RD-Agent：微软自动化研发智能体完全指南

一、项目概述

1.1 什么是 RD-Agent

RD-Agent（Research & Development Agent）是微软研究院开源的自动化研发智能体框架，专注于数据驱动场景的模型和数据的自动化开发。框架核心设计理念是**“R"代表提出新想法，“D"代表实现它们**，通过自动化的研究循环推动具有工业价值的技术创新。

1.2 关键数据

1.3 核心定位

RD-Agent 致力于自动化工业研发中最关键和最有价值的环节：

• 数据驱动：从真实材料（报告、论文等）中提取关键公式和特征
• 自动化循环：提出想法 → 实现 → 验证 → 改进
• 端到端：覆盖从研究到落地的完整流程

二、MLE-Bench 最强选手

2.1 MLE-Bench 是什么

MLE-Bench 是 OpenAI 发布的基准测试，评估 AI 智能体在 75 个 Kaggle 竞赛上的机器学习工程能力，涵盖真实世界的 ML 工程场景。

2.2 RD-Agent 性能

RD-Agent 在 MLE-Bench 上稳居榜首：

o3(R)+GPT-4.1(D) 版本的特殊设计：用 Research Agent (o3) 与 Development Agent (GPT-4.1) 协同，在降低成本的同时提升效率。

难度分级标准（MLE-Bench）：

• Low=Lite：资深 ML 工程师可在 2 小时内完成（不含模型训练）
• Medium：需要 2-10 小时
• High：需要 10 小时以上

2.3 详细运行记录

三、RD-Agent(Q)：智能量化交易

3.1 核心定位

RD-Agent(Q) 是首个数据中心的量化多智能体框架，通过协同的因子-模型联合优化，自动化量化策略的全栈研发和交易。

3.2 核心性能

3.3 交替优化

RD-Agent(Q) 采用交替因子-模型优化：

• 因子优化：发现对预测更有价值的新因子
• 模型优化：基于新因子优化预测模型
• 协同增强：两者相互促进，实现更优的准确性和鲁棒性平衡

四、核心架构

4.1 目录结构

RD-Agent/
├── rdagent/              # 核心智能体代码
│   └── rdagent/         # 主要包
├── constraints/          # 约束配置
├── docs/                # 文档
├── test/                # 测试
├── web/                 # Web 前端
├── .streamlit/          # Streamlit 配置
├── .devcontainer/       # 开发容器
├── requirements/         # 依赖
└── pyproject.toml       # 项目配置

4.2 核心模块

五、快速开始

5.1 系统要求

⚠️ RD-Agent 目前仅支持 Linux 系统

5.2 Docker 安装（推荐）

# 确保 Docker 已安装
docker run hello-world

# 创建 conda 环境
conda create -n rdagent python=3.10
conda activate rdagent

# 安装 RD-Agent
pip install rdagent

# 健康检查
rdagent health_check --no-check-env

5.3 从源码安装（开发者）

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

六、配置设置

6.1 必需的模型能力

6.2 使用 LiteLLM 后端（默认）

LiteLLM 是默认后端，支持接入多个 LLM 提供商。

配置示例：OpenAI

cat << EOF > .env
CHAT_MODEL=gpt-4o
EMBEDDING_MODEL=text-embedding-3-small
OPENAI_API_BASE=<your_unified_api_base>
OPENAI_API_KEY=<your_openai_api_key>
EOF

配置示例：Azure OpenAI

cat << EOF > .env
EMBEDDING_MODEL=azure/<Model deployment>
CHAT_MODEL=azure/<your deployment name>
AZURE_API_KEY=<your_key>
AZURE_API_BASE=<your_base>
AZURE_API_VERSION=<api_version>
EOF

配置示例：DeepSeek

cat << EOF > .env
# 使用 DeepSeek 官方 API
CHAT_MODEL=deepseek/deepseek-chat
DEEPSEEK_API_KEY=<your_key>

# 嵌入使用 SiliconFlow（DeepSeek 无嵌入模型）
EMBEDDING_MODEL=litellm_proxy/BAAI/bge-m3
LITELLM_PROXY_API_KEY=<your_siliconflow_key>
LITELLM_PROXY_API_BASE=https://api.siliconflow.cn/v1
EOF

6.3 推理模型配置

如果使用包含思考过程（<think> 标签）的推理模型，需要设置：

REASONING_THINK_RM=True

七、应用场景

7.1 量化交易场景

因子与模型联合优化

rdagent fin_quant

因子迭代优化

rdagent fin_factor

模型迭代优化

rdagent fin_model

财报因子提取

# 准备财报数据
wget https://github.com/SunsetWolf/rdagent_resource/releases/download/reports/all_reports.zip
unzip all_reports.zip -d git_ignore_folder/reports

# 运行
rdagent fin_factor_report --report-folder=git_ignore_folder/reports

7.2 数据科学场景

医学预测模型

# 下载数据集
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

# 运行
rdagent data_science --competition arf-12-hours-prediction-task

7.3 Kaggle 竞赛

# 1. 配置 Kaggle API
# (1) 创建 API Token: Settings → Create New Token → 下载 kaggle.json
# (2) 移动到 ~/.config/kaggle/
# (3) 修改权限: chmod 600 ~/.config/kaggle/kaggle.json

# 2. 加入竞赛
# 访问 Kaggle 竞赛页面点击 Join Competition

# 3. 运行
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

rdagent data_science --competition tabular-playground-series-dec-2021

7.4 研究助手

模型研究

rdagent general_model <paper_url>

# 示例
rdagent general_model "https://arxiv.org/pdf/2210.09789"

八、监控界面

8.1 Streamlit UI

适用于查看 data_science 场景的运行日志：

rdagent ui --port 19899 --log-dir log/ --data-science

8.2 Web UI

独立的 Web 前端：

cd web
npm install
npm run build:flask  # 为 Flask 后端构建

# 启动
rdagent server_ui --port 19899
# 访问 http://127.0.0.1:19899

8.3 端口检查

如果端口被占用，使用健康检查：

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

九，技术架构

9.1 Agent 设计

9.2 循环机制

Research → Develop → Verify → (迭代)
    ↑                        ↓
    ←←←←←←←←←←←←←←←←←←←←←

9.3 后端支持

十，最佳实践

10.1 环境配置

10.2 量化交易建议

10.3 Kaggle 竞赛建议

十一、常见问题

Q1: RD-Agent 支持 Windows 或 macOS 吗？

目前仅支持 Linux 系统。

Q2: 如何选择 LLM 后端？

推荐使用 LiteLLM 后端，支持 OpenAI、Azure、DeepSeek 等多个提供商。

Q3: MLE-bench 上 RD-Agent 的优势是什么？

通过 Research Agent 和 Development Agent 的分工协作，RD-Agent 能在复杂 ML 工程任务上取得领先成绩。

Q4: RD-Agent(Q) 的成本如何？

在低于 $10 的成本下，RD-Agent(Q) 能实现比基准因子库高 2 倍的 ARR。

十二、项目信息

相关链接

💻 GitHub：microsoft/RD-Agent

🖥️ 在线演示：rdagent.azurewebsites.net

📖 文档：rdagent.readthedocs.io

📄 论文：arXiv

🎥 演示视频：YouTube