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_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_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 skillhermes 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 429401 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。 用 Hermes Agent 搭配 zer0share-data skill：把本地数据库变成可对话投研助手的配置与验证
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_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_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 skillhermes 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 429401 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。