确划分为三类标准字段Agent Skills 开放标准定义name技能全局唯一标识符格式必须满足正则^[a-z0-9]([a-z0-9-]*[a-z0-9])?$≤64 字符description技能描述做什么、何时用≤1024 字符注入技能目录供 LLM 判断是否需要该技能version版本号如 1.0.0license许可证信息compatibility环境要求≤500 字符metadata自定义键值对DolphinX 扩展字段argument-hint参数提示如[query] [limit]在技能目录中展示disable-model-invocation为 true 时 LLM 不可自动发现该技能但用户/应用仍可显式触发——这是危险技能的护栏user-invocable为 true 时用户可通过命令直接调用——这是权限分层category技能分类标签displayName技能展示名其余字段如 model、effort、allowed-tools 等统一收入 metadata JSON。这套字段设计背后是清晰的企业治理思想第一可被发现——namedescriptionargument-hint三件套构成了技能目录让 LLM 在每一轮对话中可以低成本判断该不该调用这个 skill。第二可被授权——disable-model-invocation与user-invocable两个字段构成了 skill 调用的双层开关模型能不能自动调用、用户能不能手动调用、是否需要显式授权——这是企业合规审计的基本诉求。第三可被分类——category与displayName让企业内部可以建立技能超市按业务域金融、运维、数据导入、按用户角色研究员、调度员、运维组织技能。第四可被兼容管控——compatibility字段让企业可以声明某个 skill 只能在特定版本以上的 DolphinDB 上运行避免老 skill 跑在新版本上语义漂移的常见陷阱。3.4 第四层渐进式加载模型Progressive Disclosure让能力规模不再受限于上下文窗口这是 DolphinX Skill 工程学最精妙的一笔。官方文档定义了一个清晰的三级加载模型暂时无法在飞书文档外展示此内容这个设计的工程意义非同小可——它直接破解了能力规模与上下文窗口矛盾这一企业 Agent 平台的核心难题。想象一个企业内部沉淀了 200 个 skill——涵盖编程规范、数据导入、因子生成、FICC 定价、机器学习、运维诊断、可视化等各个领域。如果按照传统把所有能力说明塞进系统 Prompt的做法光是 skill 描述就要消耗几万 token模型还没开始干活上下文已经被能力清单挤爆。DolphinX 的渐进式加载从根本上解决了这个矛盾第一级默认——只把每个 skill 的 namedescription argument-hint 注入上下文200 个 skill 大约只占 1-2 万 token模型清楚地知道有哪些能力可用。第二级按需展开——只有当模型判断这件事需要用 dolphindb-ficc-pricing 来做时才把这个 skill 的完整 Markdown body5000 token动态加载进来。第三级精确提取——只有在需要某个具体脚本、某个具体模板时才从技能包里提取对应文件。这种目录—详情—文件的三级渐进让企业可以无限积累 skill而上下文窗口始终只承担当前任务真正需要的那一小部分。这是能力资产规模化沉淀在工程上可行的根本前提。四、MCP 的角色把外部世界接到 Agent 的指尖讲清了 Skill 这条做事方法论主线后再回头看 MCP 这条工具接线层主线会更容易理解它的边界与价值。4.1 MCP 解决的是够不够得到而不是该怎么做DolphinX 通过标准 MCP 协议对接内外部数据与工具。典型场景包括离线文档检索——在内网部署一个 MCP 文档服务让物理隔离环境下的 Agent 也能检索企业内部知识库这是 DolphinX 直播回顾里明确提到的离线落地方案之一外部数据源对接——把企业的 CRM、ERP、数据中台、第三方行情源通过 MCP 服务暴露给 Agent业务系统调用——把交易系统、风控系统、运维工单系统的关键接口通过 MCP 封装为可被 Agent 调用的工具注意这些场景的共同点——它们解决的都是Agent 如何够到那个东西而不是Agent 该怎么用那个东西。怎么用是 Skill 的事。4.2 离线场景的工程意义在内网里把外部能力变内部能力对金融、能源、政务这类物理隔离环境MCP 的价值尤为突出。以离线文档检索为例DolphinX 给出了两种落地方案方案 A自定义文档检索 Skill 绑定 Agent让 Skill 描述如何评估检索结果、如何组织答案方案 B独立部署 MCP 文档服务在内网提供知识库查询让 MCP 负责如何把检索请求送到文档服务两者经常配合使用——MCP 把内网文档服务接到 Agent 指尖Skill 告诉 Agent接到之后该怎么用。这种组合让企业可以在物理隔离环境下搭建完全不依赖外网的完整 RAG 链路——满足合规要求的同时依然保留 Agent 的智能。4.3 MCP 与 Skill 的治理边界需要强调的一点是——DolphinX 把 Skill 与 MCP 都纳入了平台统一治理。官方文档明确写道DolphinX API 的 Agent、LLM、Skill、MCP、Memory、Workspace 开关和配额由平台侧统一配置和管控不对外开放。这意味着——只有管理员和相关有权限的人员这个是可以在平台设置的可以查看、配置和管理别人/没用权限的人看不到强调的是信息安全以及企业级治理五、官方 Skill 仓库的范本价值23 个能力资产的真实模样理论需要真实样本的佐证。DolphinDB 在 GitHub 上开源的dolphindb/DolphinX_Skill仓库目前公开了 23 个 skill是观察企业能力资产化的真实范本。5.1 按业务域组织而非按技术栈这 23 个 skill 的组织方式本身就极具启发——它们不是按技术栈分类而是按业务域分类编程规范dolphindb-coding-style 分组basic-syntax-programming / sql-programming / functional-programming / vectorization-programming——把 DolphinDB 编程范式拆成 4 个并列 skill数据导入dolphindb-data-import通用/ dolphindb-tushare-import / dolphindb-hfdataimportCSMAR DataYes/ dolphindb-universal-financial-data因子生成dolphindb-factor 分组daily-factor / highfreq-factor / rag金融业务dolphindb-ficc-pricing / dolphindb-backtest-skill / dolphindb-report-factor-replication流计算dolphindb-orca-dstreamOrca 声明式 DStream API机器学习dolphindb-machinelearning数据清洗 / 特征工程 / 分类 / 回归 / 聚类运维dolphindb-opsOOM / 慢查询 / 流延迟 / 磁盘满 / 复制异常 / 元数据损坏等可视化dolphindb-plot测试dolphindb-test这种组织方式透露出 DolphinDB 对企业能力沉淀的深刻理解——企业真正需要的是按业务场景组织的能力资产库而不是按技术分类的函数文档。研究员关心的不是SQL 与函数式谁更强而是日频因子怎么做、高频因子怎么做、研报里的因子怎么复现。5.2 三种典型的 Skill 封装范式仔细看这 23 个 skill可以归纳出三种典型的能力资产封装范式范式一方法论封装型——以dolphindb-coding-style为代表。它把 DolphinDB 的编程范式基础语法、SQL、函数式、向量化沉淀为 4 个并列 skill本质上是把十年积累的编程最佳实践做成 LLM 可消费的指南。模型按照这份指南写代码相当于继承了 DolphinDB 团队十年的工程经验。范式二流程编排型——以dolphindb-machinelearning为代表。它把数据源发现 → 字段角色推断 → 数据清洗 → 特征工程 → 分类/回归/聚类建模这条完整工作流封装为一个 skill。本质上是把专家脑子里那条隐性工作流显式化为可复用的标准流程。业务人员不再需要懂机器学习全流程只要按 skill 的引导走就能完成一次合规的建模。范式三领域知识封装型——以dolphindb-ficc-pricing为代表。它把 13 类资产债券、利率、外汇、商品期货期权、权益期权等的 Instrument 构造规范、利率曲线与波动率曲面构造方法、各专用 pricer 与instrumentPricer的调用契约全部沉淀进 skill。本质上是把老法师脑子里的领域知识字典做成 LLM 可即查即用的资产。这三种范式几乎覆盖了企业能力沉淀的所有典型形态——方法论、工作流、领域知识。任何企业想做自己的能力资产化都可以从这三种范式里找到对应模板。5.3 分组 依赖的能力拓扑更值得注意的是 skill 之间的拓扑关系。从仓库组织可以看出清晰的依赖关系dolphindb-hfdataimport-check-env是dolphindb-csmar-import/dolphindb-datayes-import的前置依赖——导入数据前必须先校验环境zip 插件、easy_csmar / easy_datayes 模块是否就位dolphindb-tushare-check-env是dolphindb-tushare-import的前置依赖——导入前必须先校验 httpClient、py 插件、easy_tushare 模块dolphindb-finance-dbtbcreate与dolphindb-finance-dataimport是先建库建表、再导入数据的顺序关系这种前置环境校验 → 主任务执行的分组与依赖设计体现的是企业级能力治理的另一层考量——能力不是孤立的能力之间有拓扑关系平台必须显式地建模这种关系。这正是组织资产区别于个人 Prompt 文件的关键——组织资产是结构化的、有依赖的、可演进的。5.4 一个看似细节、实则深远的安排dolphindb-rag在dolphindb-factor分组里有一个特别的 skill——dolphindb-rag。它的定位是作为 DolphinDB 问答前置的检索约束 skill强调基于资料回答、避免凭记忆编造。这个 skill 的存在非常关键。它实际上是在用 Skill 机制约束模型行为——把必须基于检索到的资料回答、不许凭模型记忆编造这一机构级合规要求固化为一项可被加载的能力资产。这暴露出 DolphinX Skill 工程学的另一个深层考量——Skill 不仅是教模型怎么做事也是约束模型不许乱做事。对金融、能源、政务这类对答案可溯源有强诉求的行业这种合规即 Skill的设计意义巨大——合规要求不再是写在文档里的人肉约束而是沉淀在 Skill 资产里的工程化约束。六、跨 Agent、跨团队、跨工具的能力复用资产化的最终价值把老员工的脑子做成 Skill 资产只是第一步。真正决定这套体系回报率的是这些资产能不能在更广的范围内被复用。DolphinX 在这一点上给出了三层复用设计。6.1 第一层跨 Agent 复用——同一项能力服务多个 Agent在 DolphinX 的产品形态里企业可以构建多个专用 Agent——投研 Agent、运维 Agent、风控 Agent、机器学习 Agent、问数 Agent。这些 Agent 共享同一个 Skill 池——dolphindb-machinelearning既可以被投研 Agent 调用做因子建模也可以被运维 Agent 调用做异常检测建模还可以被独立的机器学习 Agent调用做通用建模。这意味着——企业写一次 Skill可以在 N 个 Agent 上生效。这是个人技能走向组织资产的第一层跃迁——能力不再绑死在某个具体 Agent 上而是浮在企业能力池里按需被调度。6.2 第二层跨团队复用——同一项能力服务多个部门更进一步的复用发生在组织维度。一家大型机构里投研部门、风控部门、运营部门、IT 部门往往各自维护着自己的 Agent。如果每个部门都从零搭自己的能力必然导致同一个机构、同一套业务、N 套重复实现。DolphinX 的平台层统一治理——Skill 由平台统一注册、统一授权、统一配额——让企业可以建立内部的能力共享平台。投研部门沉淀的因子分析 Skill可以被风控部门直接复用运维部门沉淀的故障诊断 Skill可以被 SRE 团队复用。能力沉淀的速度从线性增长变为网络效应式增长。6.3 第三层跨工具复用——Skill 不绑死 DolphinX这是最被低估、却最有战略价值的一层。前文提到——DolphinX 的 Skill 遵循 Agent Skills 开放标准理论上可以被任何遵循该标准的 AI 工具消费。DolphinDB 官方也明确指出仓库里的 Skill 可以直接进入 Codex 等外部 AI 工具使用。对企业来说这意味着——Skill 资产是真正属于企业的、可迁移的、不被任何 Agent 平台绑死的核心资产。研究员既可以在 DolphinX 里调用dolphindb-factor做因子分析也可以在自己熟悉的 Codex / Cursor / Claude Code 里调用同一份 Skill——机构沉淀的能力跟随着员工的工作流而不是跟随着某个具体平台。这是组织资产最高级的形态——资产归企业所有、可在多工具间流转、不被任何单一厂商锁定。这正是 Agent Skills 开放标准最深远的价值也是 DolphinX 选择开放标准而非私有格式的根本原因。七、X-Lab让能力资产可被量化评估文章最后必须提一个 DolphinDB Roadmap 里被严重低估的方向——X-Lab 智能体评测工具。它的定位非常明确——用于衡量与验证智能体能力。表面看是一个评测工具实质上是企业能力资产治理体系最后一块拼图。为什么这块拼图关键因为没有量化评估能力治理就是一笔糊涂账。企业内部沉淀了 50 个 Skill哪个 Skill 真的高效、哪个 Skill 偶尔翻车、哪个 Skill 该被淘汰、哪个 Skill 该被升级——这些问题没有量化答案能力池就会迅速膨胀、腐化、失去价值。X-Lab 的存在让企业能力治理形成完整闭环沉淀写 Skill→启用绑定到 Agent→使用业务调用→评估X-Lab 量化→迭代基于评估结果优化→再沉淀这个闭环是企业 AI 走向长期健康发展的根本保障。没有评估的能力资产最终都会沦为数字垃圾。DolphinDB 把 X-Lab 与 DolphinX 同步推出体现的是对企业级 AI 治理的成熟认知——能力治理不是做出来就行而是做得出来、用得起来、评得清楚、迭代得动。八、结语企业 AI 的下半场是能力资产化的下半场回到本文开头的那个判断——当大模型本身日趋同质化企业真正的护城河到底在哪经过上文的分析答案已经清晰——在能力资产化的工程深度上。模型谁都能调Prompt 谁都会写但把一家机构十年、二十年沉淀的做事方法系统地、规范地、可治理地变成 LLM 可消费的资产——这件事绝大多数企业还没开始做。这就是 DolphinX Skill/MCP 治理学真正的战略价值——它把企业能力沉淀这件虚无缥缈的事变成了一个有标准、有规范、有平台、有评估的工程化命题。DolphinX 的工程判断可以浓缩为一句话——Skill 是资产、MCP 是接线、平台是治理、X-Lab 是闭环。这四件事齐备企业 AI 才有可能从个人技能真正走向组织资产从Demo 惊艳真正走向生产上岗。当下一次再有 CIO 抱怨我们的 AI Demo 越来越惊艳、但生产环境里的 AI 还是只会回答通用问题时也许该问的不是模型够不够强而是——“我们这家机构把老员工脑子里的做事方法做成多少 Skill 资产了”这个问题的答案决定了企业 AI 走得多远。 把「老员工的脑子」变成 Agent 能调用的资产：DolphinX Skill/MCP 治理学
摘要企业 AI 落地讨论里有一个被长期低估的问题当大模型本身日趋同质化企业真正的护城河到底在哪答案不在参数规模也不在 Prompt 技巧而在一个朴素得近乎无趣的事实里——谁能把老员工脑子里的那套做事方法沉淀为 AI 能稳定、安全、可复用调用的能力资产谁就让 AI 真正长在业务上。这恰恰是企业级 Agent 平台最核心、却最难做的一层工程——能力治理。本文从 DolphinDB 在 V3.00.6 版本中发布的DolphinX——企业级 Agent 开发与治理平台切入深入剖析其能力层的工程哲学Skill 是纯指令型资产、MCP 是标准协议接线层——两者如何分工、如何被同一套平台机制统一管控、渐进式加载、frontmatter 元数据、平台层配额治理为可跨 Agent、跨团队、甚至跨工具复用的组织资产。结合 DolphinDB 官方 GitHub 仓库dolphindb/DolphinX_Skill已开源的 23 个 skill涵盖编程规范、数据导入、FICC 定价、机器学习、因子生成、运维诊断、可视化、测试、Tushare/CSMAR/DataYes 导入等探讨企业 AI 从个人技能走向组织资产的范式跃迁。一、引言企业 AI 的护城河不在模型而在能力沉淀过去两年我反复听到企业 CIO 们抱怨同一件事——“我们的 AI Demo 越来越惊艳但生产环境里的 AI 还是只会回答通用问题。”深究下去原因几乎千篇一律模型在通用语料上训练而来它懂得怎么做模型推理却不懂我们这家公司怎么做这件事。举一个具体的场景。一位在券商工作了十年的量化研究员脑子里装着一套隐性知识回测沪深 300 中证 500 时要用哪些字段、复权价怎么处理、涨跌停日怎么剔除、停牌样本怎么对齐、未来数据偏移在哪几个时间节点最容易踩坑、研报里那段含糊的过去 20 日动量到底该怎么翻译成 DolphinDB 函数链。这套知识是新员工三年都学不完的——它就是这家机构真正的护城河。但当他试图把这套知识交给大模型时会发现两件事第一模型听不懂。你跟 GPT 或 Claude 说用我们公司的方式做回测它只能给你一段教科书式的通用代码——因为它根本不知道你们公司的方式是什么。第二就算你把它写成 Prompt每换一个场景、每换一个人都要重写一遍。同一段隐性知识研究员写在投研 Agent 里、运维写在故障诊断 Agent 里、风控写在风控 Agent 里——同一个机构、同一段经验、被重复表达 N 次、且彼此不一致。这就是企业 AI 落地最隐蔽也最致命的浪费——能力没有沉淀。模型越来越强但企业的隐性知识始终停留在老员工的脑子里或散落在不同团队的 Prompt 文件里没有变成组织可治理、可复用、可演进的资产。2026 年 7 月DolphinDB 在 V3.00.6 版本中正式发布的DolphinX——企业级 Agent 开发与治理平台对这个问题给出了一个非常工程化的答案。它没有把精力放在做一个更聪明的 Agent 框架而是把重心放在一件更难、更不起眼、却决定企业 AI 能否长期上岗的事——把企业能力做成一层可治理的资产。这层资产的核心就是本文要讨论的Skill 与 MCP。二、Skill vs MCP企业 Agent 的双手与神经讨论 DolphinX 的能力层之前必须先澄清一个行业里被混用已久的概念——Skill 和 MCPModel Context Protocol到底是什么关系很多企业把它们都笼统称为Agent 工具但 DolphinX 的工程划分把它们清晰地区分开来。理解这一区分是理解 DolphinX 能力治理哲学的前提。2.1 一句话讲清Skill 是做事的方法MCP 是接线的协议在 DolphinX 的官方定义里这两者的角色分工被写得非常直白Skill 是纯指令型资产——一份由 LLM 阅读并遵循的 Markdown 指引。它的载体是 Markdown 文件内容是在什么场景下、按什么步骤、调用什么工具、产出什么结果的工作指南。Skill 告诉模型该怎么做。MCP 是标准协议——对接内外部数据与工具的接线层。它定义了 Agent 如何通过统一格式调用一个外部服务数据库、API、文件系统、知识库检索服务等。MCP 告诉模型怎么够得到那个东西。用一句话概括Skill 是 Agent 的做事方法论MCP 是 Agent 的工具接线层。一个解决会不会做一个解决够不够得到。这个划分与企业管理的常识高度一致——一家公司的核心竞争力从来不在于它接了多少系统接线而在于它沉淀了多少做事的最佳实践方法论。系统谁都能接方法论需要长年积累。2.2 工程上的精确边界“对 DolphinX 透明”DolphinX 官方文档里有一句容易被忽略、但极其关键的话技能是纯指令型资产即一份由 LLM 阅读并遵循的 Markdown 指引。Toolfunction calling的定义、注册与执行由应用层负责对 DolphinX 透明。这句话的工程含义是——Skill 本身不执行任何代码它只是指挥棒。真正执行动作的是应用层注册的 Toolfunction calling而 MCP 是 Tool 的一种标准化接入方式。这一边界的设计哲学非常深远Skill 是声明式的——它描述该做什么、按什么规范做与具体执行环境解耦。这意味着同一段 Skill 可以在不同 Agent、不同部署、甚至不同 AI 工具上复用。Tool/MCP 是命令式的——它描述具体怎么调用某个接口。Tool 的实现与具体系统、具体版本、具体权限环境紧耦合。这种声明式 Skill 命令式 Tool的分层让企业能力沉淀与执行实现彻底解耦——业务专家可以专注写 Skill工程师负责接 Tool/MCP两者互不阻塞。这是企业级能力治理最基础也最重要的工程分工。2.3 一个具体例子FICC 定价场景里的 Skill 与 MCP以 DolphinDB 官方仓库已开源的dolphindb-ficc-pricingskill 为例可以看清两者的分工。场景分析师想给一份含权债定价。Agent 需要构造 Instrument、利率曲线、波动率曲面并调用对应的 pricer。Skill 干的事——dolphindb-ficc-pricing这份 Markdown 指引告诉模型含权债属于 13 类资产里的哪一类对应的 Instrument 字段如何构造利率曲线如何选择OIS、SOFR、Shibor 等波动率曲面如何插值各专用 pricer 与instrumentPricer的调用规范是什么、参数顺序是什么输出结果的字段含义是什么、单位如何对齐哪些边界情况要警惕负利率、行权日为非交易日、Schedule 构造差异等MCP/Tool 干的事——把调用 DolphinDB Server 进程内的 FICC 定价函数这个动作封装成一个 Tool让模型通过 function calling 触发执行。两者配合的结果是——分析师用自然语言说为这份含权债定价Agent 按照机构沉淀的方法论Skill构造参数、调用 Tool、解释结果整个过程完全符合机构长期沉淀的老法师做事方式。模型不需要重新学习、不需要每次被 Prompt 哄因为方法论已经被硬沉淀在 Skill 资产里。这就是把老员工的脑子变成 Agent 能调用的资产最直接的工程学含义。三、Skill 的工程学一份 Markdown凭什么能成为资产理清 Skill 与 MCP 的分工后下一个值得深究的问题是——一份 Markdown 文件凭什么能被当作企业级资产来治理答案藏在 DolphinX 对 Skill 的四层工程化设计里开放标准、规范化的技能包结构、frontmatter 元数据治理、渐进式加载模型。3.1 第一层基于 Agent Skills 开放标准不绑死任何一家厂商DolphinX 的技能定义格式明确声明——遵循 Agent Skills 开放标准agentskills.io。这是一个看似技术细节、实则战略意义重大的选择。它意味着 DolphinDB 写的 Skill不被 DolphinX 独占。官方文档里就明确提到——这些 Skill 同时可以直接进入 Codex 等外部 AI 工具使用。研究员在 DolphinX 里调用的dolphindb-factor因子生成 skill原则上也可以被研究员在自己熟悉的 Codex、Claude Code、Cursor 等其他 AI 工具里直接调用——只要这些工具同样遵循 Agent Skills 开放标准。对企业来说这意味着——Skill 资产是可迁移的组织资产而非绑死在某个 Agent 平台上的私有插件。你在 DolphinX 上沉淀的能力不会因为未来更换 Agent 平台而清零。这一点对企业长期投资 AI 能力建设至关重要。3.2 第二层规范化的技能包结构让一段经验变成一个可分发的资产DolphinX 的技能包规范明确要求——技能包是 ZIP 文件解压后最大 30 MB必须包含 SKILL.md 入口文件。一个标准的技能包结构如下暂时无法在飞书文档外展示此内容这套看似简单的规范背后是资产化最关键的几条工程契约可打包一段经验不再是散落在聊天记录、Confluence 页面、个人笔记里的文字而是可以打包、版本化、分发的独立单元。可版本化每个 skill 有自己的version字段可以纳入企业内部的版本管理流程——上线、灰度、回滚、归档全部可追溯。可校验30 MB 上限、SKILL.md 必须存在、frontmatter 必须合规——这些约束让企业可以建立自动化的 skill 质量门禁杜绝随手丢一个 Prompt 文件就上线。可组合一个 skill 可以引用scripts/、templates/、references/等辅助资源把方法论、模板、参考实现打成一个完整的能力包。这套规范的工程意义在于——它让企业能力沉淀从Prompt 工程师的手艺活变成了软件工程式的资产化管理。一段经验能不能成为 skill、能不能上线、能不能复用不再是个人主观判断而是可被流程化管理的客观契约。3.3 第三层frontmatter 元数据让 Skill 可被发现、可被治理真正让 Skill 从一份文档升级为一项资产的是 SKILL.md 开头的YAML frontmatter——一段看似不起眼的元数据却是企业级能力治理的中枢。DolphinX 的 frontmatter 字段被明确划分为三类标准字段Agent Skills 开放标准定义name技能全局唯一标识符格式必须满足正则^[a-z0-9]([a-z0-9-]*[a-z0-9])?$≤64 字符description技能描述做什么、何时用≤1024 字符注入技能目录供 LLM 判断是否需要该技能version版本号如 1.0.0license许可证信息compatibility环境要求≤500 字符metadata自定义键值对DolphinX 扩展字段argument-hint参数提示如[query] [limit]在技能目录中展示disable-model-invocation为 true 时 LLM 不可自动发现该技能但用户/应用仍可显式触发——这是危险技能的护栏user-invocable为 true 时用户可通过命令直接调用——这是权限分层category技能分类标签displayName技能展示名其余字段如 model、effort、allowed-tools 等统一收入 metadata JSON。这套字段设计背后是清晰的企业治理思想第一可被发现——namedescriptionargument-hint三件套构成了技能目录让 LLM 在每一轮对话中可以低成本判断该不该调用这个 skill。第二可被授权——disable-model-invocation与user-invocable两个字段构成了 skill 调用的双层开关模型能不能自动调用、用户能不能手动调用、是否需要显式授权——这是企业合规审计的基本诉求。第三可被分类——category与displayName让企业内部可以建立技能超市按业务域金融、运维、数据导入、按用户角色研究员、调度员、运维组织技能。第四可被兼容管控——compatibility字段让企业可以声明某个 skill 只能在特定版本以上的 DolphinDB 上运行避免老 skill 跑在新版本上语义漂移的常见陷阱。3.4 第四层渐进式加载模型Progressive Disclosure让能力规模不再受限于上下文窗口这是 DolphinX Skill 工程学最精妙的一笔。官方文档定义了一个清晰的三级加载模型暂时无法在飞书文档外展示此内容这个设计的工程意义非同小可——它直接破解了能力规模与上下文窗口矛盾这一企业 Agent 平台的核心难题。想象一个企业内部沉淀了 200 个 skill——涵盖编程规范、数据导入、因子生成、FICC 定价、机器学习、运维诊断、可视化等各个领域。如果按照传统把所有能力说明塞进系统 Prompt的做法光是 skill 描述就要消耗几万 token模型还没开始干活上下文已经被能力清单挤爆。DolphinX 的渐进式加载从根本上解决了这个矛盾第一级默认——只把每个 skill 的 namedescription argument-hint 注入上下文200 个 skill 大约只占 1-2 万 token模型清楚地知道有哪些能力可用。第二级按需展开——只有当模型判断这件事需要用 dolphindb-ficc-pricing 来做时才把这个 skill 的完整 Markdown body5000 token动态加载进来。第三级精确提取——只有在需要某个具体脚本、某个具体模板时才从技能包里提取对应文件。这种目录—详情—文件的三级渐进让企业可以无限积累 skill而上下文窗口始终只承担当前任务真正需要的那一小部分。这是能力资产规模化沉淀在工程上可行的根本前提。四、MCP 的角色把外部世界接到 Agent 的指尖讲清了 Skill 这条做事方法论主线后再回头看 MCP 这条工具接线层主线会更容易理解它的边界与价值。4.1 MCP 解决的是够不够得到而不是该怎么做DolphinX 通过标准 MCP 协议对接内外部数据与工具。典型场景包括离线文档检索——在内网部署一个 MCP 文档服务让物理隔离环境下的 Agent 也能检索企业内部知识库这是 DolphinX 直播回顾里明确提到的离线落地方案之一外部数据源对接——把企业的 CRM、ERP、数据中台、第三方行情源通过 MCP 服务暴露给 Agent业务系统调用——把交易系统、风控系统、运维工单系统的关键接口通过 MCP 封装为可被 Agent 调用的工具注意这些场景的共同点——它们解决的都是Agent 如何够到那个东西而不是Agent 该怎么用那个东西。怎么用是 Skill 的事。4.2 离线场景的工程意义在内网里把外部能力变内部能力对金融、能源、政务这类物理隔离环境MCP 的价值尤为突出。以离线文档检索为例DolphinX 给出了两种落地方案方案 A自定义文档检索 Skill 绑定 Agent让 Skill 描述如何评估检索结果、如何组织答案方案 B独立部署 MCP 文档服务在内网提供知识库查询让 MCP 负责如何把检索请求送到文档服务两者经常配合使用——MCP 把内网文档服务接到 Agent 指尖Skill 告诉 Agent接到之后该怎么用。这种组合让企业可以在物理隔离环境下搭建完全不依赖外网的完整 RAG 链路——满足合规要求的同时依然保留 Agent 的智能。4.3 MCP 与 Skill 的治理边界需要强调的一点是——DolphinX 把 Skill 与 MCP 都纳入了平台统一治理。官方文档明确写道DolphinX API 的 Agent、LLM、Skill、MCP、Memory、Workspace 开关和配额由平台侧统一配置和管控不对外开放。这意味着——只有管理员和相关有权限的人员这个是可以在平台设置的可以查看、配置和管理别人/没用权限的人看不到强调的是信息安全以及企业级治理五、官方 Skill 仓库的范本价值23 个能力资产的真实模样理论需要真实样本的佐证。DolphinDB 在 GitHub 上开源的dolphindb/DolphinX_Skill仓库目前公开了 23 个 skill是观察企业能力资产化的真实范本。5.1 按业务域组织而非按技术栈这 23 个 skill 的组织方式本身就极具启发——它们不是按技术栈分类而是按业务域分类编程规范dolphindb-coding-style 分组basic-syntax-programming / sql-programming / functional-programming / vectorization-programming——把 DolphinDB 编程范式拆成 4 个并列 skill数据导入dolphindb-data-import通用/ dolphindb-tushare-import / dolphindb-hfdataimportCSMAR DataYes/ dolphindb-universal-financial-data因子生成dolphindb-factor 分组daily-factor / highfreq-factor / rag金融业务dolphindb-ficc-pricing / dolphindb-backtest-skill / dolphindb-report-factor-replication流计算dolphindb-orca-dstreamOrca 声明式 DStream API机器学习dolphindb-machinelearning数据清洗 / 特征工程 / 分类 / 回归 / 聚类运维dolphindb-opsOOM / 慢查询 / 流延迟 / 磁盘满 / 复制异常 / 元数据损坏等可视化dolphindb-plot测试dolphindb-test这种组织方式透露出 DolphinDB 对企业能力沉淀的深刻理解——企业真正需要的是按业务场景组织的能力资产库而不是按技术分类的函数文档。研究员关心的不是SQL 与函数式谁更强而是日频因子怎么做、高频因子怎么做、研报里的因子怎么复现。5.2 三种典型的 Skill 封装范式仔细看这 23 个 skill可以归纳出三种典型的能力资产封装范式范式一方法论封装型——以dolphindb-coding-style为代表。它把 DolphinDB 的编程范式基础语法、SQL、函数式、向量化沉淀为 4 个并列 skill本质上是把十年积累的编程最佳实践做成 LLM 可消费的指南。模型按照这份指南写代码相当于继承了 DolphinDB 团队十年的工程经验。范式二流程编排型——以dolphindb-machinelearning为代表。它把数据源发现 → 字段角色推断 → 数据清洗 → 特征工程 → 分类/回归/聚类建模这条完整工作流封装为一个 skill。本质上是把专家脑子里那条隐性工作流显式化为可复用的标准流程。业务人员不再需要懂机器学习全流程只要按 skill 的引导走就能完成一次合规的建模。范式三领域知识封装型——以dolphindb-ficc-pricing为代表。它把 13 类资产债券、利率、外汇、商品期货期权、权益期权等的 Instrument 构造规范、利率曲线与波动率曲面构造方法、各专用 pricer 与instrumentPricer的调用契约全部沉淀进 skill。本质上是把老法师脑子里的领域知识字典做成 LLM 可即查即用的资产。这三种范式几乎覆盖了企业能力沉淀的所有典型形态——方法论、工作流、领域知识。任何企业想做自己的能力资产化都可以从这三种范式里找到对应模板。5.3 分组 依赖的能力拓扑更值得注意的是 skill 之间的拓扑关系。从仓库组织可以看出清晰的依赖关系dolphindb-hfdataimport-check-env是dolphindb-csmar-import/dolphindb-datayes-import的前置依赖——导入数据前必须先校验环境zip 插件、easy_csmar / easy_datayes 模块是否就位dolphindb-tushare-check-env是dolphindb-tushare-import的前置依赖——导入前必须先校验 httpClient、py 插件、easy_tushare 模块dolphindb-finance-dbtbcreate与dolphindb-finance-dataimport是先建库建表、再导入数据的顺序关系这种前置环境校验 → 主任务执行的分组与依赖设计体现的是企业级能力治理的另一层考量——能力不是孤立的能力之间有拓扑关系平台必须显式地建模这种关系。这正是组织资产区别于个人 Prompt 文件的关键——组织资产是结构化的、有依赖的、可演进的。5.4 一个看似细节、实则深远的安排dolphindb-rag在dolphindb-factor分组里有一个特别的 skill——dolphindb-rag。它的定位是作为 DolphinDB 问答前置的检索约束 skill强调基于资料回答、避免凭记忆编造。这个 skill 的存在非常关键。它实际上是在用 Skill 机制约束模型行为——把必须基于检索到的资料回答、不许凭模型记忆编造这一机构级合规要求固化为一项可被加载的能力资产。这暴露出 DolphinX Skill 工程学的另一个深层考量——Skill 不仅是教模型怎么做事也是约束模型不许乱做事。对金融、能源、政务这类对答案可溯源有强诉求的行业这种合规即 Skill的设计意义巨大——合规要求不再是写在文档里的人肉约束而是沉淀在 Skill 资产里的工程化约束。六、跨 Agent、跨团队、跨工具的能力复用资产化的最终价值把老员工的脑子做成 Skill 资产只是第一步。真正决定这套体系回报率的是这些资产能不能在更广的范围内被复用。DolphinX 在这一点上给出了三层复用设计。6.1 第一层跨 Agent 复用——同一项能力服务多个 Agent在 DolphinX 的产品形态里企业可以构建多个专用 Agent——投研 Agent、运维 Agent、风控 Agent、机器学习 Agent、问数 Agent。这些 Agent 共享同一个 Skill 池——dolphindb-machinelearning既可以被投研 Agent 调用做因子建模也可以被运维 Agent 调用做异常检测建模还可以被独立的机器学习 Agent调用做通用建模。这意味着——企业写一次 Skill可以在 N 个 Agent 上生效。这是个人技能走向组织资产的第一层跃迁——能力不再绑死在某个具体 Agent 上而是浮在企业能力池里按需被调度。6.2 第二层跨团队复用——同一项能力服务多个部门更进一步的复用发生在组织维度。一家大型机构里投研部门、风控部门、运营部门、IT 部门往往各自维护着自己的 Agent。如果每个部门都从零搭自己的能力必然导致同一个机构、同一套业务、N 套重复实现。DolphinX 的平台层统一治理——Skill 由平台统一注册、统一授权、统一配额——让企业可以建立内部的能力共享平台。投研部门沉淀的因子分析 Skill可以被风控部门直接复用运维部门沉淀的故障诊断 Skill可以被 SRE 团队复用。能力沉淀的速度从线性增长变为网络效应式增长。6.3 第三层跨工具复用——Skill 不绑死 DolphinX这是最被低估、却最有战略价值的一层。前文提到——DolphinX 的 Skill 遵循 Agent Skills 开放标准理论上可以被任何遵循该标准的 AI 工具消费。DolphinDB 官方也明确指出仓库里的 Skill 可以直接进入 Codex 等外部 AI 工具使用。对企业来说这意味着——Skill 资产是真正属于企业的、可迁移的、不被任何 Agent 平台绑死的核心资产。研究员既可以在 DolphinX 里调用dolphindb-factor做因子分析也可以在自己熟悉的 Codex / Cursor / Claude Code 里调用同一份 Skill——机构沉淀的能力跟随着员工的工作流而不是跟随着某个具体平台。这是组织资产最高级的形态——资产归企业所有、可在多工具间流转、不被任何单一厂商锁定。这正是 Agent Skills 开放标准最深远的价值也是 DolphinX 选择开放标准而非私有格式的根本原因。七、X-Lab让能力资产可被量化评估文章最后必须提一个 DolphinDB Roadmap 里被严重低估的方向——X-Lab 智能体评测工具。它的定位非常明确——用于衡量与验证智能体能力。表面看是一个评测工具实质上是企业能力资产治理体系最后一块拼图。为什么这块拼图关键因为没有量化评估能力治理就是一笔糊涂账。企业内部沉淀了 50 个 Skill哪个 Skill 真的高效、哪个 Skill 偶尔翻车、哪个 Skill 该被淘汰、哪个 Skill 该被升级——这些问题没有量化答案能力池就会迅速膨胀、腐化、失去价值。X-Lab 的存在让企业能力治理形成完整闭环沉淀写 Skill→启用绑定到 Agent→使用业务调用→评估X-Lab 量化→迭代基于评估结果优化→再沉淀这个闭环是企业 AI 走向长期健康发展的根本保障。没有评估的能力资产最终都会沦为数字垃圾。DolphinDB 把 X-Lab 与 DolphinX 同步推出体现的是对企业级 AI 治理的成熟认知——能力治理不是做出来就行而是做得出来、用得起来、评得清楚、迭代得动。八、结语企业 AI 的下半场是能力资产化的下半场回到本文开头的那个判断——当大模型本身日趋同质化企业真正的护城河到底在哪经过上文的分析答案已经清晰——在能力资产化的工程深度上。模型谁都能调Prompt 谁都会写但把一家机构十年、二十年沉淀的做事方法系统地、规范地、可治理地变成 LLM 可消费的资产——这件事绝大多数企业还没开始做。这就是 DolphinX Skill/MCP 治理学真正的战略价值——它把企业能力沉淀这件虚无缥缈的事变成了一个有标准、有规范、有平台、有评估的工程化命题。DolphinX 的工程判断可以浓缩为一句话——Skill 是资产、MCP 是接线、平台是治理、X-Lab 是闭环。这四件事齐备企业 AI 才有可能从个人技能真正走向组织资产从Demo 惊艳真正走向生产上岗。当下一次再有 CIO 抱怨我们的 AI Demo 越来越惊艳、但生产环境里的 AI 还是只会回答通用问题时也许该问的不是模型够不够强而是——“我们这家机构把老员工脑子里的做事方法做成多少 Skill 资产了”这个问题的答案决定了企业 AI 走得多远。