企业官网建设流程全解析

RD-Agent 新手快速上手：从环境到 Kaggle 实战

【免费下载链接】RD-AgentResearch and development (R&D) is crucial for the enhancement of industrial productivity, especially in the AI era, where the core aspects of R&D are mainly focused on data and models. We are committed to automating these high-value generic R&D processes through R&D-Agent, which lets AI drive>项目地址: https://gitcode.com/GitHub_Trending/rd/RD-Agent

如果你也想让 AI 替你跑数据科学实验和模型训练，RD-Agent 值得一试。它是一款 AI 驱动的研发自动化工具：你给它一个任务，它自己提出假设、写代码、在 Docker 里执行、根据结果反馈继续改进，整个过程不用你盯梢。很多新手卡在环境安装、模型配置这些"前置关卡"，还没跑通第一个任务就放弃了。这篇文章按一条完整路线带你走下来：看懂它是什么 → 十分钟搭好环境 → 配好模型 → 跑通第一个数据科学任务 → 打一场 Kaggle 比赛 → 用 UI 监控并学会排错。跟着做，一两个晚上就能让 RD-Agent 开始替你干活。🚀

先搞懂：RD-Agent 到底替你做什么

RD-Agent 的设计哲学是"R + D"双循环：Research 负责提想法，Development 负责把想法变成代码并跑起来，两者通过 Feedback 互相喂养。

注意中间那块 Application / Scenarios：同一套框架，可以指向金融、医疗、Kaggle 竞赛等不同场景。也就是说，你学会一次流程，后面换场景基本只是换配置。这也是为什么本文选"数据科学任务"作为首次实战——它是理解整个框架最快的入口。

环境搭建：Python 3.10 + Docker 是两道硬门槛

这部分是大多数人卡住的地方。RD-Agent 目前仅支持 Linux，且有两个硬性约束：

• Python：官方只充分测试过 3.10 和 3.11（依赖锁定在 constraints/ 目录里）。其他版本大概率在依赖解析阶段就失败。
• Docker：所有代码执行都发生在容器里，这是刻意为之——保证每次实验环境一致。

装好之后有一条自检命令，强烈建议跑一下，它会自动检查 Docker 是否可用、UI 默认端口是否被占用：

rdagent health_check --no-check-env

下面给出完整步骤（基于 conda，pip 直装用户可只保留克隆与pip install rdagent）：

# 1. 克隆仓库 git clone https://gitcode.com/GitHub_Trending/rd/RD-Agent cd RD-Agent # 2. 创建 Python 3.10 环境（3.11 同样可以） conda create -n rdagent python=3.10 conda activate rdagent # 3. 按开发者方式安装（会装上全部依赖） make dev # 4. 确认当前用户免 sudo 能跑 Docker docker run hello-world

🔍 一个高频坑：docker run hello-world报 permission denied，通常是当前用户不在 docker 组里。把用户加进 docker 组并重新登录后即可，这一步没做，后面所有场景都会失败。

环境就绪后，下一步只差"给 AI 装上大脑"——也就是配置模型。

一次配对的模型参数：.env 怎么写才不出错

RD-Agent 对大模型只要求三项能力：ChatCompletion、json_mode、embedding 查询。它默认走 LiteLLM 后端，所以 OpenAI、Azure、DeepSeek 等 20 多家服务商都能接。绝大多数"配置报错"都出在同一个点：聊天模型和嵌入模型来自不同供应商时，嵌入模型必须加litellm_proxy/前缀，并且单独给它配 key 和 base。

.env文件放在项目根目录（与pyproject.toml同级），加载优先级是：环境变量 > .env > 默认配置。下面是一份国内用户最常用的 DeepSeek 配置，可直接复制改 key：

# .env（DeepSeek 聊天 + SiliconFlow 嵌入） CHAT_MODEL=deepseek/deepseek-chat DEEPSEEK_API_KEY=<你的 DeepSeek API Key> # DeepSeek 没有嵌入模型，需走第三方，注意 litellm_proxy/ 前缀 EMBEDDING_MODEL=litellm_proxy/BAAI/bge-m3 LITELLM_PROXY_API_KEY=<你的 SiliconFlow API Key> LITELLM_PROXY_API_BASE=https://api.siliconflow.cn/v1

如果你用的是带思维链的推理模型（回复里有</think>之类的思考过程），再加一行REASONING_THINK_RM=True，否则解析会出问题。

写完后别急着跑任务，先验证配置本身：

rdagent health_check

它会真实调用你的 API 做连通性检查。这一步通过，前面的安装和配置才算闭环。更完整的参数说明在 docs/installation_and_configuration.rst。

第一次跑通：一个医疗预测数据科学任务

配置通了，我们来跑第一个真任务：arf-12-hours-prediction-task，一个基于临床时序数据预测重症患者 12 小时内是否发生急性呼吸衰竭的任务。官方已备好数据集结构，你可以对照 rdagent/scenarios/data_science/example/README.md 理解每个字段是干什么的。

# 1. 准备数据：下载示例数据集并解压到工作目录 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. 写数据相关的环境变量 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. 启动 rdagent data_science --competition arf-12-hours-prediction-task

启动后不用守着终端。RD-Agent 会进入"假设 → 实验 → 反馈"的自循环：每一轮它写代码、跑评估、根据失败原因提出下一轮改进。你的角色从"写代码的人"变成"看它干活的老板"。

跑通这个任务，你就完成了从 0 到 1。如果数据集想换成自己的，按上面那份 example README 的目录结构组织即可，无需改任何源码。

换个战场：接入一场 Kaggle 竞赛

和第一个任务几乎同款流程，区别只在 Kaggle 账号配置和几个开关。先做一次性准备：

1. 登录 Kaggle，头像 → Settings → Create New Token，下载kaggle.json；
2. 把它放到~/.config/kaggle/，并chmod 600 ~/.config/kaggle/kaggle.json；
3. 在网页上点击你要参赛的竞赛并同意条款（API 拉数据需要）。

然后改环境变量、跑同一类命令：

# Kaggle 场景环境变量 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 # 以官方示例竞赛为例 rdagent data_science --competition tabular-playground-series-dec-2021

从这张设计图可以看到 Kaggle 场景多了什么：它会用 Data Crawler 抓取竞赛描述与讨论区信息，维护一个跨竞赛的知识库，并把自动提交拿到的在线分数作为下一轮迭代的反馈。换比赛只需要换--competition参数——这正是"一次学会、处处复用"的体现。

监控结果与进阶：UI 看跑动，MCP 做协作

任务跑起来之后，两个观察入口都值得知道：

# Streamlit 日志界面（数据科学场景用这个） rdagent ui --port 19899 --log-dir log/ --data-science # 网页版前端（Flask 后端 + web/ 目录构建，暂不支持 data_science 场景） cd web && npm install && npm run build:flask rdagent server_ui --port 19899

19899 是默认端口，如果被占用，先跑rdagent health_check --no-check-env --no-check-docker确认，然后换个--port。

排错时建议按"由外到内"的顺序查，效率最高：

• API 相关报错→ 九成是.env里嵌入模型漏了litellm_proxy/前缀，或 key / base 配串了供应商；
• 容器启动失败→ 回到docker run hello-world，检查免 sudo 权限；
• 指标异常但没报错→ 打开 UI 看具体那一轮的工作区代码和 stdout，重点看特征是否缺失、标签格式是否对得上；
• 各轮次的完整记录都在log/目录，可以逐轮回溯。

等你跑顺之后，有两个进阶方向：

1. 论文变代码：把一篇论文的 URL 丢给它，rdagent general_model "https://arxiv.org/pdf/2210.09789"，它会自己读论文、实现模型、评估效果，实现代码在 rdagent/app/general_model/general_model.py；
2. 自定义训练流程与团队共享：数据科学的工作流组件在 rdagent/components/coder/data_science/workflow/，可以插入自己的预处理和集成策略；多人协作时，rdagent/components/agent/mcp/ 提供了 MCP 接入点，可以把实验结果同步到团队的 MCP 服务器。

回顾一下这条路线：环境十分钟配好（Python 3.10/3.11 + Docker）、.env一次配对、第一个数据科学任务跑通、Kaggle 换参复用、UI + 日志兜底排错。RD-Agent 的每个场景都是这条骨架的变体——学会一圈循环，剩下的就是换场景、换数据、换目标。有任何卡点，先看rdagent health_check的输出，再看log/里的轮次记录，比盲改配置快得多。

【免费下载链接】RD-AgentResearch and development (R&D) is crucial for the enhancement of industrial productivity, especially in the AI era, where the core aspects of R&D are mainly focused on data and models. We are committed to automating these high-value generic R&D processes through R&D-Agent, which lets AI drive>项目地址: https://gitcode.com/GitHub_Trending/rd/RD-Agent