RD-Agent 模板定制教程三步搭出你的研发自动化流水线【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量化研究里最常见的疲惫大概来自这三件事因子想了一圈写代码又要半天模型调一次参要等几小时回测实验记录散落在各处上周跑出来的结果这周复现不了而真正有潜力的想法因为迭代太慢往往没等到验证就被搁置了。RD-Agent 就是为解决这类问题开源的研发自动化工具你给它一个场景量化因子、数据科学、Kaggle 竞赛它自己提假设、写代码、跑实验、读反馈然后带着经验进入下一轮。下面按先装好、再配模板、最后跑通一个真实流程的顺序走一遍。一张图看懂 RD-AgentRD-Agent 把研发拆成两个角色R负责提出新想法D负责把想法实现成能跑的代码。两者在一个循环里协作提出假设、生成代码、执行回测或验证、总结反馈再把反馈变成下一轮改进的依据。代码执行默认发生在 Docker 容器里环境互相隔离互不污染。它目前覆盖三类主线场景量化交易因子、模型、因子模型联合演化基于 Qlib 回测数据科学自动特征工程与模型调优Kaggle 竞赛自动建模并提交到 Leaderboard 验证五分钟装好 RD-Agent系统要求LinuxPython 3.10 或 3.11这两个版本在项目 CI 中经过完整测试。多数场景还需要 Docker且当前用户能免 sudo 执行 docker 命令用docker run hello-world验证一下。最小安装命令集conda create -n rdagent python3.10 conda activate rdagent pip install rdagent rdagent health_check --no-check-envhealth_check会检查三件事Docker 是否可用、LLM 的 API key 和模型配置是否通、默认端口 19899 是否被占用。配置 LLM 不需要贴一整段代码在项目根目录建一个.env文件写四行就够了CHAT_MODEL聊天模型名如 gpt-4o、EMBEDDING_MODEL嵌入模型名、OPENAI_API_BASE和OPENAI_API_KEY。项目默认走 LiteLLM 后端所以CHAT_MODEL可以换成任何 LiteLLM 支持的模型DeepSeek 也行模型名要加厂商前缀。配好后执行一次不带参数的rdagent health_check看到 chat 和 embedding 两项都通过环境就算就绪。如果你是开发贡献者也可以克隆仓库后执行make devgit clone https://gitcode.com/GitHub_Trending/rd/RD-Agent cd RD-Agent make dev模板定制三步走第一步选场景RD-Agent 的入口是rdagent命令行每个子命令对应一个场景模板命令场景适合谁rdagent fin_factor因子自演化量化研究员rdagent fin_model模型自演化量化研究员rdagent fin_quant因子模型联合演化量化研究员rdagent data_science --competition 名称数据科学 / Kaggle数据挖掘、竞赛选手rdagent fin_factor_report从研报提取因子想复用研报思路的人rdagent general_model 论文地址从论文实现模型想复现论文的人各场景的差异化配置集中在 rdagent/scenarios/ 目录一个场景对应一个子目录qlib、data_science、kaggle、finetune……模板的入口、默认提示词、实验结构都在这里。选定命令模板基本就定了一半。第二步配模板配模板 在.env里覆盖该场景的默认行为。以量化场景为例常用配置项QLIB_FACTOR_EVOLVING_N每轮实验内代码演化的次数默认 10想省成本就调小QLIB_FACTOR_TRAIN_START/QLIB_FACTOR_TEST_END等训练、验证、回测的三段日期区间默认 2008–2014 训练、2015–2016 验证、2017–2020 回测FACTOR_COSTEER_ENV_TYPE因子代码在 docker 还是 conda 环境里执行数据科学场景则用DS_*前缀DS_LOCAL_DATA_PATH指向你的竞赛数据目录DS_SCEN指定场景类Kaggle 场景填 KaggleScen命令行参数比环境变量更轻优先用它step_n控制外层跑多少个实验loop_n控制外层循环次数timeout设总时长比如rdagent fin_factor --step_n 3表示先跑 3 个实验看看效果。跑通后你可以用path参数指向之前的日志目录从断点继续不必从头再来。第三步建知识库知识库是 RD-Agent 越跑越聪明的原因每次实验结束后成功的做法和踩过的坑会被提炼出来存入向量库和关系图谱下一轮提假设时会先检索这些经验。你不需要手动写知识文件需要做的只是配置路径在.env里设置FACTOR_COSTEER_KNOWLEDGE_BASE_PATH指向你的知识目录默认git_ignore_folder/knowledge_base新沉淀的经验写入FACTOR_COSTEER_NEW_KNOWLEDGE_BASE_PATH。实现见 rdagent/components/knowledge_management/向量库 图谱存储。知识库会随着你的运行持续积累建议定期清理明显过时的条目避免旧经验干扰新假设。量化因子模板实战下面以fin_factor为主线走一遍完整流程。前置条件.env已配置且 health_check 通过本机有 Qlib 中国 A 股数据默认读取~/.qlib/qlib_data/cn_data市场为沪深 300 成分股基准是 SH000300。rdagent fin_factor --step_n 3预期过程是这样系统先提出一个因子假设例如动量类因子在 A 股有预测力然后写因子代码、放进 Docker 执行回测得到 IC 等指标跑不通就根据报错自修代码回测完成后总结反馈再提出下一个假设。3 个实验跑完你得到一组已验证的因子实现、对应的回测指标以及log/目录下的完整执行轨迹。想盯过程就开一个监控页面rdagent ui --port 19899 --log-dir log/浏览器打开对应端口可以看到每个实验的假设、代码、回测结果。注意 19899 端口若被占用换成可用端口即可。Kaggle 选手的流程同理先把kaggle.json放到~/.config/kaggle/数据放进DS_LOCAL_DATA_PATH指定的目录然后rdagent data_science --competition 竞赛名系统会自己提特征、调模型并把提交分数作为反馈信号。数据科学场景的界面用rdagent ui --data-science打开。进阶调优调什么怎么调什么时候调每实验演化次数QLIB_FACTOR_EVOLVING_N默认 10单实验太慢时调小到 5–8代码质量差时调大外层实验数 / 循环--step_n/--loop_n首次验证想法用 3 左右确认有效后再放大总时长兜底--timeout 2h这类写法防止任务跑飞因子执行超时FACTOR_COSTEER_FILE_BASED_EXECUTION_TIMEOUT默认 3600 秒回测数据量大时适当放宽回测时间区间QLIB_FACTOR_*_START/END想覆盖更近的行情窗口时联合演化的选择策略QLIB_QUANT_ACTION_SELECTIONbandit / llm / randomfin_quant场景下控制因子、模型交替探索的方式资源分配上记住两条外层循环多少个实验比内层演化代码修几轮贵得多先小规模验证方向再花钱放大知识库目录会持续膨胀定期归档旧内容可以加快检索。排障速查现象health_check报 chat 或 embedding 测试失败或提示No valid configuration。原因.env里 API key 缺失或模型名不是 LiteLLM 认识的格式。处理核对CHAT_MODEL、EMBEDDING_MODEL拼写跨厂商的嵌入模型要加litellm_proxy/前缀并配LITELLM_PROXY_API_KEY、LITELLM_PROXY_API_BASE再跑一次rdagent health_check确认两项全绿。现象Docker 检查报错或实验中途容器启动失败。原因Docker 没装好或当前用户需要 sudo 才能用 docker。处理把当前用户加入 docker 组后重新登录用docker run hello-world验证免 sudo 可用。现象回测阶段报数据相关错误或指标为空。原因Qlib 数据缺失~/.qlib/qlib_data/cn_data路径或时间范围与数据实际覆盖不符。处理补全 Qlib 数据按自己数据的实际起止日期调整QLIB_FACTOR_TRAIN_START等到TEST_END六个变量。现象因子执行超时整个实验卡死。原因数据量大时回测跑不完默认的 3600 秒。处理调大FACTOR_COSTEER_FILE_BASED_EXECUTION_TIMEOUT或缩短回测区间开发调试阶段也可以先用小样本验证代码逻辑。最后RD-Agent 的价值在于把提想法—写代码—看结果—再改进这条循环从你手里接过去你只需要定场景、给反馈、收结果。模板定制的门槛也不高选一个命令、改几行.env、配好知识库路径三件事做完流水线就能转起来。下一步建议就从rdagent fin_factor --step_n 3开始花一个下午看它自己跑完三个实验再决定把火力放到哪个场景上。【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 模板定制教程三步搭出你的研发自动化流水线【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量化研究里最常见的疲惫大概来自这三件事因子想了一圈写代码又要半天模型调一次参要等几小时回测实验记录散落在各处上周跑出来的结果这周复现不了而真正有潜力的想法因为迭代太慢往往没等到验证就被搁置了。RD-Agent 就是为解决这类问题开源的研发自动化工具你给它一个场景量化因子、数据科学、Kaggle 竞赛它自己提假设、写代码、跑实验、读反馈然后带着经验进入下一轮。下面按先装好、再配模板、最后跑通一个真实流程的顺序走一遍。一张图看懂 RD-AgentRD-Agent 把研发拆成两个角色R负责提出新想法D负责把想法实现成能跑的代码。两者在一个循环里协作提出假设、生成代码、执行回测或验证、总结反馈再把反馈变成下一轮改进的依据。代码执行默认发生在 Docker 容器里环境互相隔离互不污染。它目前覆盖三类主线场景量化交易因子、模型、因子模型联合演化基于 Qlib 回测数据科学自动特征工程与模型调优Kaggle 竞赛自动建模并提交到 Leaderboard 验证五分钟装好 RD-Agent系统要求LinuxPython 3.10 或 3.11这两个版本在项目 CI 中经过完整测试。多数场景还需要 Docker且当前用户能免 sudo 执行 docker 命令用docker run hello-world验证一下。最小安装命令集conda create -n rdagent python3.10 conda activate rdagent pip install rdagent rdagent health_check --no-check-envhealth_check会检查三件事Docker 是否可用、LLM 的 API key 和模型配置是否通、默认端口 19899 是否被占用。配置 LLM 不需要贴一整段代码在项目根目录建一个.env文件写四行就够了CHAT_MODEL聊天模型名如 gpt-4o、EMBEDDING_MODEL嵌入模型名、OPENAI_API_BASE和OPENAI_API_KEY。项目默认走 LiteLLM 后端所以CHAT_MODEL可以换成任何 LiteLLM 支持的模型DeepSeek 也行模型名要加厂商前缀。配好后执行一次不带参数的rdagent health_check看到 chat 和 embedding 两项都通过环境就算就绪。如果你是开发贡献者也可以克隆仓库后执行make devgit clone https://gitcode.com/GitHub_Trending/rd/RD-Agent cd RD-Agent make dev模板定制三步走第一步选场景RD-Agent 的入口是rdagent命令行每个子命令对应一个场景模板命令场景适合谁rdagent fin_factor因子自演化量化研究员rdagent fin_model模型自演化量化研究员rdagent fin_quant因子模型联合演化量化研究员rdagent data_science --competition 名称数据科学 / Kaggle数据挖掘、竞赛选手rdagent fin_factor_report从研报提取因子想复用研报思路的人rdagent general_model 论文地址从论文实现模型想复现论文的人各场景的差异化配置集中在 rdagent/scenarios/ 目录一个场景对应一个子目录qlib、data_science、kaggle、finetune……模板的入口、默认提示词、实验结构都在这里。选定命令模板基本就定了一半。第二步配模板配模板 在.env里覆盖该场景的默认行为。以量化场景为例常用配置项QLIB_FACTOR_EVOLVING_N每轮实验内代码演化的次数默认 10想省成本就调小QLIB_FACTOR_TRAIN_START/QLIB_FACTOR_TEST_END等训练、验证、回测的三段日期区间默认 2008–2014 训练、2015–2016 验证、2017–2020 回测FACTOR_COSTEER_ENV_TYPE因子代码在 docker 还是 conda 环境里执行数据科学场景则用DS_*前缀DS_LOCAL_DATA_PATH指向你的竞赛数据目录DS_SCEN指定场景类Kaggle 场景填 KaggleScen命令行参数比环境变量更轻优先用它step_n控制外层跑多少个实验loop_n控制外层循环次数timeout设总时长比如rdagent fin_factor --step_n 3表示先跑 3 个实验看看效果。跑通后你可以用path参数指向之前的日志目录从断点继续不必从头再来。第三步建知识库知识库是 RD-Agent 越跑越聪明的原因每次实验结束后成功的做法和踩过的坑会被提炼出来存入向量库和关系图谱下一轮提假设时会先检索这些经验。你不需要手动写知识文件需要做的只是配置路径在.env里设置FACTOR_COSTEER_KNOWLEDGE_BASE_PATH指向你的知识目录默认git_ignore_folder/knowledge_base新沉淀的经验写入FACTOR_COSTEER_NEW_KNOWLEDGE_BASE_PATH。实现见 rdagent/components/knowledge_management/向量库 图谱存储。知识库会随着你的运行持续积累建议定期清理明显过时的条目避免旧经验干扰新假设。量化因子模板实战下面以fin_factor为主线走一遍完整流程。前置条件.env已配置且 health_check 通过本机有 Qlib 中国 A 股数据默认读取~/.qlib/qlib_data/cn_data市场为沪深 300 成分股基准是 SH000300。rdagent fin_factor --step_n 3预期过程是这样系统先提出一个因子假设例如动量类因子在 A 股有预测力然后写因子代码、放进 Docker 执行回测得到 IC 等指标跑不通就根据报错自修代码回测完成后总结反馈再提出下一个假设。3 个实验跑完你得到一组已验证的因子实现、对应的回测指标以及log/目录下的完整执行轨迹。想盯过程就开一个监控页面rdagent ui --port 19899 --log-dir log/浏览器打开对应端口可以看到每个实验的假设、代码、回测结果。注意 19899 端口若被占用换成可用端口即可。Kaggle 选手的流程同理先把kaggle.json放到~/.config/kaggle/数据放进DS_LOCAL_DATA_PATH指定的目录然后rdagent data_science --competition 竞赛名系统会自己提特征、调模型并把提交分数作为反馈信号。数据科学场景的界面用rdagent ui --data-science打开。进阶调优调什么怎么调什么时候调每实验演化次数QLIB_FACTOR_EVOLVING_N默认 10单实验太慢时调小到 5–8代码质量差时调大外层实验数 / 循环--step_n/--loop_n首次验证想法用 3 左右确认有效后再放大总时长兜底--timeout 2h这类写法防止任务跑飞因子执行超时FACTOR_COSTEER_FILE_BASED_EXECUTION_TIMEOUT默认 3600 秒回测数据量大时适当放宽回测时间区间QLIB_FACTOR_*_START/END想覆盖更近的行情窗口时联合演化的选择策略QLIB_QUANT_ACTION_SELECTIONbandit / llm / randomfin_quant场景下控制因子、模型交替探索的方式资源分配上记住两条外层循环多少个实验比内层演化代码修几轮贵得多先小规模验证方向再花钱放大知识库目录会持续膨胀定期归档旧内容可以加快检索。排障速查现象health_check报 chat 或 embedding 测试失败或提示No valid configuration。原因.env里 API key 缺失或模型名不是 LiteLLM 认识的格式。处理核对CHAT_MODEL、EMBEDDING_MODEL拼写跨厂商的嵌入模型要加litellm_proxy/前缀并配LITELLM_PROXY_API_KEY、LITELLM_PROXY_API_BASE再跑一次rdagent health_check确认两项全绿。现象Docker 检查报错或实验中途容器启动失败。原因Docker 没装好或当前用户需要 sudo 才能用 docker。处理把当前用户加入 docker 组后重新登录用docker run hello-world验证免 sudo 可用。现象回测阶段报数据相关错误或指标为空。原因Qlib 数据缺失~/.qlib/qlib_data/cn_data路径或时间范围与数据实际覆盖不符。处理补全 Qlib 数据按自己数据的实际起止日期调整QLIB_FACTOR_TRAIN_START等到TEST_END六个变量。现象因子执行超时整个实验卡死。原因数据量大时回测跑不完默认的 3600 秒。处理调大FACTOR_COSTEER_FILE_BASED_EXECUTION_TIMEOUT或缩短回测区间开发调试阶段也可以先用小样本验证代码逻辑。最后RD-Agent 的价值在于把提想法—写代码—看结果—再改进这条循环从你手里接过去你只需要定场景、给反馈、收结果。模板定制的门槛也不高选一个命令、改几行.env、配好知识库路径三件事做完流水线就能转起来。下一步建议就从rdagent fin_factor --step_n 3开始花一个下午看它自己跑完三个实验再决定把火力放到哪个场景上。【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
)
