wehub/microsoft--rd-agent

Fork 0

Files

T

wehub-resource-sync 2339e07b50

CI / dependabot (push) Has been cancelled

Details

Release / release_and_publish (push) Has been cancelled

Details

CI / ci (3.10) (push) Has been cancelled

Details

CI / ci (3.11) (push) Has been cancelled

Details

docs: make Chinese README the default

2026-07-13 10:45:38 +00:00

32 KiB

Raw Blame History

Note

本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
English · 原始项目 · 上游 README
原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。

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

📰 新闻

🗞️ 新闻	📝 说明
ICML 2026 录用	我们激动地宣布，论文 FT-Dojo: Towards Autonomous LLM Fine-Tuning with Language Agents 已被 ICML 2026 录用。FT-Agent 实现可在 LLM 微调指南中获取。
ACL 2026 Findings 录用	我们激动地宣布，论文 Reasoning as Gradient 已被 ACL 2026 Findings 录用。执行轨迹可在 Gome GPT-5 Traces 查看。
Web UI 发布	我们发布了新的前端，可通过 `rdagent server_ui` 构建并提供服务，用于实时交互与轨迹查看，目前不包含 `data_science` 场景。
NeurIPS 2025 录用	我们激动地宣布，论文 R&D-Agent-Quant 已被 NeurIPS 2025 录用
技术报告发布	MLE-bench 上的整体框架描述与结果
R&D-Agent-Quant 发布	将 R&D-Agent 应用于量化交易
MLE-Bench 结果发布	R&D-Agent 目前在 MLE-bench 上领先，是表现最佳的机器学习工程智能体
支持 LiteLLM 后端	我们现已全面支持 LiteLLM 作为默认后端，以便与多家 LLM 提供商集成。
通用数据科学智能体	Data Science Agent
Kaggle 场景发布	我们发布了 Kaggle Agent, 欢迎试用新功能！
官方微信群发布	我们创建了微信群，欢迎加入！（🗪二维码)
官方 Discord 发布	我们在 Discord 上开通了首个聊天频道（🗪)
首次发布	R&D-Agent 已在 GitHub 上发布

🏆 最佳机器学习工程智能体！

MLE-bench 是一个综合基准，用于评估 AI 智能体在机器学习工程任务上的表现。MLE-bench 利用来自 75 场 Kaggle 竞赛的数据集，对 AI 系统在真实 ML 工程场景中的能力进行稳健评估。

R&D-Agent 目前在 MLE-bench 上领先，是表现最佳的机器学习工程智能体：

智能体	Low == Lite (%)	Medium (%)	High (%)	All (%)
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

说明：

O3(R)+GPT-4.1(D)：该版本旨在缩短每轮循环的平均耗时，并通过将 Research Agent (o3) 与 Development Agent (GPT-4.1) 无缝集成，采用更具成本效益的后端 LLM 组合。
AIDE o1-preview：代表 MLE-bench 原始论文中报告的最佳公开结果。
R&D-Agent o1-preview 的平均值与标准差基于 5 个独立随机种子；R&D-Agent o3(R)+GPT-4.1(D) 基于 6 个种子。
根据 MLE-Bench，75 场竞赛按复杂度分为三个等级：Low==Lite 表示我们估计有经验的 ML 工程师可在 2 小时内（不含模型训练时间）给出合理方案；Medium 表示需要 2 至 10 小时；High 表示需要超过 10 小时。

你可以在线查看上述结果的详细运行记录。

要在 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多智能体量化框架！

面向量化金融的 R&D-Agent，简称 RD-Agent(Q)，是首个以数据为中心的多智能体框架，旨在通过因子与模型的协同优化，自动化量化策略的全栈研发。

在真实股票市场上的大量实验表明，RD-Agent(Q) 在成本低于 10 美元的情况下，相较基准因子库可实现约 2 倍更高的 ARR（年化收益率），同时使用的因子数量减少超过 70%。在更小的资源预算下，它也超越了最先进的深度时间序列模型。其交替进行的因子—模型优化进一步在预测精度与策略稳健性之间实现了出色权衡。

你可以通过论文了解更多关于 RD-Agent(Q) 的细节，并通过文档.进行复现

Data Science Agent 预览

查看我们的演示视频，了解正在开发中的 Data Science Agent 当前进展：

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

🌟 简介

R&D-Agent 旨在自动化工业研发（R&D）流程中最关键、最有价值的环节，我们从聚焦数据驱动场景入手，以简化模型与数据的开发流程。在方法论上，我们确定了一个包含两个关键组件的框架：「R」用于提出新想法，「D」用于实现这些想法。我们相信研发的自动演化将带来具有重大工业价值的解决方案。

研发是一个非常通用的场景。R&D-Agent 的出现可以助你实现：

💰 Automatic Quant Factory（自动量化工厂） (🎥Demo Video|▶️YouTube)
🤖 Data Mining Agent（数据挖掘智能体）： 迭代式提出数据与模型方案 (🎥Demo Video 1|▶️YouTube) (🎥Demo Video 2|▶️YouTube)，并通过从数据中获取知识来实现它们。
🦾 Research Copilot（研究副驾驶）： 自动阅读研究论文 (🎥Demo Video|▶️YouTube) / 财务报告 (🎥Demo Video|▶️YouTube)，并实现模型结构或构建数据集。
🤖 Kaggle Agent： 自动模型调优与特征工程 (🎥Demo Video Coming Soon...)，并在竞赛中实现它们以取得更好成绩。
🧪 FT-Agent： 面向基准测试驱动的领域适配的自主 LLM 微调。参见 LLM fine-tuning guide。
...

你可以点击上方链接观看演示。我们持续为项目添加更多方法与场景，以增强你的研发流程并提升生产力。

此外，你还可以更仔细地查看我们 🖥️ Live Demo. 中的示例

⚡ 快速开始

RD-Agent 目前仅支持 Linux。

你可以通过运行以下命令来试用上述演示：

🐳 Docker 安装

用户在尝试大多数场景之前，必须确保已安装 Docker。安装说明请参阅官方 🐳Docker 页面。确保当前用户可以在不使用 sudo 的情况下运行 Docker 命令。你可以通过执行 docker run hello-world 来验证这一点。

🐍 创建 Conda 环境

使用 Python 创建新的 conda 环境（我们的 CI 中已充分测试 3.10 和 3.11 版本）：
```
conda create -n rdagent python=3.10
```
激活环境：
```
conda activate rdagent
```

🛠️ 安装 R&D-Agent

面向用户

你可以直接从 PyPI 安装 R&D-Agent 包：
```
pip install rdagent
```

面向开发者

如果你想试用最新版本或为 RD-Agent 做贡献，可以从源码安装并按照开发环境配置进行设置：
```
git clone https://github.com/microsoft/RD-Agent
cd RD-Agent
make dev
```

更多细节请参阅开发环境配置.

💊 健康检查

rdagent 提供健康检查，目前会检查两项内容。
- docker 安装是否成功。
- rdagent ui 使用的默认端口是否被占用。
```
rdagent health_check --no-check-env
```

⚙️ 配置

演示需要以下能力：
- ChatCompletion
- json_mode
- embedding query
你可以通过以下方式设置 Chat Model 和 Embedding Model：

🔥 注意：我们现已为 DeepSeek 模型提供实验性支持！你可以使用 DeepSeek 官方 API 进行高性价比、高性能的推理。DeepSeek 配置示例见下文。

使用 LiteLLM（默认）：我们现已支持 LiteLLM 作为后端，以便与多个 LLM 提供商集成。你可以通过多种方式进行配置：

选项 1：为两个模型使用统一的 API base

配置示例：OpenAI Setup :

cat << EOF  > .env
# Set to any model supported by LiteLLM.
CHAT_MODEL=gpt-4o 
EMBEDDING_MODEL=text-embedding-3-small
# Configure unified API base
OPENAI_API_BASE=<your_unified_api_base>
OPENAI_API_KEY=<replace_with_your_openai_api_key>

配置示例：Azure OpenAI Setup :

在使用此配置之前，请事先确认你的 Azure OpenAI API key 支持 embedded models。

cat << EOF  > .env
EMBEDDING_MODEL=azure/<Model deployment supporting embedding>
CHAT_MODEL=azure/<your deployment name>
AZURE_API_KEY=<replace_with_your_openai_api_key>
AZURE_API_BASE=<your_unified_api_base>
AZURE_API_VERSION=<azure api version>

选项 2：为 Chat 和 Embedding 模型使用独立的 API base

cat << EOF  > .env
# Set to any model supported by LiteLLM.
# Configure separate API bases for chat and embedding

# CHAT MODEL:
CHAT_MODEL=gpt-4o 
OPENAI_API_BASE=<your_chat_api_base>
OPENAI_API_KEY=<replace_with_your_openai_api_key>

# EMBEDDING MODEL:
# TAKE siliconflow as an example, you can use other providers.
# Note: embedding requires litellm_proxy prefix
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 Setup :

由于许多用户在配置 DeepSeek 时会遇到配置错误，以下是一个完整可用的 DeepSeek 配置示例：

cat << EOF  > .env
# CHAT MODEL: Using DeepSeek Official API
CHAT_MODEL=deepseek/deepseek-chat 
DEEPSEEK_API_KEY=<replace_with_your_deepseek_api_key>

# EMBEDDING MODEL: Using SiliconFlow for embedding since deepseek has no embedding model.
# Note: embedding requires litellm_proxy prefix
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：如果你使用的是在响应中包含思考过程（例如 <think> 标签）的推理模型，需要设置以下环境变量：

REASONING_THINK_RM=True

如果你仅直接使用 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.

如果环境配置已完成，请执行以下命令检查配置是否有效。此步骤是必要的。
```
rdagent health_check
```

🚀 运行应用

🖥️ Live Demo 由以下命令实现（每一项代表一个演示，你可以选择你偏好的那一个）：

运行 Automated Quantitative Trading & Iterative Factors Model Joint Evolution（自动化量化交易与迭代因子模型联合演化）：Qlib 自循环因子与模型提出及实现应用
```
rdagent fin_quant
```
运行 自动化量化交易与迭代因子演化：Qlib 自循环因子提案与实现应用
```
rdagent fin_factor
```
运行 自动化量化交易与迭代模型演化：Qlib 自循环模型提案与实现应用
```
rdagent fin_model
```

运行 自动化量化交易与基于财务报告的因子提取：运行基于财务报告的 Qlib 因子提取与实现应用

# 1. 通常，你可以使用以下命令运行该场景：
rdagent fin_factor_report --report-folder=<Your financial reports folder path>

# 2. 具体来说，你需要先准备一些财务报告。你可以参考以下具体示例：
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 Copilot：模型提取与实现应用

# 1. 通常，你可以使用以下命令运行自己的论文/报告：
rdagent general_model <Your paper URL>

# 2. 具体来说，你可以这样做。更多详情和其他论文示例，请参阅 `rdagent general_model -h`：
rdagent general_model  "https://arxiv.org/pdf/2210.09789"

运行 自动化医学预测模型演化：医学自循环模型提案与实现应用

# 通常，你可以使用以下命令运行数据科学程序：
rdagent data_science --competition <your competition name>

# 具体来说，你需要创建一个文件夹来存放竞赛文件（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路径。此外，下载竞赛描述信息时需要使用 chromedriver，你可以参考以下具体示例：

# 1. 下载数据集，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：自循环模型提案与特征工程实现应用

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

在 Kaggle 网站上注册并登录。

配置 Kaggle API。
(1) 点击头像（通常在页面右上角）-> Settings -> Create New Token，将下载名为 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

加入竞赛：在竞赛详情页. 底部点击 Join the competition -> I Understand and Accept

# 通常，你可以使用以下命令运行 Kaggle 竞赛程序：
rdagent data_science --competition <your competition name>

# 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

运行 FT-Agent 自主 LLM 微调：一个 ICML 2026 LLM 微调场景，支持基于基准测试的数据处理、训练、评估以及反馈引导的优化。

# 查看完整设置、基准测试描述、数据集说明和示例：
# rdagent/app/finetune/llm/README.md
# 运行前请配置 FT_TARGET_BENCHMARK 和 FT_BENCHMARK_DESCRIPTION。
rdagent llm_finetune --base-model Qwen/Qwen2.5-7B-Instruct

🖥️ 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。

rdagent ui --port 19899 --log-dir <your log folder like "log/"> --data-science

关于 data_science 参数：若要查看数据科学场景的运行日志，请将 data_science 参数设置为 True；否则请设置为 False。

Web UI

我们还为 server_ui 启动的 Flask 后端在 web/ 中提供了独立的前端。

注意： 此 Web UI 与 rdagent ui 不同。当前的 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

要为 Flask 后端构建前端，请将静态资源生成到 server_ui 使用的默认目录：

cd web
npm run build:flask

默认情况下，server_ui 从 ./git_ignore_folder/static 提供静态文件。若需要使用其他位置，请在启动后端前设置 UI_STATIC_PATH 环境变量。

启动 Flask 后端，同时提供已构建的前端和实时 API：

rdagent server_ui --port 19899

然后，在浏览器中打开 http://127.0.0.1:19899。

通用说明

上述示例使用了端口 19899。在启动任一 UI 之前，请检查该端口是否已被占用。若已占用，请更换为其他可用端口。

你可以通过运行以下命令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数据驱动工业场景。

🎯 目标：面向数据驱动研发的 Agent

在本项目中，我们的目标是构建一个能够自动化数据驱动研发（Data-Driven R&D）的 Agent，它能够

📄 阅读真实世界的材料（报告、论文等），并提取关键公式、感兴趣的特征和模型描述，这些都是数据驱动研发的关键组成部分。
🛠️ 将提取的公式（例如特征、因子和模型）实现为可运行的代码。
- 由于 LLM 一次性实现的能力有限，构建一个演化流程，让 Agent 通过从反馈和知识中学习来提升性能。
💡 基于当前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中，我们的系统旨在承担两种主要角色：🦾Copilot 和 🤖Agent。

🦾Copilot 遵循人类指令，自动化重复性任务。
🤖Agent 更具自主性，会主动提出想法以在未来获得更好的结果。

支持的场景如下：

场景/目标	模型实现	数据构建
💹 金融	🤖 迭代提出想法与演化 ▶️YouTube	🤖 迭代提出想法与演化 ▶️YouTube 🦾 自动读取报告与实现 ▶️YouTube
🩺 医疗	🤖 迭代提出想法与演化 ▶️YouTube	-
🏭 通用	🦾 自动阅读论文与实现 ▶️YouTube 🤖 自动 Kaggle 模型调优	🤖 自动 Kaggle 特征工程

RoadMap: 目前，我们正在努力为 Kaggle 场景添加新功能。

不同场景的入口和配置各不相同。请参阅场景文档中的详细设置教程。

以下是成功案例集锦（展示了 5 条轨迹，详见 🖥️ Live Demo). 你可以使用文档中的这条命令下载并查看执行轨迹。

有关场景的更多详情，请参阅 📖readthedocs_scen。

⚙️ 框架

在工业界，自动化数据科学领域的研发（R&D）流程是一个极具价值但尚未被充分探索的方向。我们提出了一个框架，以推动这一重要研究领域的边界。

该框架内的研究问题可分为三大类：

研究领域	论文/工作列表
研发能力基准测试（Benchmark）	Benchmark
创意提案（Idea proposal）：探索新想法或完善现有想法	Research
实现创意的能力：将想法落地并执行	Development

我们相信，交付高质量解决方案的关键在于研发能力的持续演进。智能体（Agent）应像人类专家一样学习，不断提升自身的研发技能。

更多文档请参阅 📖 readthedocs.

📃 论文/工作列表

整体技术报告

R&D-Agent: An LLM-Agent Framework Towards Autonomous Data Science

@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（Benchmark）

Towards Data-Centric Automatic R&D

@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（Research）

在数据挖掘专家的日常研发过程中，他们会提出假设（例如，像 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（例如，金融数据包含时间序列，我们可以在此场景中验证该假设），将实验实现为代码（例如 PyTorch 模型结构），然后执行代码以获得反馈（例如指标、损失曲线等）。专家从反馈中学习，并在下一次迭代中改进。

基于上述原则，我们建立了一个基本方法框架，可持续提出假设、验证假设，并从真实世界的实践中获得反馈。这是首个支持与现实世界验证相衔接的科学研究自动化框架。

更多详情，请参阅我们的 🖥️ Live Demo page.

🛠️ 开发（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}
}

多样化场景中的深度应用

FT-Dojo: Towards Autonomous LLM Fine-Tuning with Language Agents

@misc{li2026ftdojo,
  title={FT-Dojo: Towards Autonomous LLM Fine-Tuning with Language Agents},
  author={Qizheng Li and Yifei Zhang and Xiao Yang and Xu Yang and Zhuo Wang and Weiqing Liu and Jiang Bian},
  year={2026},
  eprint={2603.01712},
  archivePrefix={arXiv},
  primaryClass={cs.AI},
  url={https://arxiv.org/abs/2603.01712}
}

本文中的自主 LLM 微调场景 FT-Agent，可通过 LLM 微调指南使用。

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}, 
}

Reasoning as Gradient: Scaling MLE Agents Beyond Tree Search

@article{zhang2026reasoning,
  title={Reasoning as Gradient: Scaling MLE Agents Beyond Tree Search},
  author={Zhang, Yifei and Yang, Xu and Yang, Xiao and Xian, Bowen and Li, Qizheng and Fang, Shikai and Li, Jingyuan and Wang, Jian and Xu, Mingrui and Liu, Weiqing and others},
  journal={arXiv preprint arXiv:2603.01692},
  year={2026}
}

你可以在线查看详细执行轨迹：Gome GPT-5 Traces.

🤝 贡献（Contributing）

我们欢迎贡献和建议，以改进 R&D-Agent。有关如何贡献的更多详情，请参阅贡献指南。

在提交拉取请求（pull request）之前，请确保你的代码通过了自动 CI 检查。

📝 指南（Guidelines）

本项目欢迎贡献和建议。为本项目做贡献既简单又富有成就感。无论是解决问题、修复 bug、改进文档，还是修正错别字，每一份贡献都很有价值，有助于改进 R&D-Agent。

要入门，你可以浏览 issue 列表，或通过运行命令 grep -r "TODO:" 在代码库中搜索 TODO: 注释。

在我们将 R&D-Agent 作为开源项目在 GitHub 上发布之前，它曾是我们组内的内部项目。遗憾的是，在移除部分保密代码时，内部提交历史未能保留。因此，部分组成员的贡献——包括 Haotian Chen、Wenjun Feng、Haoxue Wang、Zeqi Ye、Xinjie Shen 和 Jinhui Li——未能纳入公开提交记录。

⚖️ 法律免责声明

RD-agent 按“原样”提供，不作任何明示或暗示的保证，包括但不限于适销性、特定用途适用性和不侵权的保证。RD-agent 旨在促进金融行业的研发流程，并非可直接用于任何金融投资或建议。用户应针对具体使用场景独立评估和测试 RD-agent 的风险，确保负责任地使用 AI 技术，包括但不限于开发和整合风险缓解措施，并遵守所有适用司法管辖区的所有适用法律和法规。RD-agent 不提供金融意见，也不反映 Microsoft 的意见，且无意取代合格金融专业人员在制定、评估和批准金融产品方面的角色。RD-agent 的输入和输出归用户所有，用户应对与使用 RD-agent 及其任何输入和输出相关的一切责任理论下的全部责任负责，无论是合同、侵权、监管、过失、产品责任还是其他。

32 KiB Raw Blame History Unescape Escape

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

📰 新闻

🏆 最佳机器学习工程智能体！

🥇 首个以数据为中心的多智能体量化框架！

Data Science Agent 预览

🌟 简介

⚡ 快速开始

RD-Agent 目前仅支持 Linux。

🐳 Docker 安装

🐍 创建 Conda 环境

🛠️ 安装 R&D-Agent

面向用户

面向开发者

💊 健康检查

⚙️ 配置

🚀 运行应用

🖥️ 监控应用结果

Streamlit UI

Web UI

通用说明

🏭 场景

🎯 目标：面向数据驱动研发的 Agent

📈 场景/演示

⚙️ 框架

📃 论文/工作列表

整体技术报告

📊 基准测试（Benchmark）

🔍 研究（Research）

🛠️ 开发（Development）

多样化场景中的深度应用

🤝 贡献（Contributing）

📝 指南（Guidelines）

⚖️ 法律免责声明

32 KiB

Raw Blame History