RD-Agent ও Qlib configuration

RD-Agent ও Qlib-এর আলাদা responsibility দিন

Research implementation develop ও revise করতে RD-Agent, আর configured quantitative workflow execute করতে Qlib ব্যবহার করুন। Agent-এর model call hypothesis propose, code write ও feedback interpret করতে পারে। Qlib experiment environment-এ তার data, training ও evaluation handle করে। তাই model API key কেবল একটি dependency solve করে। Setup-এর আগে নির্দিষ্ট RD-Agent scenario বেছে নিন, project revision pin করুন এবং dataset ও evaluation boundary define করুন। এতে environment preparation agent যে research decision নেবে তার থেকে আলাদা থাকে।

Documented backend দিয়ে chat ও embedding configure করুন

Reviewed revision 32b3d395-এ RD-Agent .env.example LiteLLM backend, chat model ও OpenAI-compatible base এবং আলাদা proxy-prefixed embedding route document করে। নিচের shell template application-owned model slot-কে documented field-এ map করে। Capability check করার পরে current chat model বেছে নিন। EMBEDDING_BASE_URL ও EMBEDDING_MODEL_ID independently available embedding service-কে refer করবে; chat gateway একটি embedding service দেয় ধরে নেবেন না। Environment দিয়ে দুই credential supply করুন এবং pinned version-এর scenario-documented startup command ব্যবহার করুন।

export BACKEND=rdagent.oai.backend.LiteLLMAPIBackend
export OPENAI_API_BASE=https://api.apisrouter.com/v1
export CHAT_MODEL="openai/$RESEARCH_MODEL_ID"
# Set OPENAI_API_KEY securely for the chat endpoint.

export LITELLM_PROXY_API_BASE="$EMBEDDING_BASE_URL"
export EMBEDDING_MODEL="litellm_proxy/$EMBEDDING_MODEL_ID"
# Set LITELLM_PROXY_API_KEY securely for the embedding service.

দুই model capability independently validate করুন

Selected chat client scenario-এর required response format ও tool behavior করতে পারে কি না check করুন। Embedding-এর জন্য nonempty vector, consistent dimension ও stable model identity check করুন। Embedding model বদলালে stored vector rebuild লাগতে পারে; successful chat response retrieval validate করে না। Source-backed diagram কেবল proposed chat route দেখায়। LiteLLM provider prefix client behavior select করে এবং endpoint-এ দেখা model ID নাও হতে পারে, তাই configured value ও resolved request identity দুটোই রাখুন।

Agent loop-এর আগে quantitative environment প্রস্তুত করুন

ছোট deterministic check দিয়ে dataset, Python environment ও permitted execution container verify করুন। International research-এ dataset region, market calendar ও instrument universe intended market-এর সঙ্গে align করুন। Qlib workflow documentation US region support করে, কিন্তু অন্য market-এ তার example dataset ও assumption unchanged copy করা উচিত নয়। Historical coverage, adjustment policy ও benchmark identity confirm করুন। তারপরই agent-কে ওই environment-এর বিরুদ্ধে candidate code generate করতে দিন; না হলে repeated model revision কেবল broken data setup compensate করতে থাকবে।

Hypothesis, code ও feedback একসঙ্গে inspect করুন

Official RD-Agent illustration iterative research interface দেখায়। শুধু final report save না করে প্রতিটি hypothesis-কে তার implementation ও feedback-সহ সংরক্ষণের reminder হিসেবে এই structure ব্যবহার করুন। Reviewer যেন বুঝতে পারেন agent software error fix করেছে, research question বদলেছে নাকি score দেখার পরে অন্য candidate বেছে নিয়েছে। Rejected experiment available রাখুন এবং tool output agent-এর interpretation থেকে আলাদা করুন।

Code execution bound করুন এবং evaluation independence রাখুন

Explicit filesystem, network ও resource limit-সহ generated code run করুন। শুধু required dataset mount করুন এবং unrelated credential expose করবেন না। Iterative development-এর আগে train, validation ও held-out evaluation window freeze করুন। Test feedback বারবার agent-এ ফেরত গেলে record করুন যে test period development process-এর অংশ হয়ে গেছে। Experiment manifest-এ source revision, code hash, data version, configuration, environment identity ও selection decision রাখুন। এতে successful execution ও methodological failure দুটোই পরের reviewer-এর কাছে দৃশ্যমান থাকে।

Cost track করুন এবং failed stage recover করুন

Experiment ID দিয়ে chat ও embedding request ledger-কে local compute ledger-এর সঙ্গে join করুন। LiteLLM cost estimate gateway-এর actual charge নাও হতে পারে; applicable billing record দিয়ে reconcile করুন। Model transport failure, vector-index mismatch, code exception ও missing Qlib data আলাদা state করুন। Budget-এর মধ্যে transient call retry করুন এবং code error inspection-এর জন্য রাখুন। শুধু একটি source artifact বা model request correction দরকার হলে পুরো loop restart করবেন না; relevant model, code বা dataset বদলালে cache invalidate করুন।

Evidence ও সীমা

Environment field ও backend behavior September 5, 2026-এ official source revision 32b3d395-এ review করা হয়েছে। Qlib invocation ও responsibility official documentation অনুসরণ করে। এই guide-এর জন্য APIsRouter দিয়ে কোনো project-client request, embedding result বা complete RD-Agent/Qlib loop execute করা হয়নি। পরের acceptance step হলো preserved input, request evidence ও numerical output-সহ bounded scenario।

সাধারণ প্রশ্ন