RD-Agent 快速入门：如何从零跑通自动研发数据与模型的 AI 框架

RD-Agent 快速入门如何从零跑通自动研发数据与模型的 AI 框架【免费下载链接】RD-AgentResearch and development (RD) is crucial for the enhancement of industrial productivity, especially in the AI era, where the core aspects of RD are mainly focused on data and models. We are committed to automating these high-value generic RD processes through RD-Agent, which lets AI drive>项目地址: https://gitcode.com/GitHub_Trending/rd/RD-AgentRD-Agent 是微软开源的数据驱动研发自动化框架研究代理R负责提出假设开发代理D负责把假设变成可运行代码并执行验证两者循环迭代自动完成数据与模型的研发闭环。如果你需要自动化因子挖掘、模型迭代或竞赛式建模这篇教程会带你完成 RD-Agent 的安装配置、首次运行与结果查看最后给出循环次数、回测区间和知识库方面的调优方法。认识 RD-AgentR 与 D 双代理如何分工RD-Agent 的定位是AI 驱动数据驱动的 AI。它把研发过程拆成两类角色研究代理持续提出新想法假设、特征、模型结构开发代理将想法实现为代码、在隔离环境中执行并把回测指标与报错作为反馈写回知识库供下一轮提案参考。代码结构上core/提供循环与演化框架components/包含 CoSTEER 编码策略 与知识管理scenarios/则对接具体业务。框架已支持量化金融qlib、数据科学/Kaggle 竞赛、LLM 微调等场景并在 MLE-bench 上取得领先的机器学习工程智能体成绩。四步完成 RD-Agent 安装与首次健康检查RD-Agent 目前仅支持 Linux且大部分场景依赖 Docker 执行代码。建议按以下顺序操作依赖要求操作系统LinuxPython3.10 或 3.11CI 验证版本Docker已安装且当前用户无需 sudo 即可执行创建并激活 conda 环境隔离 RD-Agent 依赖conda create -n rdagent python3.10 conda activate rdagent安装本体普通用户直接装 PyPI 版本想贡献代码则从源码安装pip install rdagent # 开发者版本 # git clone https://gitcode.com/GitHub_Trending/rd/RD-Agent # cd RD-Agent make dev验证 Docker 免 sudo 可用这是跑通各场景的前提docker run hello-world执行基础健康检查确认 Docker 与 UI 端口状态rdagent health_check --no-check-env用 .env 配置模型与执行环境RD-Agent 默认使用 LiteLLM 作为后端通过项目根目录的.env文件统一配置rdagentCLI 会自动加载该文件。核心配置项如下配置项作用说明CHAT_MODEL对话/推理模型任意 LiteLLM 支持的模型名EMBEDDING_MODEL向量模型知识库检索依赖OPENAI_API_BASE/OPENAI_API_KEY统一 API 入口chat 与 embedding 同源时使用LITELLM_PROXY_API_KEY/LITELLM_PROXY_API_BASE独立 embedding 入口EMBEDDING_MODEL以litellm_proxy/开头时必填REASONING_THINK_RM剥离推理链使用带think标签的推理模型时设为True示例chat 用 OpenAIembedding 用 SiliconFlow 的 bge 模型两者各走各的入口。写好后即可验证配置是否有效无效项会被逐项报出cat EOF .env CHAT_MODELgpt-4o OPENAI_API_BASEyour_chat_api_base OPENAI_API_KEYyour_chat_api_key EMBEDDING_MODELlitellm_proxy/BAAI/bge-m3 LITELLM_PROXY_API_KEYyour_siliconflow_api_key LITELLM_PROXY_API_BASEhttps://api.siliconflow.cn/v1 EOFrdagent health_check预期效果命令正常结束无报错说明 LLM 连通性与环境依赖均可用可以进入运行阶段。执行环境方面模型/因子场景由MODEL_COSTEER_ENV_TYPEdocker或conda控制数据科学场景用DS_CODER_COSTEER_ENV_TYPE默认 Docker 隔离更安全。以预测竞赛为例跑通数据科学场景数据科学场景是 RD-Agent 在 MLE-bench 上验证过的代表性入口完整流程分四步。场景选择入口命令是rdagent data_science --competition 竞赛名对应实现在 rdagent/scenarios/data_science/。配置先把竞赛的数据集与描述文件解压到本地文件夹再写入环境变量指定数据路径与场景类mkdir -p ./git_ignore_folder/ds_data # 将竞赛数据解压到 git_ignore_folder/ds_data/ 后 dotenv set DS_LOCAL_DATA_PATH $(pwd)/git_ignore_folder/ds_data dotenv set DS_CODER_ON_WHOLE_PIPELINE True dotenv set DS_IF_USING_MLE_DATA False dotenv set DS_SAMPLE_DATA_BY_LLM False dotenv set DS_SCEN rdagent.scenarios.data_science.scen.DataScienceScen运行以官方的 arf-12-hours-prediction-task医疗预测任务为例启动循环Agent 会自动读题、建模、提交结果并按分数反馈迭代rdagent data_science --competition arf-12-hours-prediction-task结果验证先确认 19899 端口空闲再启动 Streamlit 界面查看每一轮假设、代码与指标rdagent health_check --no-check-env --no-check-docker rdagent ui --port 19899 --log-dir log/ --data-science调优控制循环次数、回测区间与知识库日常调优集中在四类参数上循环与时长所有场景的 CLI 都支持--loop_n循环轮数、--step_n步数、--all_duration总时长上限data_science额外支持--timeout编码器内部的演化次数由evolving_n控制qlib 场景默认 10见 qlib 循环配置。回测时间区间量化场景可用QLIB_FACTOR_TRAIN_START、QLIB_FACTOR_TEST_END等变量自定义训练/验证/测试段不用改 YAML。协同优化策略fin_quant的因子-模型联合优化通过action_selection选择bandit、llm或random策略决定下一步优化因子还是模型。知识库知识管理模块 以向量库加知识图谱沉淀历史实验的成败经验编码器会检索过往 trace 与报错来改进代码相关路径参数为knowledge_base_path与new_knowledge_base_path定期清理过期条目可避免检索噪声。常见问题解答问Windows 或 macOS 上能跑吗答不能。RD-Agent 目前仅支持 Linux且代码执行依赖 Docker。问基础 health_check 通过了为什么配置 LLM 后运行仍报错答--no-check-env只查 Docker 和端口。写完.env后必须再跑一次不带该参数的rdagent health_check它才会校验模型连通性。问chat 和 embedding 必须用同一家服务商吗答不必。给EMBEDDING_MODEL加litellm_proxy/前缀并配置LITELLM_PROXY_API_KEY与LITELLM_PROXY_API_BASE即可分开接入。问怎么限制任务跑多久、跑几轮答通过--loop_n、--step_n、--all_duration三个参数限制竞赛场景还可加--timeout限制单轮耗时。问如何查看运行轨迹答量化类场景用rdagent ui --port 19899 --log-dir log/数据科学场景必须加--data-science。也可以构建web/前端后用rdagent server_ui --port 19899实时查看该 Web UI 暂不支持 data_science 场景。结语RD-Agent 把提出想法—实现代码—验证反馈的闭环交给 Agent 持续运转让你把精力放在审阅结果与定义新方向上。R/D 双代理分工提案与实现解耦靠反馈和知识沉淀迭代演化场景开箱即用量化因子、模型研发、数据科学竞赛、LLM 微调配置集中在.env兼容 OpenAI、Azure、DeepSeek 等 LiteLLM 服务商Docker 隔离执行代码并提供 Streamlit/Web UI 查看全流程轨迹【免费下载链接】RD-AgentResearch and development (RD) is crucial for the enhancement of industrial productivity, especially in the AI era, where the core aspects of RD are mainly focused on data and models. We are committed to automating these high-value generic RD processes through RD-Agent, which lets AI drive>项目地址: https://gitcode.com/GitHub_Trending/rd/RD-Agent创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考