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-开发者社区

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 (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-Agent：R 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	Linux
Python	3.10 或 3.11（CI 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 python=3.10 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 OpenAI，embedding 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_MODEL=gpt-4o OPENAI_API_BASE=<your_chat_api_base> OPENAI_API_KEY=<your_chat_api_key> EMBEDDING_MODEL=litellm_proxy/BAAI/bge-m3 LITELLM_PROXY_API_KEY=<your_siliconflow_api_key> LITELLM_PROXY_API_BASE=https://api.siliconflow.cn/v1 EOF

rdagent 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_TYPE=docker（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）。