20 分钟跑通 RD-Agent：AI 数据科学研发自动化的安装配置与首跑教程-开发者社区

20 分钟跑通 RD-Agent：AI 数据科学研发自动化的安装配置与首跑教程

【免费下载链接】RD-AgentResearch and development (R&D) is crucial for the enhancement of industrial productivity, especially in the AI era, where the core aspects of R&D are mainly focused on data and models. We are committed to automating these high-value generic R&D processes through R&D-Agent, which lets AI drive>项目地址: https://gitcode.com/GitHub_Trending/rd/RD-Agent

RD-Agent 是微软开源的 LLM Agent 框架，用于自动化数据驱动的研发流程：自动提出假设、生成代码、执行实验并根据反馈迭代，覆盖数据科学竞赛、量化因子与模型进化、LLM 微调等场景。本文按"装环境 → 配 LLM → 跑通首任务 → 排查卡点"的真实操作链路展开，适合准备上手的算法工程师和数据科学新手，从零到首次运行只需一个终端。

🐳 准备工作：三条硬性要求与安装

环境清单先过一遍

RD-Agent 目前仅支持 Linux。Python 使用 3.10 或 3.11（CI 实测过的两个版本，pyproject.toml要求 ≥3.10，仓库同时提供constraints/3.10.txt、constraints/3.11.txt用于锁定依赖）。多数场景依赖 Docker 隔离执行代码，当前用户必须能免 sudo 运行 Docker，用docker run hello-world验证即可。

两种安装方式

普通用户直接从 PyPI 安装，先建好 conda 环境再装包：

conda create -n rdagent python=3.10 -y conda activate rdagent pip install rdagent

要跟进最新版或参与贡献，则克隆源码后执行make dev（Makefile 里已串好可编辑安装、依赖与钩子）：

git clone https://gitcode.com/GitHub_Trending/rd/RD-Agent cd RD-Agent && make dev

装完执行rdagent --help，能看到fin_factor、data_science、health_check等子命令即代表入口正常。

⚙️ 配置 LLM：.env 放哪、怎么验

.env 与最小可用配置

rdagent命令启动时会自动加载当前目录下的.env，仓库根目录自带模板 .env.example，复制为.env后填值即可。核心是CHAT_MODEL与EMBEDDING_MODEL两项，默认后端为 LiteLLM（见rdagent/oai/llm_conf.py）。最易踩的坑：embedding 若与 chat 不同服务商，EMBEDDING_MODEL必须加litellm_proxy/前缀并单独配 key 与 base。DeepSeek 没有 embedding 模型，官方给出的组合是"DeepSeek 对话 + SiliconFlow 向量"：

CHAT_MODEL=deepseek/deepseek-chat DEEPSEEK_API_KEY=<DeepSeek 密钥> EMBEDDING_MODEL=litellm_proxy/BAAI/bge-m3 LITELLM_PROXY_API_KEY=<SiliconFlow 密钥> LITELLM_PROXY_API_BASE=https://api.siliconflow.cn/v1

若用输出含思考过程标签的推理模型，再加一行REASONING_THINK_RM=True。

最快验证命令

rdagent health_check

这一条命令会连测三件事：Docker 是否可用、UI 默认端口 19899 是否被占、chat 与 embedding 模型是否真实调通。看到 "All tests completed" 才能进入下一步。

🚀 首次运行：内置医疗预测任务

选一个开箱即用的竞赛跑通

数据科学场景统一入口是rdagent data_science --competition <竞赛名>。仓库内置示例任务 arf-12-hours-prediction-task（12 小时心率预测），按 README 示例下载数据解压后，设置数据目录与场景类再启动：

dotenv set DS_LOCAL_DATA_PATH "$(pwd)/git_ignore_folder/ds_data" dotenv set DS_SCEN rdagent.scenarios.data_science.scen.DataScienceScen rdagent data_science --competition arf-12-hours-prediction-task

之后 Agent 会循环执行"数据加载 → 特征工程 → 模型训练 → 集成评估"，每轮把指标反馈给下一轮假设，全程无需人工改代码。

用 UI 观察执行过程

另开一个终端启动监控页：

rdagent ui --port 19899 --log-dir log/ --data-science

Streamlit 页面实时展示数据科学场景的日志与 trace。若端口被占，可先跑rdagent health_check --no-check-env --no-check-docker查看可用端口，再用--port换端口。

🔧 常见卡点与场景扩展

高频报错的排查顺序

Docker 报错：先确认 daemon 已启动、当前用户在 docker 组（免 sudo），这是 health_check 里最常见的失败项。
chat 通过但 embedding 失败：九成是litellm_proxy/前缀漏加或LITELLM_PROXY_API_BASE写错；模型名必须与 LiteLLM 支持的命名一致。
端口冲突：19899 是 UI 默认端口，换--port即可。
本地无 Docker 想跑通：在.env设置DS_CODER_COSTEER_ENV_TYPE=conda（数据科学场景）或MODEL_COSTEER_ENV_TYPE=conda（量化场景），让代码改在本地 conda 环境执行，完整说明见安装与配置文档。

换场景：Kaggle 与量化

Kaggle 竞赛：把kaggle.json放到~/.config/kaggle/，.env里将DS_SCEN指向KaggleScen类、DS_IF_USING_MLE_DATA=True，即可用同一条rdagent data_science命令按名跑比赛（内置模板如 tabular-playground 系列可参考rdagent/scenarios/kaggle/experiment/templates/）。量化方向用rdagent fin_factor（因子进化）、fin_model（模型进化）、fin_quant（因子+模型联合进化）三条命令覆盖。