CSDN 热榜上出现过一篇讲 DolphinDB 的文章，位置是第二位，阅读 13565、点赞 14、评论 6，没有原文链接。这组数字本身说明了一些事：传播量不小，互动很低，更像一次厂商内容的推送，而不是开发者的实测记录。所以下面能依据的只有官方站与官方博客的口径，凡是性能数字都按厂商说法标注，不当成独立结论。
关键能力清单
它的定位是一句话可以说完的：高性能时序数据库加实时计算平台，存算一体、流批一体，C++ 实现，国产。官方给出的能力项大致是这些。
| 维度 | 官方口径 |
|---|---|
| 存储与计算 | 列式存储 + 向量化计算，内置 2000+ 函数 |
| 高可用 | 基于 Raft 的多副本 |
| 开发语言 | 自研 Dlang，类 Python 语法，兼容 SQL |
| 存储引擎 | TSDB、OLAP、PKEY、IMOLTP、VECTORDB |
| AI 侧 | LLM 应用、原生 MCP、PyTorch/TensorFlow 模型加载、GPU 并行 |
| 授权 | 社区版单机免费（有节点与内存限制），企业版含分布式集群与商业支持 |
行业覆盖落在四块：金融的私募、券商、公募、银行，电力能源的发电与输变配，高端制造里的钢铁、汽车、航天卫星，以及科研场景的 EPICS 集成。这些是官方的客户分布描述，但不带具体的落地深度。
多模引擎的分工
五个引擎不是并列的备选，各占一段场景。TSDB 是时序主力，行列混存，范围查询强；OLAP 走列式，服务长周期的聚合统计；PKEY 保证主键唯一，对应设备台账和需要频繁更新的维表；IMOLTP 支持事务，处理 OLTP 的小更新；VECTORDB 是 V3 新增的，放 AI 特征与向量检索。
真正稀缺的是 PKEY 和 IMOLTP。工业现场既要高频写入时序点位，又要改设备台账，传统做法是时序库加一个关系库，两份数据靠同步任务对齐，同步一断，台账和实际点位就对不上。放进同一个引擎，省掉的就是这条同步链，以及围绕它写的那堆补偿逻辑。
流批一体的代价
最大的卖点是同一套代码两处跑：历史批处理做回测和训练，实时流上做生产监测，中间不换语言。官方给的痛点是研发用 Python 写完、上线用 Java 或 C++ 重写，重写之后指标算不准、跑不动，两套实现长期漂移。
代价也很实在。Dlang 是自研语言，生态窄，调试器、包管理、IDE 支持都要重新适应；招聘时"会 DolphinDB"不是常见技能；已有的 Python 因子库要翻译成 Dlang，翻译本身就是一次引入 bug 的机会。省下的重写成本，有一部分会以学习成本的形式回来，这部分不进 PPT。
库内特征与 MCP 的位置
官方博客里有个判断可以直接拿来用：AI Agent 进工业现场的前提是实时上下文，要能读懂产线千万个传感器在过去 100 毫秒内的物理变化；DolphinDB 被摆的位置是 Agent 的"实时记忆体"，官方口径是亚毫秒级延迟，把原始信号压缩聚合成特征流。理由是取数太慢，等数据回来工况已经变了，模型只能靠猜，猜就是幻觉。
这条的意义不在"数据库也能做 AI"，而在取数的位置。让 LLM 直接扫原始点位，token、延迟、准确性三样都不成立。把特征算在库内，Agent 拿到的是已经聚合好的特征流，检索走 VECTORDB，查询走原生 MCP，模型只负责判断下一步做什么。这个分工比"给时序库加一个向量字段"要彻底，因为它把计算挪到了数据旁边。
对开发者的实际影响
省掉的是搬运。过去一条链路是采集、进时序库、导出、Python 算特征、写特征库、Agent 再取；现在中间几段在同一个引擎里做完，少了两三个同步任务和它们的监控告警。
代价是绑定。特征逻辑用 Dlang 写下来就不好搬走，MCP 和向量检索贴着这个引擎做，换库基本等于重写。对一个已经把因子体系沉淀在 Python 里的团队，这个决定比"性能提升多少"更难。
和专门向量库的关系也变了。VECTORDB 加原生 MCP 的组合，把它摆到"LLM 数据底座"的位置，直接和独立向量库竞争。但向量检索的召回效果、索引类型、混合检索的支持程度，官方口径里没有展开，这部分目前只能等实测。
厂商口径的性能数字
官方称列式存储加向量化计算让查询与计算性能提升 10–100 倍，内置 2000+ 函数，多副本高可用基于 Raft，原生分布式支持水平扩展与负载均衡。工业侧举的例子是某大型智慧能源项目把原有 20 节点 Spark 集群精简为 3 节点。
这两个数字都该按厂商口径读。10–100 倍没说明基准数据集、查询类型和并发条件，区间跨度本身就说明它依赖场景；20 节点到 3 节点没给负载规模、数据量、SLA，也没说被替换掉的是哪几类 Spark 任务。节点数压缩在特定负载下能成立，不代表任何一条流水线迁过去都能复现。
待观察
三处。案例缺负载细节，20 节点到 3 节点目前只有官方博客举例，没有第三方复现，看不出是架构收益还是负载本来就轻。
V3 新增的 DolphinX Agent 平台完成度未知。官方把它放在 V3 的新增项里，但没给能力边界——是能跑完整的 agent 循环，还是只做编排入口，现在说不清，而这恰恰是"工业智能底座"这个说法能不能立住的关键。
Dlang 的学习成本是隐性代价，社区版的节点与内存限制又决定了它只能做验证不能做压测。比较稳的路径是先拿一条产线跑通"采集到特征"这段，再谈替换现有集群。