🖥️ 在线演示 | 🎥 演示视频 ▶️YouTube | 📖 文档 | 📄 技术报告 | 📃 论文

📰 新闻

🗞️ 新闻	📝 描述
Web UI 发布	我们发布了一个新的前端界面，可以通过 rdagent server_ui 构建并提供服务，用于实时交互和追踪查看，目前暂不包括 data_science 场景。
NeurIPS 2025 录用	我们非常高兴地宣布，我们的论文 R&D-Agent-Quant 已被 NeurIPS 2025 接收
技术报告发布	整体框架描述及 MLE-bench 上的结果
R&D-Agent-Quant 发布	将 R&D-Agent 应用于量化交易
MLE-Bench 结果公布	R&D-Agent 目前在 MLE-bench 上以 [最佳机器学习工程代理] 的身份领先
支持 LiteLLM 后端	我们现在完全支持 LiteLLM 作为默认后端，以便与多个 LLM 提供商集成。
通用数据科学代理	数据科学代理
Kaggle 场景发布	我们发布了 Kaggle 代理，快来体验新功能吧！
官方微信群发布	我们创建了一个微信群，欢迎大家加入！ (🗪二维码)
官方 Discord 发布	我们在 Discord 上推出了第一个聊天频道 (🗪)
首次发布	R&D-Agent 在 GitHub 上首次发布

🏆 最佳机器学习工程代理！

MLE-bench 是一个全面的基准测试，用于评估 AI 代理在机器学习工程任务中的表现。它使用来自 75 个 Kaggle 竞赛的数据集，为 AI 系统在真实世界 ML 工程场景中的能力提供了可靠的评估。

R&D-Agent 目前在 MLE-bench 上以最佳机器学习工程代理的身份领先：

代理	低 == 轻量级 (%)	中等 (%)	高 (%)	总计 (%)
R&D-Agent o3(R)+GPT-4.1(D)	51.52 ± 6.9	19.3 ± 5.5	26.67 ± 0	30.22 ± 1.5
R&D-Agent o1-preview	48.18 ± 2.49	8.95 ± 2.36	18.67 ± 2.98	22.4 ± 1.1
AIDE o1-preview	34.3 ± 2.4	8.8 ± 1.1	10.0 ± 1.9	16.9 ± 1.1

注释：

• O3(R)+GPT-4.1(D)：此版本旨在通过无缝整合研究代理（o3）与开发代理（GPT-4.1），既减少每次循环的平均时间，又利用经济高效的后端 LLM 组合。
• AIDE o1-preview：代表了原始 MLE-bench 论文中报道的先前在 MLE-bench 上的最佳公开结果。
• R&D-Agent o1-preview 的平均值和标准差结果基于 5 个独立种子，而 R&D-Agent o3(R)+GPT-4.1(D) 的结果则基于 6 个种子。
• 根据 MLE-Bench 的分类，这 75 个竞赛被分为三个复杂度级别：如果我们估计一位经验丰富的 ML 工程师可以在不到 2 小时内提出合理的解决方案（不包括训练任何模型的时间），则归为 低 == 轻量级；如果需要 2 到 10 小时，则为 中等；如果需要超过 10 小时，则为 高。

您可以在网上查看上述结果的详细运行记录。

• R&D-Agent o1-preview 详细运行
• R&D-Agent o3(R)+GPT-4.1(D) 详细运行

如需在 MLE-bench 上运行 R&D-Agent，请参阅 MLE-bench 指南：通过 MLE-bench 运行 ML 工程

🥇 首个以数据为中心的量化多智能体框架！

量化金融研发智能体，简称 RD-Agent(Q)，是首个以数据为中心的多智能体框架，旨在通过协调一致的因子-模型联合优化，实现量化策略全栈研发的自动化。

在真实股票市场中的大量实验表明，在成本低于10美元的情况下，RD-Agent(Q) 的年化收益率（ARR）比基准因子库高出约2倍，同时使用的因子数量减少了70%以上。此外，在资源预算较小的情况下，它也超越了当前最先进的深度时间序列模型。其交替进行的因子与模型优化机制，进一步实现了预测精度与策略稳健性之间的良好权衡。

您可以通过 论文 了解 RD-Agent(Q) 的更多细节，并通过 文档 进行复现。

数据科学智能体预览

请观看我们的演示视频，了解正在开发中的数据科学智能体的最新进展：

https://github.com/user-attachments/assets/3eccbecb-34a4-4c81-bce4-d3f8862f7305

🌟 简介

R&D-Agent 致力于自动化工业研发流程中最为关键和有价值的环节，我们首先聚焦于数据驱动型场景，以简化模型与数据的开发过程。 从方法论上看，我们确定了一个包含两个核心组件的框架：“R”代表提出新想法，“D”代表将这些想法付诸实施。 我们相信，研发过程的自动化演进将带来具有重大工业价值的解决方案。

R&D 是一个非常通用的场景。随着 R&D-Agent 的出现，它可以成为您的：

• 💰 自动量化工厂 (🎥演示视频|▶️YouTube)
• 🤖 数据挖掘智能体： 迭代式地提出数据与模型方案（🎥演示视频 1|▶️YouTube)（🎥演示视频 2|▶️YouTube)，并通过从数据中获取知识来加以实现。
• 🦾 研究助手： 自动阅读科研论文（🎥演示视频|▶️YouTube) / 财务报告（🎥演示视频|▶️YouTube)，并据此实现模型结构或构建数据集。
• 🤖 Kaggle 智能体： 自动进行模型调优与特征工程（🎥演示视频即将发布...)，并在竞赛中加以应用以取得更好的成绩。
• …

您可以点击上方链接观看演示视频。我们正不断为该项目添加更多方法和场景，以优化您的研发流程并提升生产力。

此外，您还可以在我们的 🖥️ 实时演示 中查看更多示例。

⚡ 快速入门

RD-Agent 目前仅支持 Linux 系统。

您可以通过运行以下命令来尝试上述演示：

🐳 Docker 安装。

大多数场景的运行都需要先安装 Docker，请务必确保已正确安装。安装说明请参考 官方 🐳Docker 页面。 请确保当前用户无需使用 sudo 即可执行 Docker 命令。您可以通过运行 docker run hello-world 来验证这一点。

🐍 创建 Conda 环境

• 使用 Python 创建一个新的 Conda 环境（我们在 CI 测试中对 Python 3.10 和 3.11 进行了充分验证）：

  conda create -n rdagent python=3.10
  

• 激活该环境：

  conda activate rdagent
  

🛠️ 安装 R&D-Agent

对于普通用户

• 您可以直接从 PyPI 安装 R&D-Agent 包：

  pip install rdagent
  

对于开发者

• 如果您想体验最新版本或参与 RD-Agent 的开发，可以从源代码安装并按照开发环境配置步骤操作：

  git clone https://github.com/microsoft/RD-Agent
  cd RD-Agent
  make dev
  

更多详细信息请参阅 开发环境设置。

💊 健康检查

• rdagent 提供一项健康检查功能，目前主要检测两方面：
  • Docker 是否成功安装。
  • rdagent UI 所使用的默认端口是否已被占用。

  rdagent health_check --no-check-env
  

⚙️ 配置

• 本示例需要以下能力：

  • ChatCompletion
  • json_mode
  • embedding query

  您可以通过以下方式设置聊天模型和嵌入模型：

  🔥 注意：我们现在提供对 DeepSeek 模型的实验性支持！您可以使用 DeepSeek 的官方 API 进行经济高效且高性能的推理。请参阅下方的 DeepSeek 配置示例。

• 使用 LiteLLM（默认）：我们现在支持 LiteLLM 作为后端，以集成多个 LLM 提供商。您可以通过多种方式进行配置：

  选项 1：两种模型共用统一的 API 基础地址

  配置示例：OpenAI 设置：

  cat << EOF  > .env
  # 设置为 LiteLLM 支持的任意模型。
  CHAT_MODEL=gpt-4o 
  EMBEDDING_MODEL=text-embedding-3-small
  # 配置统一的 API 基础地址
  OPENAI_API_BASE=<your_unified_api_base>
  OPENAI_API_KEY=<replace_with_your_openai_api_key>
  

  配置示例：Azure OpenAI 设置：

  在使用此配置之前，请提前确认您的 Azure OpenAI API 密钥 是否支持 嵌入模型。

  cat << EOF  > .env
  EMBEDDING_MODEL=azure/<支持嵌入的模型部署名称>
  CHAT_MODEL=azure/<您的部署名称>
  AZURE_API_KEY=<replace_with_your_openai_api_key>
  AZURE_API_BASE=<your_unified_api_base>
  AZURE_API_VERSION=<azure api 版本>
  

  选项 2：聊天模型和嵌入模型分别使用不同的 API 基础地址

  cat << EOF  > .env
  # 设置为 LiteLLM 支持的任意模型。
  # 分别配置聊天和嵌入模型的 API 基础地址
  
  # 聊天模型：
  CHAT_MODEL=gpt-4o 
  OPENAI_API_BASE=<your_chat_api_base>
  OPENAI_API_KEY=<replace_with_your_openai_api_key>
  
  # 嵌入模型：
  # 以 Siliconflow 为例，您也可以使用其他提供商。
  # 注意：嵌入需要添加 litellm_proxy 前缀
  EMBEDDING_MODEL=litellm_proxy/BAAI/bge-large-en-v1.5
  LITELLM_PROXY_API_KEY=<replace_with_your_siliconflow_api_key>
  LITELLM_PROXY_API_BASE=https://api.siliconflow.cn/v1
  

  配置示例：DeepSeek 设置：

  由于许多用户在配置 DeepSeek 时会遇到错误，这里提供一个完整的 DeepSeek 配置示例：

  cat << EOF  > .env
  # 聊天模型：使用 DeepSeek 官方 API
  CHAT_MODEL=deepseek/deepseek-chat 
  DEEPSEEK_API_KEY=<replace_with_your_deepseek_api_key>
  
  # 嵌入模型：由于 DeepSeek 没有嵌入模型，因此使用 SiliconFlow 提供的嵌入服务。
  # 注意：嵌入需要添加 litellm_proxy 前缀
  EMBEDDING_MODEL=litellm_proxy/BAAI/bge-m3
  LITELLM_PROXY_API_KEY=<replace_with_your_siliconflow_api_key>
  LITELLM_PROXY_API_BASE=https://api.siliconflow.cn/v1
  

  注意：如果您使用的推理模型会在响应中包含思考过程（例如 <think> 标签），则需要设置以下环境变量：

  REASONING_THINK_RM=True
  

  如果您仅直接使用 OpenAI API 或 Azure OpenAI，也可以使用已弃用的后端。有关此弃用设置及更多配置信息，请参阅 文档。

• 如果您的环境配置已完成，请执行以下命令以检查配置是否有效。此步骤是必要的。

  rdagent health_check
  

🚀 运行应用

🖥️ 实时演示 由以下命令实现（每项代表一个演示，您可以选择自己喜欢的）：

• 运行 自动化量化交易与迭代因子模型联合进化：Qlib 自循环因子与模型方案及实现应用

  rdagent fin_quant
  

• 运行 自动化量化交易与迭代因子进化：Qlib 自循环因子方案及实现应用

  rdagent fin_factor
  

• 运行 自动化量化交易与迭代模型进化：Qlib 自循环模型方案及实现应用

  rdagent fin_model
  

• 运行 自动化量化交易与财报中因子提取：基于财务报表运行 Qlib 因子提取与实现应用

  # 1. 一般情况下，您可以通过以下命令运行此场景：
  rdagent fin_factor_report --report-folder=<您的财报文件夹路径>
  
  # 2. 具体来说，您需要先准备一些财务报表。可以按照以下具体示例操作：
  wget https://github.com/SunsetWolf/rdagent_resource/releases/download/reports/all_reports.zip
  unzip all_reports.zip -d git_ignore_folder/reports
  rdagent fin_factor_report --report-folder=git_ignore_folder/reports
  

• 运行 自动化模型研发协作助手：模型提取与实现应用

  # 1. 一般情况下，您可以通过以下命令运行自己的论文/报告：
  rdagent general_model <您的论文URL>
  
  # 2. 具体操作如下。更多详细信息和额外的论文示例，请使用 `rdagent general_model -h`：
  rdagent general_model  "https://arxiv.org/pdf/2210.09789"
  

• 运行 自动化医学预测模型进化：医学自循环模型方案及实现应用

  # 一般情况下，您可以通过以下命令运行数据科学项目：
  rdagent data_science --competition <您的竞赛名称>
  
  # 具体来说，您需要创建一个用于存放竞赛文件的文件夹（例如竞赛说明文件、竞赛数据集等），并在环境中配置该文件夹的路径。此外，在下载竞赛说明时，您还需要使用 chromedriver，具体操作可参考以下示例：
  
  # 1. 下载数据集，并将其解压到目标文件夹。
  wget https://github.com/SunsetWolf/rdagent_resource/releases/download/ds_data/arf-12-hours-prediction-task.zip
  unzip arf-12-hours-prediction-task.zip -d ./git_ignore_folder/ds_data/
  
  # 2. 在 `.env` 文件中配置环境变量
  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
  
  # 3. 运行应用
  rdagent data_science --competition arf-12-hours-prediction-task
  

  注意：有关数据集的更多信息，请参阅 文档。

• 运行 自动化 Kaggle 模型调优与特征工程：自循环模型方案及特征工程实现应用
  

  以 tabular-playground-series-dec-2021 为例。
  

  1. 在 Kaggle 网站上注册并登录。
     
  2. 配置 Kaggle API。
     (1) 点击头像（通常位于页面右上角）-> Settings -> Create New Token，会下载一个名为 kaggle.json 的文件。
     (2) 将 kaggle.json 移动到 ~/.config/kaggle/。
     (3) 修改 kaggle.json 文件的权限。参考命令：chmod 600 ~/.config/kaggle/kaggle.json。
     
  3. 加入竞赛：在 竞赛详情页 底部点击 Join the competition -> I Understand and Accept。

  # 一般情况下，您可以通过以下命令运行 Kaggle 竞赛程序：
  rdagent data_science --competition <您的竞赛名称>
  
  # 1. 在 `.env` 文件中配置环境变量
  mkdir -p ./git_ignore_folder/ds_data
  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 True
  dotenv set DS_SAMPLE_DATA_BY_LLM True
  dotenv set DS_SCEN rdagent.scenarios.data_science.scen.KaggleScen
  
  # 2. 运行应用
  rdagent data_science --competition tabular-playground-series-dec-2021
  

🖥️ 监控应用结果

Streamlit UI

使用 Streamlit UI 查看运行日志，尤其是 data_science 场景的日志。

rdagent ui --port 19899 --log-dir <您的日志文件夹，如 "log/"> --data-science

关于 data_science 参数：如果您想查看数据科学场景的日志，请将 data_science 参数设置为 True；否则设置为 False。

Web UI

我们还在 web/ 中提供了一个独立的 Web 前端，用于由 server_ui 启动的 Flask 后端。

注意：此 Web UI 与 rdagent ui 不同。目前的 Web UI 尚不支持 data_science 场景。对于 data_science 场景，请继续使用 rdagent ui --data-science。

cd web
npm install

为了构建 Flask 后端的前端，将静态资源生成到 server_ui 默认使用的目录中：

cd web
npm run build:flask

默认情况下，server_ui 会从 ./git_ignore_folder/static 提供静态文件。如果您需要其他位置，请在启动后端之前设置 UI_STATIC_PATH 环境变量。

启动 Flask 后端，并将构建好的前端与实时 API 一起提供：

rdagent server_ui --port 19899

之后，在浏览器中打开 http://127.0.0.1:19899。

常见注意事项

上述示例中使用了端口 19899。在启动任何 UI 之前，请检查该端口是否已被占用。如果已被占用，请更换为其他可用端口。

您可以通过运行以下命令来检查端口是否被占用：

rdagent health_check --no-check-env --no-check-docker

🏭 场景

我们已将 R&D-Agent 应用于多个有价值的以数据驱动的工业场景。

🎯 目标：数据驱动研发的智能体

在本项目中，我们的目标是构建一个用于自动化数据驱动研发的智能体，它能够：

• 📄 阅读真实世界中的材料（报告、论文等），并提取关键公式、感兴趣的特征和模型的描述，这些正是数据驱动研发的核心组成部分。
• 🛠️ 将提取出的公式（如特征、因子和模型）实现为可运行的代码。
  • 由于大语言模型一次性实现的能力有限，我们将构建一个演进式流程，使智能体能够通过学习反馈和知识不断提升性能。
• 💡 基于现有知识和观察提出新想法。

📈 场景/演示

在数据驱动场景的两个关键领域——模型实现和数据构建——我们的系统旨在扮演两种主要角色：🦾协作助手和🤖智能体。

• 🦾协作助手会根据人类指令自动执行重复性任务。
• 🤖智能体则更具自主性，能够主动提出改进方案，以获得更好的结果。

支持的场景如下：

场景/目标	模型实现	数据构建
💹 金融	🤖 迭代提出想法并演进▶️YouTube	🤖 迭代提出想法并演进 ▶️YouTube 🦾 自动阅读报告并实现▶️YouTube
🩺 医疗	🤖 迭代提出想法并演进▶️YouTube	-
🏭 通用	🦾 自动阅读论文并实现▶️YouTube 🤖 自动Kaggle模型调优	🤖自动Kaggle特征工程

• 路线图：目前，我们正努力为Kaggle场景添加新功能。

不同场景的入口和配置有所不同。请参阅场景文档中的详细设置教程。

这里提供一组成功探索案例（其中5个案例可在**🖥️在线演示**中查看）。您可以使用文档中的此命令下载并查看执行轨迹。

更多场景详情，请参阅**📖readthedocs_scen**。

⚙️ 框架

自动化数据科学领域的研发过程是一项极具价值但尚未充分开发的课题。我们提出了一套框架，旨在推动这一重要研究领域的边界。

该框架下的研究问题可分为三大类：

研究领域	论文/工作列表
评估研发能力	基准测试
想法提出： 探索新思路或优化现有思路	研究
实现能力： 将想法付诸实践并执行	开发

我们认为，提供高质量解决方案的关键在于不断进化研发能力。智能体应像人类专家一样学习，持续提升其研发技能。

更多文档请参见**📖 readthedocs**。

📃 论文/工作列表

总体技术报告

• R&D-Agent：迈向自主数据科学的大语言模型智能体框架

@misc{yang2025rdagentllmagentframeworkautonomous,
      title={R&D-Agent: An LLM-Agent Framework Towards Autonomous Data Science}, 
      author={Xu Yang and Xiao Yang and Shikai Fang and Yifei Zhang and Jian Wang and Bowen Xian and Qizheng Li and Jingyuan Li and Minrui Xu and Yuante Li and Haoran Pan and Yuge Zhang and Weiqing Liu and Yelong Shen and Weizhu Chen and Jiang Bian},
      year={2025},
      eprint={2505.14738},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2505.14738}, 
}

📊 基准测试

• 迈向以数据为中心的自动化研发

@misc{chen2024datacentric,
    title={Towards Data-Centric Automatic R&D},
    author={Haotian Chen and Xinjie Shen and Zeqi Ye and Wenjun Feng and Haoxue Wang and Xiao Yang and Xu Yang and Weiqing Liu and Jiang Bian},
    year={2024},
    eprint={2404.11276},
    archivePrefix={arXiv},
    primaryClass={cs.AI}
}

🔍 研究

在数据挖掘专家的日常研发过程中，他们会提出假设（例如，RNN这样的模型结构可以捕捉时间序列数据中的模式）、设计实验（比如金融数据包含时间序列，可以在该场景下验证假设）、将实验转化为代码实现（如PyTorch模型结构），然后执行代码以获取反馈（如指标、损失曲线等）。专家们会根据反馈进行调整，并在下一轮迭代中改进。

基于上述原则，我们建立了一个基础方法框架，能够持续提出假设、验证假设，并从实际应用中获取反馈。这是首个支持与现实验证相结合的科学研究自动化框架。

欲了解更多详情，请访问我们的**🖥️在线演示页面**。

🛠️ Development

• Collaborative Evolving Strategy for Automatic Data-Centric Development

@misc{yang2024collaborative,
    title={Collaborative Evolving Strategy for Automatic Data-Centric Development},
    author={Xu Yang and Haotian Chen and Wenjun Feng and Haoxue Wang and Zeqi Ye and Xinjie Shen and Xiao Yang and Shizhao Sun and Weiqing Liu and Jiang Bian},
    year={2024},
    eprint={2407.18690},
    archivePrefix={arXiv},
    primaryClass={cs.AI}
}

Deep Application in Diverse Scenarios

• R&D-Agent-Quant: A Multi-Agent Framework for Data-Centric Factors and Model Joint Optimization

@misc{li2025rdagentquantmultiagentframeworkdatacentric,
      title={R&D-Agent-Quant: A Multi-Agent Framework for Data-Centric Factors and Model Joint Optimization}, 
      author={Yuante Li and Xu Yang and Xiao Yang and Minrui Xu and Xisen Wang and Weiqing Liu and Jiang Bian},
      year={2025},
      eprint={2505.15155},
      archivePrefix={arXiv},
      primaryClass={q-fin.CP},
      url={https://arxiv.org/abs/2505.15155}, 
}

🤝 Contributing

We welcome contributions and suggestions to improve R&D-Agent. Please refer to the Contributing Guide for more details on how to contribute.

Before submitting a pull request, ensure that your code passes the automatic CI checks.

📝 Guidelines

This project welcomes contributions and suggestions. Contributing to this project is straightforward and rewarding. Whether it's solving an issue, addressing a bug, enhancing documentation, or even correcting a typo, every contribution is valuable and helps improve R&D-Agent.

To get started, you can explore the issues list, or search for TODO: comments in the codebase by running the command grep -r "TODO:".

Before we released R&D-Agent as an open-source project on GitHub, it was an internal project within our group. Unfortunately, the internal commit history was not preserved when we removed some confidential code. As a result, some contributions from our group members, including Haotian Chen, Wenjun Feng, Haoxue Wang, Zeqi Ye, Xinjie Shen, and Jinhui Li, were not included in the public commits.

⚖️ Legal disclaimer

The RD-agent is provided “as is”, without warranty of any kind, express or implied, including but not limited to the warranties of merchantability, fitness for a particular purpose and noninfringement. The RD-agent is aimed to facilitate research and development process in the financial industry and not ready-to-use for any financial investment or advice. Users shall independently assess and test the risks of the RD-agent in a specific use scenario, ensure the responsible use of AI technology, including but not limited to developing and integrating risk mitigation measures, and comply with all applicable laws and regulations in all applicable jurisdictions. The RD-agent does not provide financial opinions or reflect the opinions of Microsoft, nor is it designed to replace the role of qualified financial professionals in formulating, assessing, and approving finance products. The inputs and outputs of the RD-agent belong to the users and users shall assume all liability under any theory of liability, whether in contract, torts, regulatory, negligence, products liability, or otherwise, associated with use of the RD-agent and any inputs and outputs thereof.

RD-Agent 快速上手指南

RD-Agent 是由微软开源的自动化研发智能体框架，专注于数据驱动场景（如量化交易、Kaggle 竞赛、数据挖掘），能够自动提出新想法（Research）并实现代码落地（Development）。目前该工具在 MLE-bench 基准测试中表现优异。

1. 环境准备

系统要求：

• 操作系统：目前仅支持 Linux 系统。
• Docker：必须安装 Docker 并确保当前用户无需 sudo 即可运行 Docker 命令。
  • 验证方法：执行 docker run hello-world 确认安装成功且权限正常。
  • 安装参考：Docker 官方文档
• Python 版本：推荐 Python 3.10 或 3.11（已在 CI 中充分测试）。
• Conda：建议使用 Conda 管理虚拟环境。

前置依赖检查： 确保已安装 Git 和 Make（用于开发者模式安装）。

2. 安装步骤

第一步：创建 Conda 环境

conda create -n rdagent python=3.10
conda activate rdagent

第二步：安装 RD-Agent

方式 A：普通用户（推荐） 直接从 PyPI 安装稳定版：

pip install rdagent

💡 国内加速建议：如遇下载缓慢，可使用清华或阿里镜像源：

pip install rdagent -i https://pypi.tuna.tsinghua.edu.cn/simple

方式 B：开发者（获取最新功能） 从源码安装以便贡献代码或体验最新特性：

git clone https://github.com/microsoft/RD-Agent
cd RD-Agent
make dev

第三步：健康检查

安装完成后，运行以下命令检查 Docker 状态及端口占用情况：

rdagent health_check --no-check-env

3. 基本使用

配置模型

RD-Agent 依赖大语言模型（LLM）进行推理，默认支持 LiteLLM 后端，可对接多种模型提供商。在使用前需配置 Chat 模型和 Embedding 模型。

你需要设置环境变量或配置文件以启用以下能力：

• ChatCompletion
• json_mode
• embedding query

(注：具体配置方式请参考官方文档中关于 LiteLLM 的设置指南)

运行示例

配置完成后，你可以尝试运行内置的演示场景。例如，启动量化因子挖掘或 Kaggle 竞赛代理：

# 示例：运行特定场景（具体场景名称请参考文档）
rdagent run --scenario quant_agent_fin

监控与可视化

RD-Agent 提供了 Web UI 用于实时交互和查看运行轨迹：

rdagent server_ui

启动后，访问浏览器即可查看任务进度、日志及生成的代码结果。

---

更多详细场景（如 Data Science Agent, Quant Agent）及高级配置，请参阅 官方文档。