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。
　　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。