摘要

每一代计算平台成熟的地标，都不是更快硬件或更强算法，而是操作系统的出现：大型机有了 OS/360，PC 有了 Windows，智能手机有了 iOS 和 Android——操作系统把散落的硬件能力收拢成统一的抽象，开发者才从"伺候机器"转向"实现业务"。2026 年的 AI Agent 正站在同一个关口：模型能力已经足够强，但 Agent 仍是"拼装货"——编排框架、向量库、记忆插件、权限脚本、审计日志，各拼各的。Agent 时代缺一个操作系统。 本文提出一个观察框架：把 DolphinDB 在 V3.00.6中发布的 DolphinX——企业级 Agent 开发与治理平台——放回"操作系统"的透镜下审视，会发现它几乎逐个部件地复刻了 OS 的经典设计：时序数据库是内核，自然语言对话是 Shell，20+ 官方 Skill 是系统调用标准库，MCP 是驱动层，上下文记忆是内存管理，沙箱执行与时间戳审计是保护模式。 而它最激进的一步工程选择是：这个"操作系统"不长在操作系统上，长在数据库进程里——数据在哪里，Agent 的宿主就在哪里。这不是又一个编排框架，而是 Agent 基础软件形态的一次重新定义。

一、引言：每一代计算，都在等它的操作系统

软件史上有一个反复上演的剧本。

1964 年，IBM 的 System/360 是当时最强大的计算机，但开发者想用它跑一个业务，要先搞懂磁带机怎么寻址、内存怎么分配、打印机为什么卡住。直到 OS/360 出现，把"硬件细节"封装成"作业、文件、进程"这些统一抽象，软件工程才真正起步——尽管这个项目本身艰难到让负责人弗雷德里克·布鲁克斯写出了《人月神话》。

1980 年代的 PC、2007 年之后的智能手机，剧本一模一样：硬件先行，应用爆发，而真正让生态成熟的，永远是那个把底层能力收拢成统一抽象的操作系统。 PC 时代赢家不是造出最快 CPU 的公司，手机时代赢家不是屏幕最好的厂商。

现在把镜头摇到 2026 年的 AI Agent。大模型的"理解力"已经跨过可用线，这一点几乎没有争议。但一个企业想把 Agent 真正部署到生产环境，今天要做什么？搭一个编排框架做流程，接一个向量数据库做检索，找一个插件系统做记忆，写一堆胶水代码做权限，再自己拼一套日志做审计——六七个组件，各自为政，像一台没有操作系统的裸机。

这正是本文想讨论的问题：Agent 时代的操作系统，应该长什么样？

我的答案是：它已经出现了，而且出现的位置出乎很多人意料——不在 LangChain 或 Dify 这类编排框架的延长线上，而在一家时序数据库公司手里。2026 年 7 月，DolphinDB 在 V3.00.6 版本中正式发布 DolphinX，官方定义是"企业级 Agent 开发与治理平台"、“DolphinDB 内置的编程智能体”。但如果把这个产品逐层拆开，对照操作系统教科书里的部件清单，映射会精确到令人吃惊的程度。

下面我们一层一层拆。

二、Agent 的"裸机时代"：拼装架构为什么走不远

先说清楚现状，才能说清楚 DolphinX 在解决什么。

当前主流的企业 Agent 方案，绝大多数是外挂拼装架构：大模型在云端，数据库在网络另一端，中间靠编排框架把"调用模型—解析输出—执行工具—回填结果"串成一个链路。这套架构做演示非常快，但进入生产环境后，有四个成本会持续放大：

第一，翻译损耗。 模型输出的每一段脚本，都要经过 API 层、网络、编排层，才能到达真正执行它的数据库。Agent 想看一眼中间表的 20 行数据，这 20 行数据要先序列化、传输、反序列化、再塞进上下文。数据与智能之间隔着一条"总线"，每次往返都在付过路费。

第二，状态分裂。 编排框架有自己的会话状态，向量库有自己的索引状态，数据库有自己的事务状态。Agent 的"记忆"散落在三四个组件里，没有单一的真相来源。出了问题，先要花半小时争论"到底哪个组件的状态是对的"。

第三，权限旁路。 Agent 以某个高权限账号连接数据库，而编排层自己造了一套"能做什么"的规则。这套规则与数据库本身的权限体系是两套代码、两套语义，审计时几乎不可能对齐。

第四，安全无界。 模型生成的代码在哪个进程里执行？通常在编排框架自带的一个执行器里，与数据所在进程隔离，权限边界全靠框架自觉。一旦提示词注入让模型生成了越权脚本，框架层的"沙箱"未必拦得住。

这四个问题不是某个框架做得不好，而是形态本身的问题——就像在裸机上写应用，每个应用都要自己管设备、管内存、管调度，写得越多，重复越多，出错面越大。历史上对这个问题的回答从来只有一个：换形态，上操作系统。

三、内核：为什么这个操作系统长在数据库里

DolphinX 给出的第一个答案，也是它最反直觉的一步：这个"Agent 操作系统"不构建在通用操作系统之上，而是直接内嵌在 DolphinDB Server 的进程里。

官方文档的表述非常克制："部署 3.00.6 及以上版本后，用户在 Web 界面用自然语言即可完成建库建表、数据导入、查询、脚本编写运行、结果解释与问题排查。"但"部署即拥有、内置"这几个字，在架构上是一句重话——它意味着：

• 数据访问零翻译：Agent 读表、跑脚本、订阅流数据，都是进程内调用，不存在"把数据搬给智能"的网络往返；
• 状态单一真相：会话记忆、Skill 加载状态、任务执行状态，与数据库本身共享同一个进程生命周期，不再有跨组件对账；
• 权限同源：Agent 能做什么，由 DolphinDB 自身的权限体系说了算，而不是外挂框架另立的一套规则。

为什么选择数据库做宿主，而不是做一个独立的"Agent 服务器"？我的理解是回到操作系统最初的定义——操作系统的本质，是管理一组资源并向上提供抽象。 PC 时代的核心资源是 CPU、内存、磁盘；而 Agent 时代的核心资源，是数据、计算与领域知识。这三样东西的绝大多数本来就住在一个地方：企业数据库。让操作系统长在资源所在地，而不是把资源搬到操作系统那里，是五十年来体系结构反复验证过的常识——计算向数据靠拢，而不是相反。

DolphinDB 恰好又不是一个"只存数据"的数据库。它同时是高性能分布式时序数据库与实时计算平台：2000+ 内置函数、JIT 编译、流批一体的流计算引擎、机器学习与因子计算能力——这些等于内核自带了一整套"系统调用实现"。DolphinX 需要做的，只是在这套内核之上，补齐操作系统剩下的部件：Shell、标准库、驱动、内存管理、保护模式。

下面逐个部件看它怎么补的。

四、Shell：自然语言是这个操作系统的命令行

操作系统首先要有个人机界面。字符界面时代是 bash，图形时代是桌面，而 DolphinX 的 Shell 是自然语言对话。

在部署了 3.00.6 的 Web 界面里，用户输入"帮我建一个按天分区的行情表，包含开高低收和成交量"，Agent 生成建表脚本并执行；接着说"把这份 CSV 导进去，跳过前两行"，导入完成；再说"算一下最近一个月的日频波动率，画个图"——建库、导数、计算、可视化、排错，全程一次会话完成。

值得注意的不是"能用自然语言操作数据库"这件事——ChatGPT 插件时代大家就见过类似演示——而是这个 Shell 背后的会话语义：DolphinX 维护上下文记忆，你可以说"刚才那个表"、“换成周频”、“还是不对，看看报错在哪一步”。多轮、指代、修正、回溯——这是一个真正的 Shell 该有的交互质量，而不是每次从零开始的一次性问答。

对编程新手和业务人员，这层意义更大：DolphinDB 的脚本语言功能强大但学习曲线陡峭，过去"会用"和"用好"之间隔着一本手册；现在这个距离被压缩成"会不会把需求说清楚"。操作系统史上的规律在这里再次应验：抽象层每降低一次使用门槛，用户群体就扩大一个数量级——从打孔卡片到命令行是如此，从命令行到图形界面是如此，从 SQL 与脚本到自然语言，大概率也是如此。

五、系统调用与驱动：Skill 是标准库，MCP 是外设接线

操作系统光有 Shell 不够，还要有系统调用。DolphinX 的答案分两层，这也是官方工程划分里最清晰的一刀：

Skill 是操作系统的"标准库"。 它是纯指令型资产——一份由 LLM 阅读并遵循的 Markdown 指引，告诉模型"在什么场景下、按什么步骤、产出什么"。DolphinX 内置 20+ 官方 Skill，覆盖 Dlang 智能编程、数据导入、策略回测、因子生成、机器学习、FICC 定价等高频场景，官方 GitHub 仓库 dolphindb/DolphinX_Skill 已开源 23 个 Skill。类比很直接：C 语言程序员不用自己写 printf，因为标准库里有人写好、测好、版本化管理好了；DolphinX 上的 Agent 不用每次临场发挥"怎么做一次合规的回测"，因为回测 Skill 里沉淀了正确做法。企业还可以自定义 Skill，把自家方法论变成"私有标准库"。

MCP 是操作系统的"驱动层"。 数据库之外的世界——行情源、研报库、内部 API、第三方服务——通过 Model Context Protocol 以统一格式接入。就像任何厂商的打印机只要提供驱动就能接入任何操作系统，任何外部服务只要实现 MCP 协议就能被 Agent 调用。操作系统从不预判你要接什么外设，它只定义接线的协议。

这一层的治理细节——Skill 与 MCP 如何被统一管控、渐进式加载、如何沉淀为组织资产——我在本系列前文讨论"能力治理"时已详细展开，此处不再重复。本文想强调的是它在"Agent OS"图景里的位置：Skill 解决"会做"，MCP 解决"够得到"，两者合起来，才是 Agent 的完整双手。

六、内存管理：Agent 的记忆不该是临时变量

操作系统都要管理内存——哪些数据常驻、哪些换出、哪些进程间共享。Agent 同样有"内存问题"，而且更棘手：大模型的上下文窗口是稀缺资源，Agent 的记忆却是无限增长的。

多数拼装方案的解法是外挂一个向量数据库，把所有历史一股脑向量化，检索时再捞回来。这相当于没有内存管理策略的机器：全部数据平等的堆在swap里，用的时候碰运气。

DolphinX 的做法更接近真正的内存管理：分层与按需加载。 会话内，上下文记忆维护当前任务的连贯性；会话之间，关键事实可以沉淀为长期记忆被后续任务复用；而 Skill 采用渐进式加载——20+ 官方 Skill 并不全部塞进上下文，而是按任务相关性在需要时注入。这本质上是 OS 的页面调度思想在 Agent 上的复刻：热数据常驻，冷数据落盘，按需换入。 上下文窗口这个最贵的"内存"，被当成了需要认真调度的资源，而不是可以挥霍的缓存。

对时序场景这层设计还有额外的分量：金融与工业数据的记忆天然带时间结构——“上一次 similar 的行情是什么时候、之后发生了什么”，这类问题靠的不是向量相似度，而是时间窗口查询。记忆长在时序数据库里，等于内存管理器天生就懂时间这个维度。

七、保护模式：沙箱执行与"敢于担责"的审计

操作系统最重要的部件，往往是用户最少感知的那个：保护模式。用户态与内核态的隔离，让一个跑飞的程序烧不掉整台机器；权限位与审计日志，让每次越权都有据可查。企业级与玩具的分水岭，从来都在这一层。

DolphinX 在两处补齐了保护模式：

其一，执行有界。 模型生成的脚本在受控的沙箱环境中执行，权限边界与 DolphinDB 自身的权限体系同源——Agent 能碰到的资源，就是它所属账号能碰到的资源，没有旁路。提示词注入纵然骗过了模型，也骗不过内核的权限检查。这是"把 Agent 关进数据库"而不是"让 Agent 站在数据库旁边"带来的天然安全感。

其二，行为有账。 Agent 的每次动作——读了哪张表、调了哪个 Skill、执行了什么脚本、返回了什么结果——都落入带时间戳的审计轨道。这件事的价值要放在企业场景里看：半年后发现某份自动生成的报告有问题，工程师能完整回放 Agent 当时的决策链路。没有这层审计，企业永远不敢把真业务交给 Agent；有了它，"谁在何时用数据做了什么"第一次对智能体也成立。

一句题外话：操作系统史上有条铁律——用户感知最少的部件，恰恰是信任的基础。 没有人因为界面漂亮而信任一台服务器，人们信任它是因为权限体系和日志。Agent 要进入企业核心系统，走的是同一条路。

八、结语：Agent OS 的真正赌注

把部件清单摆完，回到最初的问题：Agent 时代的操作系统长什么样？

DolphinX 给出的答案可以压缩成一句话：它不是给 AI 搭一个框架，而是给数据库装上一个智能运行时。 内核是时序数据库与计算引擎，Shell 是自然语言，标准库是 Skill，驱动是 MCP，内存管理是分层记忆，保护模式是沙箱与审计——而这一切发生在同一个进程里。

这个形态的赌注，赌的是两件事：

其一，Agent 的宿主应该是数据所在的进程。 五十年来体系结构的答案一贯是计算向数据靠拢，Agent 没有理由例外。外挂编排框架不会消失——它们仍是快速原型的好工具——但企业级 Agent 的终局形态，大概率是"长在数据底座上的智能运行时"。

其二，操作系统的位置比模型的位置更持久。 模型能力以月为单位迭代，今天接哪个模型、明天换哪个模型，会像当年选 CPU 型号一样成为使用者无感的细节。而操作系统一旦形成生态——标准库沉淀了方法论，驱动层接通了系统，审计建立了信任——迁移成本会把它牢牢固定在架构里。

每一代计算平台都等来了它的操作系统。大型机等了十年，PC 等了六年，智能手机只等了不到一年——周期在缩短，因为范式越来越成熟。Agent 这次，从"能用"到"有操作系统"，也许不需要再等很久。它可能已经在一个进程里，安静地跑起来了。