如何 30 分钟跑通 RD-Agent新手上手路径与卡点排障一次讲清【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装好了 Docker 和 piprdagent health_check却报 Docker 不可用换完 API Key 又说模型配置无效——多数人都卡在这两步。RD-Agent 是一个 AI 驱动的研发自动化框架R 负责提出新想法D 负责实现成代码能自动完成数据科学任务从想法、编码、执行到反馈的完整闭环。按本文四步走约 30 分钟能跑通第一个完整研发循环。 第 1 步检查环境三项硬性前置先在终端按顺序验证版本与权限python -V # 预期输出 3.10.x 或 3.11.x docker run hello-world # 预期输出 Hello from Docker!RD-Agent 仅支持 LinuxPython 3.10 与 3.11 是 CI 验证过的版本依赖锁定在 constraints/3.10.txt用 3.12 会导致依赖解析直接失败。Docker 是默认代码执行环境当前用户必须能免 sudo运行 docker 命令。通过后安装普通用户执行pip install rdagent想试最新版则git clone https://gitcode.com/GitHub_Trending/rd/RD-Agent后cd RD-Agent make dev。⚙️ 第 2 步创建最小 .env 配置在项目根目录与pyproject.toml同级创建.env文件模板可参考 .env.example。跑通只需 4 项以统一 API 端点为例CHAT_MODELgpt-4o EMBEDDING_MODELtext-embedding-3-small OPENAI_API_BASEhttps://your-endpoint.com/v1 OPENAI_API_KEYsk-your-api-key-here模型名需符合 LiteLLM 规范完整说明见安装与配置文档。加载优先级为系统环境变量 .envCLI 启动时会自动读取当前目录的.env。若 embedding 模型与 chat 来自不同服务商EMBEDDING_MODEL必须加litellm_proxy/前缀并补配LITELLM_PROXY_API_KEY与LITELLM_PROXY_API_BASE。 第 3 步首次运行一个数据科学任务以官方示例的 ARF 预测任务为例。先按示例数据说明把数据集放到git_ignore_folder/ds_data目录再在.env中补两行DS_LOCAL_DATA_PATHds_data 所在目录 DS_SCENrdagent.scenarios.data_science.scen.DataScienceScen然后在项目根目录执行rdagent data_science --competition arf-12-hours-prediction-task启动后每一轮循环是Research Agent 提出方案 → Coder 生成 notebook → Docker 容器内执行 → 把执行结果反馈回来。循环默认持续运行直到你 CtrlC 或报错终端不抛异常、且log/目录出现第一轮生成物与评估日志即算跑通。 第 4 步看懂结果与日志日志落在log/目录但直接用可视化界面看更直观rdagent ui --port 19899 --log-dir log/ --data-science它会启动 Streamlit 页面按时间轴展示每轮循环的提案、代码与执行结果。新手最常误读的一点早期轮次的分数是在debug 采样数据上算的全量数据的一个子集不代表最终测试集成绩不要拿单轮 debug 分数评判模型好坏。另外端口 19899 冲突很常见可先用rdagent health_check查看可用端口。 三个最常见的卡点Docker status is exception报错现象rdagent health_check或场景启动日志出现 Docker 异常提示。根因Docker 未安装或当前用户无权连接 Docker 守护进程。修复用docker run hello-world验证需要 sudo 说明用户未加入 docker 组处理后重新登录。验证rdagent health_check --no-check-env输出 The docker status is normal。No valid configuration was found报错现象rdagent health_check直接提示未找到有效配置。根因.env中 API Key 或端点无效或.env不在命令执行目录。修复确认项目根目录.env中CHAT_MODEL、OPENAI_API_BASE、OPENAI_API_KEY齐全且有效。验证重跑rdagent health_check看到 Chat test passed. 与 Embedding test passed.。找不到 competition报错现象执行rdagent data_science后提示任务不存在。根因数据集目录未就位或.env缺DS_SCEN、DS_LOCAL_DATA_PATH。修复按数据说明下载并放置数据集补齐上述两个变量。验证重跑同一命令能正常读取任务描述文件并进入循环。跑通之后可以去哪量化因子/模型共进化rdagent fin_quant或rdagent fin_factor代码在 rdagent/app/qlib_rd_loop/Kaggle 竞赛rdagent data_science --competition 竞赛名模块见 rdagent/scenarios/kaggle/读论文自动生成模型rdagent general_model 论文地址实现见 general_model.pyLLM 自主微调 FT-Agent见 finetune/llm/README.md全部场景文档docs/scens/整条路径就是查环境 → 配 4 项.env→ 跑 data_science → 用 UI 看日志顺利的话半小时内完成。若中途遇到其他报错运行rdagent collect_info收集环境信息后直接去项目 Issues 区提问。【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 如何 30 分钟跑通 RD-Agent：新手上手路径与卡点排障一次讲清
如何 30 分钟跑通 RD-Agent新手上手路径与卡点排障一次讲清【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装好了 Docker 和 piprdagent health_check却报 Docker 不可用换完 API Key 又说模型配置无效——多数人都卡在这两步。RD-Agent 是一个 AI 驱动的研发自动化框架R 负责提出新想法D 负责实现成代码能自动完成数据科学任务从想法、编码、执行到反馈的完整闭环。按本文四步走约 30 分钟能跑通第一个完整研发循环。 第 1 步检查环境三项硬性前置先在终端按顺序验证版本与权限python -V # 预期输出 3.10.x 或 3.11.x docker run hello-world # 预期输出 Hello from Docker!RD-Agent 仅支持 LinuxPython 3.10 与 3.11 是 CI 验证过的版本依赖锁定在 constraints/3.10.txt用 3.12 会导致依赖解析直接失败。Docker 是默认代码执行环境当前用户必须能免 sudo运行 docker 命令。通过后安装普通用户执行pip install rdagent想试最新版则git clone https://gitcode.com/GitHub_Trending/rd/RD-Agent后cd RD-Agent make dev。⚙️ 第 2 步创建最小 .env 配置在项目根目录与pyproject.toml同级创建.env文件模板可参考 .env.example。跑通只需 4 项以统一 API 端点为例CHAT_MODELgpt-4o EMBEDDING_MODELtext-embedding-3-small OPENAI_API_BASEhttps://your-endpoint.com/v1 OPENAI_API_KEYsk-your-api-key-here模型名需符合 LiteLLM 规范完整说明见安装与配置文档。加载优先级为系统环境变量 .envCLI 启动时会自动读取当前目录的.env。若 embedding 模型与 chat 来自不同服务商EMBEDDING_MODEL必须加litellm_proxy/前缀并补配LITELLM_PROXY_API_KEY与LITELLM_PROXY_API_BASE。 第 3 步首次运行一个数据科学任务以官方示例的 ARF 预测任务为例。先按示例数据说明把数据集放到git_ignore_folder/ds_data目录再在.env中补两行DS_LOCAL_DATA_PATHds_data 所在目录 DS_SCENrdagent.scenarios.data_science.scen.DataScienceScen然后在项目根目录执行rdagent data_science --competition arf-12-hours-prediction-task启动后每一轮循环是Research Agent 提出方案 → Coder 生成 notebook → Docker 容器内执行 → 把执行结果反馈回来。循环默认持续运行直到你 CtrlC 或报错终端不抛异常、且log/目录出现第一轮生成物与评估日志即算跑通。 第 4 步看懂结果与日志日志落在log/目录但直接用可视化界面看更直观rdagent ui --port 19899 --log-dir log/ --data-science它会启动 Streamlit 页面按时间轴展示每轮循环的提案、代码与执行结果。新手最常误读的一点早期轮次的分数是在debug 采样数据上算的全量数据的一个子集不代表最终测试集成绩不要拿单轮 debug 分数评判模型好坏。另外端口 19899 冲突很常见可先用rdagent health_check查看可用端口。 三个最常见的卡点Docker status is exception报错现象rdagent health_check或场景启动日志出现 Docker 异常提示。根因Docker 未安装或当前用户无权连接 Docker 守护进程。修复用docker run hello-world验证需要 sudo 说明用户未加入 docker 组处理后重新登录。验证rdagent health_check --no-check-env输出 The docker status is normal。No valid configuration was found报错现象rdagent health_check直接提示未找到有效配置。根因.env中 API Key 或端点无效或.env不在命令执行目录。修复确认项目根目录.env中CHAT_MODEL、OPENAI_API_BASE、OPENAI_API_KEY齐全且有效。验证重跑rdagent health_check看到 Chat test passed. 与 Embedding test passed.。找不到 competition报错现象执行rdagent data_science后提示任务不存在。根因数据集目录未就位或.env缺DS_SCEN、DS_LOCAL_DATA_PATH。修复按数据说明下载并放置数据集补齐上述两个变量。验证重跑同一命令能正常读取任务描述文件并进入循环。跑通之后可以去哪量化因子/模型共进化rdagent fin_quant或rdagent fin_factor代码在 rdagent/app/qlib_rd_loop/Kaggle 竞赛rdagent data_science --competition 竞赛名模块见 rdagent/scenarios/kaggle/读论文自动生成模型rdagent general_model 论文地址实现见 general_model.pyLLM 自主微调 FT-Agent见 finetune/llm/README.md全部场景文档docs/scens/整条路径就是查环境 → 配 4 项.env→ 跑 data_science → 用 UI 看日志顺利的话半小时内完成。若中途遇到其他报错运行rdagent collect_info收集环境信息后直接去项目 Issues 区提问。【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