AI辅助研究工具（二）：AI Agent智能数据查询skill

证券研究报告/金融工程专题报告 2026年08月21日 报告摘要 分析师：王鹏飞执业证书编号：S0740525060001Email：wangpf@zts.com.cn分析师：吴先兴执业证书编号：S0740525110003Email：wuxx02@zts.com.cn 在智能投研中，金融数据查询的难点除了在于“有没有数据”，还在于用户需要知道数据存放在哪张表、使用哪个字段、采用什么单位，以及如何编写查询条件，更重要的是数据查询过程可审计性。针对上述问题，我们构建了面向投研用户的AIAgent智能数据查询Skill，通过db-data-query将自然语言需求转换为数据库查询，并返回可用于分析的结构化数据。 AIAgent智能获取数据的第一核心要义在于数据字典的完整性。对于常见行情、估值、成分股、财务和证券基础信息等，我们手动整理了可供Agent查询的表和字段信息。db-data-query主要面向数据库查询。用户使用自然语言说明查询对象、时间范围、所需指标和筛选条件，Agent通过数据查询字典确定对应的数据表和字段，再调用统一接口返回查询结果。 相关报告 1、《AI辅助研究工具（一）：国产大模型接入Codex》2026-08-17 2、《量化投研工具系列（一）：公募基 金 持 仓 分 析 和 估 值 工 具 》2026-08-133、《2026年9月A股重点指数调样预测及投资机会解读》2026-08-05 在现有落地库中，我们查询了上证50、沪深300和中证1000在2026年8月10日至8月19日的收盘点位、涨跌幅和成交额。实测区间包含8个交易日，共返回24行、5列，数据库查询用时2.62秒。该案例验证了Agent从指数名称识别、证券代码转换、数据表定位、字段匹配到结构化结果返回的完整流程。 AIAgent智能获取数据的第二核心要义是数据查询过程的可审计性。同一金融指标往往对应多种统计口径，而大模型的字段匹配又具有一定随机性。对于只返回结果值、未同时披露数据表、字段、函数、参数和定义的远程MCP或API服务，用户较难判断实际取得的数据口径，也难以保证模型迭代后同一问题仍然映射至同一字段。本文采用本地字典驱动的取数框架，在返回数据的同时显式记录数据表、字段、查询条件、单位和计算口径，使查询结果能够被复核和重复执行。可复现的取数过程，是严肃投研活动开展指标比较、策略回测和归因分析的基础。字典驱动的AIAgent智能获取数据每次都能看到取了哪个表、哪个字段，具有很强的可审计性和可复现性。 以宁德时代（300750.SZ）2025年三季报为例，我们分别查询其ROE与ROE(TTM)。AIAgent将ROE映 射 至AShareFinancialIndicator表 的S_FA_ROE字 段 ，将ROE(TTM)映射至AShareTTMHis表的S_FA_ROE_TTM字段，并将报告期固定为2025年9月30日。实测结果显示，宁德时代2025年前三季度累计ROE为17.4754%，截至三季报的ROE(TTM)为20.2953%，二者相差2.82个百分点。该案例验证了Agent对同一金融指标不同统计口径的识别，以及数据表定位、字段匹配、报告期锁定、报表类型确认和结果对比的完整流程，说明字典驱动取数能够在返回结果的同时保留可供复核的口径依据。 风险提示：数据结果受落地数据库授权范围、数同步进度、部署状态、内网环境和数据权限影响。自然语言存在歧义时，可能造成指标口径、复权方式或日期范围理解偏差。复杂筛选和实时数据可能需要人工复核。文中数据库查询时间为特定测试环境下的单次实测结果，不构成对其他数据库、网络和计算机环境性能的保证。 内容目录 1.AIAgent如何降低金融数据查询门槛.....................................................................32.数据查询Skill的安装..............................................................................................32.1安装db-data-query........................................................................................32.2检查Skill和取数环境是否可用......................................................................33.数据库取数：从一句话到结构化数据......................................................................33.1用户如何提出查询需求..................................................................................33.2Agent如何完成数据库查询............................................................................43.3数据库查询实测结果......................................................................................43.4数据库和数据字典的适用范围.......................................................................53.5字典驱动取数的可审计性与可复现性............................................................6结论.............................................................................................................................7风险提示.....................................................................................................................7 图表目录 图表1：AIAgent查询上证50单日行情测试结果...................................................3图表2：三类宽基指数区间行情数据库查询结果......................................................5图表3：宁德时代2025年三季报ROE的字段口径与查询结果..............................6图表4：宁德时代截至2025年三季报ROE(TTM)的字段口径与查询结果..............7 1.AIAgent如何降低金融数据查询门槛 传统金融数据查询通常要求用户先理解数据库结构，再寻找数据表和字段，最后编写SQL。对于不熟悉搜采购数据库字典的投研人员，即使查询需求本身很清楚，也可能无法准确转换为机器能够执行的查询。 AIAgent在用户需求与底层数据系统之间增加了一层语义映射。用户只需要说明查询对象、时间范围、所需指标和输出要求，AIAgent负责识别证券代码、选择数据表、匹配字段、组织查询条件并检查返回结果。在具体应用中，AIAgent主要查询数据库中的金融数据，并以结构化数据表或DataFrame形式返回结果。返回的数据可以直接用于批量查询、条件筛选、统计计算和后续程序化分析，从而缩短从提出需求到使用数据的处理流程。底层数据库方面，金融数据提供商把数据同步到Oracle和MySQL等承载数据的内网数据库。机构采购落地数据后，将数据同步到内部部署的数据库中，投研人员可由db-data-query进行查询。 2.数据查询Skill的安装 db-data-query以文件夹形式安装。安装时需要将完整文件夹复制到Agent的skills目录，并重新启动会话。用户可以手动复制，修改连接配置，也可以让Agent完成安装。以下以Codex为例说明。2.1安装db-data-query 解压db-data-query安装包，找到同时包含SKILL.md、scripts和references 等内容的db-data-query文件夹，将整个文件夹复制到Codex的skills目录：~/.codex/skills/db-data-query/ 也可以将安装包所在文件夹交给Agent，并输入：请将这个文件夹中的db-data-query安装到我的Codexskills目录，保留完整目 录结构，我的数据库类型是xxx，连接方式是xxx，安装后告诉我目标路径。 安装完成后，应确认目标目录中可以直接看到SKILL.md，而不是在外层重复嵌套同名文件夹。2.2检查Skill和取数环境是否可用 文件复制完成后，需要重新启动Agent会话。用户可以输入以下单日测试需 求： $db-data-query查询上证50在2026年8月19日的收盘点位和涨跌幅。 如果Agent能够识别并调用对应Skill，说明技能文件已经加载。测试成功返回结果，说明当前数据库连接、数据权限和基础字段映射可以正常使用。 来源：WIND，中泰证券研究所 3.数据库取数：从一句话到结构化数据 3.1用户如何提出查询需求 数据库取数可以采用“查询对象＋时间范围＋指标＋筛选条件＋输出要求”的方式描述。例如： 查询上证50、沪深300和中证1000在2026年8月10日至8月19日的收盘点位、涨跌幅和成交额，并按日期排序。用户不需要说明数据位于哪张表，也不需要记忆证券代码、英文字段名或数据库查询语法。Agent根据数据字典识别查询对象和指标，将自然语言转换为标准证券代码、数据表、字段和查询条件，随后调用统一接口返回结果。AIAgent智能获取数据的核心要义在于数据字典查询。对于常见行情、估值、成分股、财务和证券基础信息表，我们手动整理了可供Agent查询的表和字段信息。3.2Agent如何完成数据库查询 以上述宽基指数日行情查询为例，Agent需要完成以下处理： 1.将上证50、沪深300和中证1000转换为000016.SH、000300.SH和000852.SH。 2.根据指数日行情需求定位至AIndexEODPrices表。 3.将 收 盘 点 位 、 涨 跌 幅 和 成 交 额 分 别 映 射 至S_DQ_CLOSE、S_DQ_PCTCHANGE和S_DQ_AMOUNT字段，并使用TRADE_DT作为交易日期字段。 4.将2026年8月10日至8月19日转换为数据库日期筛选条件。5.确认成交额字段的表内单位为千元，并在结果展示时换算为亿元。6.按照交易日期和指数顺序整理查询结果。7.检查返回结果是否满足“3个指数×8个交易日”，即24条记录。 这套机制的核心不是让大模型直接猜测SQL，而是先通过数据字典确定表、字段、数据类型和单位，再生成结构化查询条件。 以指数日行情数据字典为例，其中会记录证券代码、交易日期、开盘点位、最高点位、最低点位、收盘点位、涨跌幅和成交额等字段的中英文名称、字段类型、定义及单位。数据字典相当于自然语言与数据库之间的“说明书”，用于降低字段误配和单位误读的风险。3.3数据库查询实测结果 本次数据库取数案例为：查询上证50、沪深300和中证1000在2026年8 月10日至8月19日的收盘点位、涨跌幅和成