完整指南RD-Agent 研发自动化从安装到跑通数据科学全流程【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手工拼特征、调模型、反复回测是数据科学里最耗时的部分。RD-Agent 把这套循环交给 LLM Agent提假设、写代码、执行、看反馈再进入下一轮。适合做过基础机器学习、想把重复研发环节自动化的开发者读完你能在本地跑起一个完整的迭代循环。它长什么样RD-Agent 是一个数据驱动的研发自动化框架把研发拆成 RResearch提新想法和 DDevelopment落地实现两个角色围绕「假设 → 代码 → 执行 → 反馈」循环自动演化。当前内置量化因子与模型、数据科学/Kaggle 竞赛、论文模型复现、LLM 微调四类场景。5 分钟跑起来系统要求Linux目前唯一支持的操作系统、Python 3.10 或 3.11、当前用户免 sudo 可执行 Docker 命令。先装好命令装完用健康检查验证环境pip install rdagent # PyPI 用户 git clone https://gitcode.com/GitHub_Trending/rd/RD-Agent cd RD-Agent make dev # 开发者确认 Docker 与端口就绪通过后再启动任何场景rdagent health_check --no-check-env如果跑不通先执行rdagent health_check看完整报错九成是 Docker 权限或端口占用问题。数据科学场景一个竞赛任务走完全流程选数据科学场景因为它同时覆盖特征工程和模型调优最能体现「自动演化」。以仓库内置样例arf-12-hours-prediction-task为例。准备数据目录Agent 按竞赛格式工作训练/测试数据、sample_submission.csv、评估代码缺一不可。在ds_data下建arf-12-hours-prediction-task目录放入各子集数据划分写法参考 内置样例。配置环境变量场景类和数据路径决定整个循环行为写在.env里dotenv set DS_LOCAL_DATA_PATH $(pwd)/ds_data dotenv set DS_SCEN rdagent.scenarios.data_science.scen.DataScienceScen dotenv set DS_CODER_ON_WHOLE_PIPELINE True dotenv set DS_SAMPLE_DATA_BY_LLM False启动演化循环一行命令即开始Agent 自动提出假设、生成代码并执行验证。入口实现在 场景源码编码环节在 编码器组件。rdagent data_science --competition arf-12-hours-prediction-task查看迭代产出每轮循环后假设、代码 diff、回测指标都会落到日志目录打开监控面板可沿假设链逐轮对比指标变化rdagent ui --port 19899 --log-dir log/ --data-science调优与排错health_check报配置不合法.env缺CHAT_MODEL、EMBEDDING_MODEL或对应 API key → 按 LiteLLM 格式补齐后重跑rdagent health_checkDocker 检查失败当前用户无 Docker 权限 → 把用户加入docker组用docker run hello-world验证LLM 请求 4xx/超时模型名与服务商不匹配 → 换用 DeepSeek 等支持 LiteLLM 前缀的服务商推理模型另加REASONING_THINK_RMTrue端口 19899 被占用换--port或用完整体检定位rdagent health_check --no-check-env --no-check-docker下一步往哪走换掉默认 LLMCHAT_MODEL/EMBEDDING_MODEL指向任意 LiteLLM 支持的模型成本与效果直接受益接自有数据按 内置样例 的目录结构替换任务即可换成你自己的竞赛或业务数据集读核心循环从 研发循环实现 入手能看懂假设生成、代码演化、反馈回流如何串成闭环RD-Agent 适合需要多轮迭代的数据研发场景单点脚本任务不建议引入。【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 完整指南：RD-Agent 研发自动化：从安装到跑通数据科学全流程
完整指南RD-Agent 研发自动化从安装到跑通数据科学全流程【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手工拼特征、调模型、反复回测是数据科学里最耗时的部分。RD-Agent 把这套循环交给 LLM Agent提假设、写代码、执行、看反馈再进入下一轮。适合做过基础机器学习、想把重复研发环节自动化的开发者读完你能在本地跑起一个完整的迭代循环。它长什么样RD-Agent 是一个数据驱动的研发自动化框架把研发拆成 RResearch提新想法和 DDevelopment落地实现两个角色围绕「假设 → 代码 → 执行 → 反馈」循环自动演化。当前内置量化因子与模型、数据科学/Kaggle 竞赛、论文模型复现、LLM 微调四类场景。5 分钟跑起来系统要求Linux目前唯一支持的操作系统、Python 3.10 或 3.11、当前用户免 sudo 可执行 Docker 命令。先装好命令装完用健康检查验证环境pip install rdagent # PyPI 用户 git clone https://gitcode.com/GitHub_Trending/rd/RD-Agent cd RD-Agent make dev # 开发者确认 Docker 与端口就绪通过后再启动任何场景rdagent health_check --no-check-env如果跑不通先执行rdagent health_check看完整报错九成是 Docker 权限或端口占用问题。数据科学场景一个竞赛任务走完全流程选数据科学场景因为它同时覆盖特征工程和模型调优最能体现「自动演化」。以仓库内置样例arf-12-hours-prediction-task为例。准备数据目录Agent 按竞赛格式工作训练/测试数据、sample_submission.csv、评估代码缺一不可。在ds_data下建arf-12-hours-prediction-task目录放入各子集数据划分写法参考 内置样例。配置环境变量场景类和数据路径决定整个循环行为写在.env里dotenv set DS_LOCAL_DATA_PATH $(pwd)/ds_data dotenv set DS_SCEN rdagent.scenarios.data_science.scen.DataScienceScen dotenv set DS_CODER_ON_WHOLE_PIPELINE True dotenv set DS_SAMPLE_DATA_BY_LLM False启动演化循环一行命令即开始Agent 自动提出假设、生成代码并执行验证。入口实现在 场景源码编码环节在 编码器组件。rdagent data_science --competition arf-12-hours-prediction-task查看迭代产出每轮循环后假设、代码 diff、回测指标都会落到日志目录打开监控面板可沿假设链逐轮对比指标变化rdagent ui --port 19899 --log-dir log/ --data-science调优与排错health_check报配置不合法.env缺CHAT_MODEL、EMBEDDING_MODEL或对应 API key → 按 LiteLLM 格式补齐后重跑rdagent health_checkDocker 检查失败当前用户无 Docker 权限 → 把用户加入docker组用docker run hello-world验证LLM 请求 4xx/超时模型名与服务商不匹配 → 换用 DeepSeek 等支持 LiteLLM 前缀的服务商推理模型另加REASONING_THINK_RMTrue端口 19899 被占用换--port或用完整体检定位rdagent health_check --no-check-env --no-check-docker下一步往哪走换掉默认 LLMCHAT_MODEL/EMBEDDING_MODEL指向任意 LiteLLM 支持的模型成本与效果直接受益接自有数据按 内置样例 的目录结构替换任务即可换成你自己的竞赛或业务数据集读核心循环从 研发循环实现 入手能看懂假设生成、代码演化、反馈回流如何串成闭环RD-Agent 适合需要多轮迭代的数据研发场景单点脚本任务不建议引入。【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