尧图网页设计 
「RD-Agent」从环境搭到跑通一篇不绕弯子的实操笔记【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 是一款 LLM 驱动的研究开发双智能体框架把数据驱动研发里的提假设、写代码、跑回测、看反馈整条链路自动化省下反复手搓代码和调参的功夫。这篇实操笔记覆盖从安装主程序、配 Docker、填.env到跑通第一个金融因子任务的完整路径。开始前需要准备一个可用的 LLM API Key、能免 sudo 运行的 Docker以及一台 Linux 机器RD-Agent 目前只支持 Linux。 先搞清楚它是怎么工作的RD-Agent 的核心是一个双角色循环Research 负责产出新想法和假设Development 负责把想法落成可运行的代码。Development 在隔离环境里执行代码拿到指标和报错后作为反馈传回 Research下一轮再基于反馈改进假设。它内置了金融因子、金融模型、数据科学、Kaggle 竞赛等场景统一用rdagent命令行入口启动。整个过程由 LLM 驱动所以装完主程序和 Docker 之后重头戏是给聊天模型和嵌入模型配好后端。️ 把环境装好依赖其实就两样一个 Python 环境和 Docker其余依赖会随主程序安装自动带进来。安装主程序普通用户直接从 PyPI 装开发用户想试最新版或参与贡献走源码安装Python 3.10/3.11CI 验证过# 普通用户一条命令装发布版 pip install rdagent # 开发用户源码安装先建好 3.10 的 conda 环境 conda create -n rdagent python3.10 -y conda activate rdagent git clone https://gitcode.com/GitHub_Trending/rd/RD-Agent cd RD-Agent make dev安装并验证 DockerRD-Agent 生成的代码默认跑在独立容器里本地环境不会被弄脏所以 Docker 是必装项。# 验证当前用户免 sudo 能跑 docker看到 Hello from Docker 即通过 docker run hello-world 把配置填对所有变量都放在项目根目录的.env文件里rdagent命令启动时会自动加载不用手动 export。LLM 后端怎么选RD-Agent 默认走 LiteLLM 后端你要做的只是告诉它聊天模型和嵌入模型分别用哪个服务商。# 聊天模型LiteLLM 模型命名 CHAT_MODELgpt-4o # 嵌入模型 EMBEDDING_MODELtext-embedding-3-small # 统一 API 基础地址和密钥 OPENAI_API_BASEyour_unified_api_base OPENAI_API_KEYyour_api_key想省点钱可以走 DeepSeekCHAT_MODELdeepseek/deepseek-chat加DEEPSEEK_API_KEY嵌入模型 DeepSeek 没有得另接 SiliconFlow。⚠️ 嵌入模型和聊天模型不同服务商时EMBEDDING_MODEL必须加litellm_proxy/前缀并补齐LITELLM_PROXY_API_KEY和LITELLM_PROXY_API_BASE缺一项就会报模型找不到。执行环境类型Docker 还是 CondaAgent 产出的代码在哪个环境执行由场景前缀的环境变量决定推荐用 Docker 隔离执行。# 模型Quant场景的执行环境 MODEL_COSTEER_ENV_TYPEdocker # 数据科学场景的执行环境 DS_CODER_COSTEER_ENV_TYPEdocker⚠️ 改成 conda 前确认本地环境已装好对应场景依赖否则报错会直接甩给 LLM 去修烧 token 还修不好。场景参数时间分段与数据路径金融因子场景默认在 CSI300 上做 2008 至 2020 年回测想换区间或跑数据科学场景就在这里指定。# fin_factor 场景的训练/验证/测试分段 QLIB_FACTOR_TRAIN_START2008-01-01 QLIB_FACTOR_TRAIN_END2014-12-31 QLIB_FACTOR_VALID_START2015-01-01 QLIB_FACTOR_VALID_END2016-12-31 QLIB_FACTOR_TEST_START2017-01-01 QLIB_FACTOR_TEST_END2020-12-31 # data_science 场景的本地数据目录 DS_LOCAL_DATA_PATH/your/path/ds_data⚠️ 日期必须YYYY-MM-DD格式且三段不能重叠另外QLIB_QUANT_*那组变量只给前端展示用改了不影响执行别在它上面花时间。 跑起来配置就绪后从克隆仓库到进入第一轮循环就四步。# 克隆仓库并进入项目 git clone https://gitcode.com/GitHub_Trending/rd/RD-Agent cd RD-Agent # 还没写 .env 的话先复制模板再按上文填写 cp .env.example .env # 体检Docker、端口、LLM 连通性一次查完 rdagent health_check # 启动第一个任务金融因子自动进化 rdagent fin_factorfin_factor跑起来后终端会滚动输出假设生成、因子实现和回测进度另开一个终端就能实时看循环状态。# 打开 Streamlit UI 监控默认 19899 端口 rdagent ui --port 19899 --log-dir log/ 卡住了看这里绝大多数问题集中在启动头几次按症状 → 原因 → 一行解法对号入座rdagent: command not found→ 没装或没激活环境 →conda activate rdagent或重装pip install rdagenthealth_check 报 Docker 不可用→ 当前用户要 sudo 才能跑 docker →sudo usermod -aG docker $USER后重新登录LLM 调用 401 或连接超时→ API 地址、密钥写错或行尾混入空格 → 单独 curl 一下 endpoint 验证顺手检查.env有没有多余空格嵌入模型报错、聊天模型正常→ 漏了litellm_proxy/前缀 → 把EMBEDDING_MODEL改成litellm_proxy/BAAI/bge-m3并补齐两个 PROXY 变量UI 起不来提示端口占用→ 19899 被别的进程占了 →rdagent ui --port 19898换个端口 下一步想继续深入仓库里这三份文档值得先收藏安装与配置详解LiteLLM 各服务商、Azure、缓存等所有参数的完整说明适合对着排查配置问题的人金融因子场景文档fin_factor 的完整流程和数据切分细节适合正式跑第一轮循环前读一遍的人开发指南开发环境搭建、lint 和测试怎么跑适合想读源码或提 PR 的人【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 「RD-Agent」从环境搭到跑通：一篇不绕弯子的实操笔记
「RD-Agent」从环境搭到跑通一篇不绕弯子的实操笔记【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 是一款 LLM 驱动的研究开发双智能体框架把数据驱动研发里的提假设、写代码、跑回测、看反馈整条链路自动化省下反复手搓代码和调参的功夫。这篇实操笔记覆盖从安装主程序、配 Docker、填.env到跑通第一个金融因子任务的完整路径。开始前需要准备一个可用的 LLM API Key、能免 sudo 运行的 Docker以及一台 Linux 机器RD-Agent 目前只支持 Linux。 先搞清楚它是怎么工作的RD-Agent 的核心是一个双角色循环Research 负责产出新想法和假设Development 负责把想法落成可运行的代码。Development 在隔离环境里执行代码拿到指标和报错后作为反馈传回 Research下一轮再基于反馈改进假设。它内置了金融因子、金融模型、数据科学、Kaggle 竞赛等场景统一用rdagent命令行入口启动。整个过程由 LLM 驱动所以装完主程序和 Docker 之后重头戏是给聊天模型和嵌入模型配好后端。️ 把环境装好依赖其实就两样一个 Python 环境和 Docker其余依赖会随主程序安装自动带进来。安装主程序普通用户直接从 PyPI 装开发用户想试最新版或参与贡献走源码安装Python 3.10/3.11CI 验证过# 普通用户一条命令装发布版 pip install rdagent # 开发用户源码安装先建好 3.10 的 conda 环境 conda create -n rdagent python3.10 -y conda activate rdagent git clone https://gitcode.com/GitHub_Trending/rd/RD-Agent cd RD-Agent make dev安装并验证 DockerRD-Agent 生成的代码默认跑在独立容器里本地环境不会被弄脏所以 Docker 是必装项。# 验证当前用户免 sudo 能跑 docker看到 Hello from Docker 即通过 docker run hello-world 把配置填对所有变量都放在项目根目录的.env文件里rdagent命令启动时会自动加载不用手动 export。LLM 后端怎么选RD-Agent 默认走 LiteLLM 后端你要做的只是告诉它聊天模型和嵌入模型分别用哪个服务商。# 聊天模型LiteLLM 模型命名 CHAT_MODELgpt-4o # 嵌入模型 EMBEDDING_MODELtext-embedding-3-small # 统一 API 基础地址和密钥 OPENAI_API_BASEyour_unified_api_base OPENAI_API_KEYyour_api_key想省点钱可以走 DeepSeekCHAT_MODELdeepseek/deepseek-chat加DEEPSEEK_API_KEY嵌入模型 DeepSeek 没有得另接 SiliconFlow。⚠️ 嵌入模型和聊天模型不同服务商时EMBEDDING_MODEL必须加litellm_proxy/前缀并补齐LITELLM_PROXY_API_KEY和LITELLM_PROXY_API_BASE缺一项就会报模型找不到。执行环境类型Docker 还是 CondaAgent 产出的代码在哪个环境执行由场景前缀的环境变量决定推荐用 Docker 隔离执行。# 模型Quant场景的执行环境 MODEL_COSTEER_ENV_TYPEdocker # 数据科学场景的执行环境 DS_CODER_COSTEER_ENV_TYPEdocker⚠️ 改成 conda 前确认本地环境已装好对应场景依赖否则报错会直接甩给 LLM 去修烧 token 还修不好。场景参数时间分段与数据路径金融因子场景默认在 CSI300 上做 2008 至 2020 年回测想换区间或跑数据科学场景就在这里指定。# fin_factor 场景的训练/验证/测试分段 QLIB_FACTOR_TRAIN_START2008-01-01 QLIB_FACTOR_TRAIN_END2014-12-31 QLIB_FACTOR_VALID_START2015-01-01 QLIB_FACTOR_VALID_END2016-12-31 QLIB_FACTOR_TEST_START2017-01-01 QLIB_FACTOR_TEST_END2020-12-31 # data_science 场景的本地数据目录 DS_LOCAL_DATA_PATH/your/path/ds_data⚠️ 日期必须YYYY-MM-DD格式且三段不能重叠另外QLIB_QUANT_*那组变量只给前端展示用改了不影响执行别在它上面花时间。 跑起来配置就绪后从克隆仓库到进入第一轮循环就四步。# 克隆仓库并进入项目 git clone https://gitcode.com/GitHub_Trending/rd/RD-Agent cd RD-Agent # 还没写 .env 的话先复制模板再按上文填写 cp .env.example .env # 体检Docker、端口、LLM 连通性一次查完 rdagent health_check # 启动第一个任务金融因子自动进化 rdagent fin_factorfin_factor跑起来后终端会滚动输出假设生成、因子实现和回测进度另开一个终端就能实时看循环状态。# 打开 Streamlit UI 监控默认 19899 端口 rdagent ui --port 19899 --log-dir log/ 卡住了看这里绝大多数问题集中在启动头几次按症状 → 原因 → 一行解法对号入座rdagent: command not found→ 没装或没激活环境 →conda activate rdagent或重装pip install rdagenthealth_check 报 Docker 不可用→ 当前用户要 sudo 才能跑 docker →sudo usermod -aG docker $USER后重新登录LLM 调用 401 或连接超时→ API 地址、密钥写错或行尾混入空格 → 单独 curl 一下 endpoint 验证顺手检查.env有没有多余空格嵌入模型报错、聊天模型正常→ 漏了litellm_proxy/前缀 → 把EMBEDDING_MODEL改成litellm_proxy/BAAI/bge-m3并补齐两个 PROXY 变量UI 起不来提示端口占用→ 19899 被别的进程占了 →rdagent ui --port 19898换个端口 下一步想继续深入仓库里这三份文档值得先收藏安装与配置详解LiteLLM 各服务商、Azure、缓存等所有参数的完整说明适合对着排查配置问题的人金融因子场景文档fin_factor 的完整流程和数据切分细节适合正式跑第一轮循环前读一遍的人开发指南开发环境搭建、lint 和测试怎么跑适合想读源码或提 PR 的人【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