RD-Agent 实战上手5 步完成环境部署并跑通首个 AI 自动化建模任务【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当你想把一个建模任务整包交给 AI让它自己提假设、写代码、跑实验、看反馈并迭代时你会需要 RD-AgentResearch and Development Agent。这是微软开源的研发自动化框架用 LLM 驱动假设—实验—开发—反馈的完整数据科学闭环。按下面的流程走完你能在本地部署好环境并亲手跑通第一个自动建模任务。它是什么能干什么RD-Agent 把研发过程拆成三个可进化角色Research提想法、Development实现代码、Feedback评估结果中间由 LLM 串起闭环。它执行生成代码的方式是丢进 Docker 容器里跑这样每轮实验的环境都干净、可复现。在 MLE-bench基于 75 个 Kaggle 竞赛数据集的机器学习工程基准上它的公开结果目前是领先档位方案组合简单档中等档困难档整体均值RD-Agent o3(R)GPT-4.1(D)51.52 ± 6.919.3 ± 5.526.67 ± 030.22 ± 1.5RD-Agent o1-preview48.18 ± 2.498.95 ± 2.3618.67 ± 2.9822.4 ± 1.1AIDE o1-previewMLE-bench 论文基线34.3 ± 2.48.8 ± 1.110.0 ± 1.916.9 ± 1.1数据来自项目 README 引用的 MLE-bench 榜单适合参考量级而非精确对比。也说下能力边界帮你判断该不该用它擅长有明确评价指标的迭代型任务——Kaggle 式竞赛、量化因子筛选、预测模型调优因为反馈信号能驱动进化它不擅长没有量化指标、靠主观判断的场景也不适合需要立刻上生产、要求零人工审查的合规流程。另外每轮迭代都真实消耗 LLM API 调用和时间跑一轮长竞赛要花真金白银先用小迭代次数验证再放开。动手前检查清单两档配置对照着确认最低4 核 CPU、16GB 内存、20GB 空闲磁盘Docker 镜像和运行日志会吃空间、已安装 Docker 与 Conda、Python 3.10 或 3.11仓库的constraints/目录按这两个版本锁定了依赖推荐8 核 CPU、32GB 内存、SSD 磁盘模型迭代和容器启动会明显更快网络必须能稳定访问你选定的 LLM API 服务如果你直连不了 OpenAI 系服务可以在配置里改用 DeepSeek 等 OpenAI 兼容供应商功能路径完全一致。部署流程步骤 1 安装 Docker 并放权给当前用户Docker 在这里是隔离运行环境RD-Agent 生成的代码全部在容器里执行避免和你本机 Python 版本、依赖互相污染。sudo apt-get update sudo apt-get install -y docker.io sudo usermod -aG docker $USER第二条命令是把当前用户加进 docker 组执行后需要注销并重新登录终端才生效。跑完应该看到docker run hello-world正常打印 Hello from Docker 的欢迎信息且过程不需要 sudo。步骤 2 建一个干净的 Python 环境项目只在 3.10/3.11 下锁定了依赖约束用 conda 隔离开最省心conda create -n rdagent python3.10 -y conda activate rdagent跑完应该看到终端提示符前出现(rdagent)python -V输出 3.10.x。步骤 3 安装 RD-Agent 本体普通使用直接装 PyPI 稳定版想跟最新场景特性就从源码装开发版# 稳定版 pip install rdagent # 开发版 git clone https://gitcode.com/GitHub_Trending/rd/RD-Agent cd RD-Agent make devmake dev对应 Makefile 里的dev目标会以可编辑模式安装并带上 docs/lint/test 等可选依赖。跑完应该看到rdagent --help能列出data_science、fin_factor、ui、health_check等子命令说明入口加载正常。步骤 4 写入 LLM 配置所有 LLM 相关设置都放在项目根目录的.env文件里以国内常用的 DeepSeek 方案为例cat EOF .env CHAT_MODELdeepseek/deepseek-chat DEEPSEEK_API_KEYsk-your-key EMBEDDING_MODELlitellm_proxy/BAAI/bge-m3 LITELLM_PROXY_API_KEYyour-siliconflow-key LITELLM_PROXY_API_BASEhttps://api.siliconflow.cn/v1 EOFAzure OpenAI 用户则把CHAT_MODEL写成azure/部署名并配上AZURE_API_BASE、AZURE_API_KEY、AZURE_API_VERSION与嵌入模型部署名即可。各行参数含义参数名作用示例/备注CHAT_MODEL主对话模型驱动假设、写码、反馈需带供应商前缀如deepseek/deepseek-chatDEEPSEEK_API_KEY对话模型的 API 密钥DeepSeek 官方控制台获取EMBEDDING_MODEL嵌入模型用于知识库检索等可复用任何 OpenAI 兼容嵌入服务LITELLM_PROXY_API_KEY嵌入服务的密钥嵌入走独立代理时必填LITELLM_PROXY_API_BASE嵌入服务的接口地址指向兼容 OpenAI 协议的 base URL步骤 5 ✅ 跑一次健康检查配置写没写对一条命令全验证rdagent health_check它会做三件事拉一个 hello-world 容器验证 Docker、检查 19899 端口Web 界面默认端口是否被占、真实调用一次对话和嵌入接口。跑完应该看到按顺序出现Docker 状态正常、19899 端口未被占用、Chat test passed和Embedding test passed。哪条不过就回到对应步骤排查——具体逻辑可以看 rdagent/app/utils/health_check.py。实战跑通第一个任务选数据科学场景里最典型的医学预测任务急性肾损伤 12 小时预测走一遍。准备数据把官方示例数据集下载并解压到git_ignore_folder/ds_data/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/配置数据路径告诉框架数据集在哪、用哪个场景类dotenv set DS_LOCAL_DATA_PATH $(pwd)/git_ignore_folder/ds_data dotenv set DS_SCEN rdagent.scenarios.data_science.scen.DataScienceScen前者指向刚解压的目录后者指定场景实现类源码在 rdagent/scenarios/data_science/。两条命令跑完dotenv会把键值写回.env并回显更新后的配置。启动任务rdagent data_science --competition arf-12-hours-prediction-task --step_n 1--step_n 1先只跑一轮确认链路通了再放开。跑成功长这样终端日志依次出现假设生成、代码生成、容器执行、评估反馈的段落log/目录下新建了一个__session__会话文件夹里面按步骤存了每轮产物。如果卡在容器执行阶段九成是步骤 1 的 Docker 权限没生效。看结果任务跑起来之后另开一个终端启动 Web 界面本质是 Streamlit 应用见 rdagent/app/cli.pyrdagent ui --port 19899 --log-dir log/ --data-science浏览器打开http://localhost:19899对着log/里的会话数据你能看到每一轮假设、生成的代码与执行日志模型指标随迭代轮次变化的曲线自动汇总的实验报告页避坑与调优端口 19899 被占用原因上一个 UI 实例没关或别的进程抢了这个默认端口。解法启动时换个端口即可rdagent ui --port 8080 --log-dir log/。LLM 调用失败原因通常是三类密钥失效或额度用完网络到不了 API 服务商公司网络下需要配代理模型名缺供应商前缀DeepSeek 必须写成deepseek/deepseek-chat这种形式。解法先手动 curl 或代码调一次 API 定位是哪一类再改.env重跑rdagent health_check验证。Docker 提示 permission denied原因当前用户对 Docker 套接字没有写权限。解法sudo chmod 666 /var/run/docker.sock或者回到步骤 1 确认 docker 组已生效需要重新登录。迭代策略的常用旋钮按需加在启动命令或.env里--step_n/--loop_n限制单次运行的步数/轮数首跑建议--step_n 1DS_CODER_ON_WHOLE_PIPELINETrue启用整条流水线的代码优化适合竞赛场景DS_IF_USING_MLE_DATATrue/False是否走 MLE-bench 竞赛数据本地数据集任务设False延伸学习docs/installation_and_configuration.rst安装与环境配置的完整版部署卡住先翻它docs/scens/data_science.rst数据科学场景详解含 MLE-bench 跑法准备打竞赛的看这篇rdagent/core/核心框架源码提案、实验、评估的抽象定义想改造流程或深入理解架构的看这里技术报告《RD-Agent: An LLM-Agent Framework Towards Autonomous Data Science》arXiv 2505.14738框架的设计动机与完整实验写方案或做汇报前值得通读把重复的建模循环交给它你只负责定义问题和验收结果。现在去建好环境跑通你的第一个自动化建模任务吧。【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 实战上手：5 步完成环境部署并跑通首个 AI 自动化建模任务
RD-Agent 实战上手5 步完成环境部署并跑通首个 AI 自动化建模任务【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当你想把一个建模任务整包交给 AI让它自己提假设、写代码、跑实验、看反馈并迭代时你会需要 RD-AgentResearch and Development Agent。这是微软开源的研发自动化框架用 LLM 驱动假设—实验—开发—反馈的完整数据科学闭环。按下面的流程走完你能在本地部署好环境并亲手跑通第一个自动建模任务。它是什么能干什么RD-Agent 把研发过程拆成三个可进化角色Research提想法、Development实现代码、Feedback评估结果中间由 LLM 串起闭环。它执行生成代码的方式是丢进 Docker 容器里跑这样每轮实验的环境都干净、可复现。在 MLE-bench基于 75 个 Kaggle 竞赛数据集的机器学习工程基准上它的公开结果目前是领先档位方案组合简单档中等档困难档整体均值RD-Agent o3(R)GPT-4.1(D)51.52 ± 6.919.3 ± 5.526.67 ± 030.22 ± 1.5RD-Agent o1-preview48.18 ± 2.498.95 ± 2.3618.67 ± 2.9822.4 ± 1.1AIDE o1-previewMLE-bench 论文基线34.3 ± 2.48.8 ± 1.110.0 ± 1.916.9 ± 1.1数据来自项目 README 引用的 MLE-bench 榜单适合参考量级而非精确对比。也说下能力边界帮你判断该不该用它擅长有明确评价指标的迭代型任务——Kaggle 式竞赛、量化因子筛选、预测模型调优因为反馈信号能驱动进化它不擅长没有量化指标、靠主观判断的场景也不适合需要立刻上生产、要求零人工审查的合规流程。另外每轮迭代都真实消耗 LLM API 调用和时间跑一轮长竞赛要花真金白银先用小迭代次数验证再放开。动手前检查清单两档配置对照着确认最低4 核 CPU、16GB 内存、20GB 空闲磁盘Docker 镜像和运行日志会吃空间、已安装 Docker 与 Conda、Python 3.10 或 3.11仓库的constraints/目录按这两个版本锁定了依赖推荐8 核 CPU、32GB 内存、SSD 磁盘模型迭代和容器启动会明显更快网络必须能稳定访问你选定的 LLM API 服务如果你直连不了 OpenAI 系服务可以在配置里改用 DeepSeek 等 OpenAI 兼容供应商功能路径完全一致。部署流程步骤 1 安装 Docker 并放权给当前用户Docker 在这里是隔离运行环境RD-Agent 生成的代码全部在容器里执行避免和你本机 Python 版本、依赖互相污染。sudo apt-get update sudo apt-get install -y docker.io sudo usermod -aG docker $USER第二条命令是把当前用户加进 docker 组执行后需要注销并重新登录终端才生效。跑完应该看到docker run hello-world正常打印 Hello from Docker 的欢迎信息且过程不需要 sudo。步骤 2 建一个干净的 Python 环境项目只在 3.10/3.11 下锁定了依赖约束用 conda 隔离开最省心conda create -n rdagent python3.10 -y conda activate rdagent跑完应该看到终端提示符前出现(rdagent)python -V输出 3.10.x。步骤 3 安装 RD-Agent 本体普通使用直接装 PyPI 稳定版想跟最新场景特性就从源码装开发版# 稳定版 pip install rdagent # 开发版 git clone https://gitcode.com/GitHub_Trending/rd/RD-Agent cd RD-Agent make devmake dev对应 Makefile 里的dev目标会以可编辑模式安装并带上 docs/lint/test 等可选依赖。跑完应该看到rdagent --help能列出data_science、fin_factor、ui、health_check等子命令说明入口加载正常。步骤 4 写入 LLM 配置所有 LLM 相关设置都放在项目根目录的.env文件里以国内常用的 DeepSeek 方案为例cat EOF .env CHAT_MODELdeepseek/deepseek-chat DEEPSEEK_API_KEYsk-your-key EMBEDDING_MODELlitellm_proxy/BAAI/bge-m3 LITELLM_PROXY_API_KEYyour-siliconflow-key LITELLM_PROXY_API_BASEhttps://api.siliconflow.cn/v1 EOFAzure OpenAI 用户则把CHAT_MODEL写成azure/部署名并配上AZURE_API_BASE、AZURE_API_KEY、AZURE_API_VERSION与嵌入模型部署名即可。各行参数含义参数名作用示例/备注CHAT_MODEL主对话模型驱动假设、写码、反馈需带供应商前缀如deepseek/deepseek-chatDEEPSEEK_API_KEY对话模型的 API 密钥DeepSeek 官方控制台获取EMBEDDING_MODEL嵌入模型用于知识库检索等可复用任何 OpenAI 兼容嵌入服务LITELLM_PROXY_API_KEY嵌入服务的密钥嵌入走独立代理时必填LITELLM_PROXY_API_BASE嵌入服务的接口地址指向兼容 OpenAI 协议的 base URL步骤 5 ✅ 跑一次健康检查配置写没写对一条命令全验证rdagent health_check它会做三件事拉一个 hello-world 容器验证 Docker、检查 19899 端口Web 界面默认端口是否被占、真实调用一次对话和嵌入接口。跑完应该看到按顺序出现Docker 状态正常、19899 端口未被占用、Chat test passed和Embedding test passed。哪条不过就回到对应步骤排查——具体逻辑可以看 rdagent/app/utils/health_check.py。实战跑通第一个任务选数据科学场景里最典型的医学预测任务急性肾损伤 12 小时预测走一遍。准备数据把官方示例数据集下载并解压到git_ignore_folder/ds_data/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/配置数据路径告诉框架数据集在哪、用哪个场景类dotenv set DS_LOCAL_DATA_PATH $(pwd)/git_ignore_folder/ds_data dotenv set DS_SCEN rdagent.scenarios.data_science.scen.DataScienceScen前者指向刚解压的目录后者指定场景实现类源码在 rdagent/scenarios/data_science/。两条命令跑完dotenv会把键值写回.env并回显更新后的配置。启动任务rdagent data_science --competition arf-12-hours-prediction-task --step_n 1--step_n 1先只跑一轮确认链路通了再放开。跑成功长这样终端日志依次出现假设生成、代码生成、容器执行、评估反馈的段落log/目录下新建了一个__session__会话文件夹里面按步骤存了每轮产物。如果卡在容器执行阶段九成是步骤 1 的 Docker 权限没生效。看结果任务跑起来之后另开一个终端启动 Web 界面本质是 Streamlit 应用见 rdagent/app/cli.pyrdagent ui --port 19899 --log-dir log/ --data-science浏览器打开http://localhost:19899对着log/里的会话数据你能看到每一轮假设、生成的代码与执行日志模型指标随迭代轮次变化的曲线自动汇总的实验报告页避坑与调优端口 19899 被占用原因上一个 UI 实例没关或别的进程抢了这个默认端口。解法启动时换个端口即可rdagent ui --port 8080 --log-dir log/。LLM 调用失败原因通常是三类密钥失效或额度用完网络到不了 API 服务商公司网络下需要配代理模型名缺供应商前缀DeepSeek 必须写成deepseek/deepseek-chat这种形式。解法先手动 curl 或代码调一次 API 定位是哪一类再改.env重跑rdagent health_check验证。Docker 提示 permission denied原因当前用户对 Docker 套接字没有写权限。解法sudo chmod 666 /var/run/docker.sock或者回到步骤 1 确认 docker 组已生效需要重新登录。迭代策略的常用旋钮按需加在启动命令或.env里--step_n/--loop_n限制单次运行的步数/轮数首跑建议--step_n 1DS_CODER_ON_WHOLE_PIPELINETrue启用整条流水线的代码优化适合竞赛场景DS_IF_USING_MLE_DATATrue/False是否走 MLE-bench 竞赛数据本地数据集任务设False延伸学习docs/installation_and_configuration.rst安装与环境配置的完整版部署卡住先翻它docs/scens/data_science.rst数据科学场景详解含 MLE-bench 跑法准备打竞赛的看这篇rdagent/core/核心框架源码提案、实验、评估的抽象定义想改造流程或深入理解架构的看这里技术报告《RD-Agent: An LLM-Agent Framework Towards Autonomous Data Science》arXiv 2505.14738框架的设计动机与完整实验写方案或做汇报前值得通读把重复的建模循环交给它你只负责定义问题和验收结果。现在去建好环境跑通你的第一个自动化建模任务吧。【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