企业官网建设流程全解析

1. 为什么要把本地数据库接给 Hermes Agent

本地股票数据库搭好之后，最尴尬的状态是：数据躺在 DuckDB 或 Parquet 里，每次想复盘、选股、算因子，都得自己写一段 SQL 或 Python。数据是有了，但用起来还是「人肉查库」。Hermes Agent 搭配 zer0share-data skill 想解决的正是这一步——让 agent 通过标准工具接口访问本地库，你用自然语言提问，它负责把问题拆成查询、执行、再组织成结构化回答。

这套组合适合谁？适合已经把行情数据同步到本地、想进一步做投研自动化的个人研究者。它不替代行情软件，也不替代你的分析框架，价值在于全量历史数据的可编程调用：跨年份回看、批量筛选、把研究想法直接翻译成查询逻辑。下面我从零讲一遍完整落地路径，包括 skill 配置骨架、数据库连接参数、settings.json 片段，以及三步验证动作。

2. TaoToken 前置：先把模型通道准备好

Hermes Agent 本身只是调度层，真正干活的是背后的大模型。频繁调用工具、反复试提示词的场景，对通道稳定性和成本都比较敏感。我这边习惯用 TaoToken 做统一入口，模型对话、编码类任务、Agent 长任务都能走同一套 Key，省得在多个平台之间来回切。

你需要先拿到一个可用的 API Key。打开官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= 注册后进入控制台，在 API Keys 页面创建一个新 Key。创建时建议按用途命名，比如hermes-agent-local，方便后面区分是哪个环境在用。

拿到 Key 之后，模型选择上，做这类需要频繁调用工具、反复试提示词的分析任务，可以优先考虑响应快、价格友好的模型；如果涉及生成网页、图表这类偏编码的活，再切到编码能力更稳的模型。TaoToken 的模型对话入口在 https://taotoken.net/api ，接入文档在 https://taotoken.net/doc ，配置前扫一眼能少踩不少坑。

注意：API Key 只放在本地环境变量或 settings.json 里，不要提交到 Git 仓库。投研数据本身敏感，Key 泄露等于把调用额度也交出去了。

3. 可复制配置：skill 骨架 + 数据库连接 + settings.json

这一节是全文的核心，配置对了，后面验证才顺。整体分三块：数据库连接参数、skill 配置骨架、Hermes Agent 的 settings.json 片段。

3.1 数据库连接参数

假设你的 zer0share 数据落在本地 DuckDB 文件里，路径类似/data/zer0share/market.duckdb。连接参数建议单独抽成一个配置文件，别硬编码在 skill 里：

{ "db_type": "duckdb", "db_path": "/data/zer0share/market.duckdb", "read_only": true, "timeout_seconds": 30, "max_rows": 5000 }

read_only设为 true 很关键。投研分析绝大多数是读操作，只读模式能防止 agent 误写、误删本地数据。max_rows是给返回结果设上限，避免一次查询把几百万行全拉进上下文，既慢又贵。

3.2 zer0share-data skill 配置骨架

skill 的作用是把「agent 想查数据」翻译成「对本地库的标准调用」。骨架大致长这样：

name: zer0share-data description: 访问本地 zer0share 行情数据库，支持日线、指数、股票池、期货数据查询 version: 0.1.0 entry: skill.py tools: - name: query_market description: 按条件查询行情数据，支持日期、代码、复权方式过滤 parameters: table: { type: string, enum: [daily, index_daily, futures_daily] } start_date: { type: string } end_date: { type: string } codes: { type: array, items: { type: string } } adjust: { type: string, enum: [none, qfq, hfq], default: hfq } - name: list_tables description: 列出当前数据库可用的表和字段 - name: run_sql description: 执行只读 SQL，用于复杂聚合与因子计算 parameters: sql: { type: string }

list_tables这个工具别省。agent 在不确定表结构时，会先调它探路，能显著减少「猜字段名」导致的报错。run_sql是给复杂因子计算留的口子，但一定要在 skill 内部做只读校验，只允许 SELECT 开头的语句。

3.3 settings.json 片段

Hermes Agent 侧需要知道去哪加载 skill、用哪个模型通道。settings.json 里加这么一段：

{ "agent": { "model_provider": "taotoken", "api_base": "https://taotoken.net/api", "api_key_env": "TAOTOKEN_API_KEY", "model": "your-preferred-model" }, "skills": { "paths": ["/home/user/.hermes/skills"], "enabled": ["zer0share-data"] }, "skill_config": { "zer0share-data": { "db_config": "/home/user/.hermes/skills/zer0share-data/db.json" } } }

api_key_env指向环境变量，启动前先export TAOTOKEN_API_KEY=你的Key。这样 Key 不进配置文件，换机器也好迁移。

4. 三步验证：确认 skill 被识别、跑通查询、核对数据

配置写完不代表能跑。下面三步是我每次改完配置都会走的验证流程，缺一步都可能埋雷。

4.1 第一步：确认 skill 被识别

启动 Hermes Agent 后，先让它列出当前加载的 skill：

hermes dashboard

打开 Web 界面后，输入「列出当前可用的 skill」。如果返回里包含zer0share-data，说明加载成功。如果没出现，八成是skills.paths路径写错，或者 skill 目录下缺skill.yaml。这一步别跳过，skill 没加载上，后面所有查询都会退化成模型凭空编。

4.2 第二步：执行一次示例查询

skill 识别后，用一句最简单的自然语言触发查询：

用 zer0share-data 查一下 2026-06-10 沪深300成分股的收盘涨跌幅，按涨跌幅排序取前10

正常情况下，agent 会先调list_tables确认表结构，再调query_market或run_sql执行查询，最后返回一个排序后的列表。观察它的调用链：如果它直接给答案却没调工具，说明 skill 没真正生效，返回的很可能是幻觉数据。

4.3 第三步：核对返回结果与原始表数据一致

这一步最容易被忽略，但最重要。拿 agent 返回的前 10 只股票，自己写一条 SQL 到本地库跑一遍：

SELECT code, close, pct_chg FROM daily WHERE trade_date = '2026-06-10' AND code IN (SELECT code FROM index_member WHERE index_code = '000300') ORDER BY pct_chg DESC LIMIT 10;

把两边结果逐行对比。如果代码、涨跌幅都对得上，说明「自然语言→SQL→结构化回答」这条链路是通的。如果对不上，优先查复权口径：agent 默认可能用后复权，而你手写 SQL 用的是不复权，数值会有差异。口径统一之后再看，通常就一致了。

5. 本篇常见错排查

配置和验证过程中，下面几个错我踩过不止一次，列出来帮你省时间。

skill 加载了但查询报「table not found」：多半是 db.json 里的db_path指向了错误的库文件，或者 DuckDB 文件被其他进程占用。先确认路径存在，再确认没有别的程序在写这个文件。

agent 返回的数据明显不对，比如指数代码张冠李戴：这是典型的模型幻觉。工具能访问真实数据，不代表最终报告一定没幻觉，尤其在数据维度不完整时，模型容易基于经验补一个「看起来合理」的内容。对策是让 agent 在回答里附上它执行的 SQL，方便你回溯。

查询超时或返回被截断：检查timeout_seconds和max_rows。全市场日线一次拉太多行，既慢又容易超上下文。养成加日期范围和代码过滤的习惯。

模型通道报 401 或 429：401 一般是 Key 没读到，确认环境变量名和 settings.json 里的api_key_env一致；429 是频率限制，降低并发或换时段重试。接入细节可以对照 https://taotoken.net/doc 排查。

生成的图表网页样式错乱：这类偏编码的任务，换一个编码能力更稳的模型往往就好了。我实测下来，同一个季节图任务，不同模型生成的成功率差别挺明显。

6. 把链路跑通之后，下一步做什么

链路跑通只是起点。真正决定分析深度的，是你给的视角和背后的数据维度。只说「帮我复盘」，agent 会给一份通用报告；如果说「从股指期货、期权、基差、贴水结构、持仓变化的角度复盘」，它才容易生成接近真实投研场景的结果。

如果你打算长期做这类本地数据 + Agent 的投研工具链，建议把模型调用统一走 Coding Plan，长任务和批量筛选更划算，入口在 https://taotoken.net/coding-plan 。日常验证模型、试提示词，用模型对话页面就够，地址是 https://taotoken.net/api 。Key 管理和额度查看在控制台 https://taotoken.net/console ，需要新建或轮换 Key 时去 https://taotoken.net/api-keys 。

最后提醒一句：无论链路多顺，review 这一步不能省。投研场景里，可追溯性比生成得漂亮更重要。让 agent 把执行的 SQL 和中间结果都留下来，你才能判断结论到底来自真实数据，还是模型的合理想象。