RD-Agent at Qlib configuration

Magtalaga ng magkahiwalay na responsibilidad sa RD-Agent at Qlib

Gamitin ang RD-Agent sa pagbuo at pag-revise ng research implementation, at ang Qlib sa pagpapatakbo ng configured quantitative workflow. Maaaring magmungkahi ng hypothesis, magsulat ng code, at mag-interpret ng feedback ang model call ng agent. Hinahawakan ng Qlib ang sarili nitong data, training, at evaluation sa experiment environment. Isang dependency lamang ang nalulutas ng model API key. Bago mag-setup, piliin ang partikular na RD-Agent scenario, i-pin ang project revision, at tukuyin ang dataset at evaluation boundary. Pinananatili nitong hiwalay ang paghahanda ng environment sa mga research decision na gagawin ng agent.

I-configure ang chat at embedding sa documented backend

Sa nasuring revision 32b3d395, dinodokumento ng .env.example ng RD-Agent ang LiteLLM backend, chat model, at OpenAI-compatible base, kasama ang hiwalay na proxy-prefixed embedding route. Ipinapaloob ng shell template sa ibaba ang application-owned model slot sa mga documented field na iyon. Pumili ng kasalukuyang chat model matapos suriin ang capability nito. Dapat tumukoy ang EMBEDDING_BASE_URL at EMBEDDING_MODEL_ID sa hiwalay na available na embedding service; huwag ipagpalagay na nagbibigay nito ang chat gateway. Ibigay ang parehong credential sa environment at gamitin ang documented startup command ng scenario para sa naka-pin mong version.

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.

Hiwalay na i-validate ang dalawang model capability

Suriin kung kayang isagawa ng napiling chat client ang response format at tool behavior na kailangan ng scenario. Suriin sa embedding ang nonempty vector, pare-parehong dimension, at stable model identity. Maaaring mangailangan ng muling pagbuo ng stored vector ang pagpapalit ng embedding model; hindi nabe-validate ng matagumpay na chat response ang retrieval. Chat route lamang ang ipinapakita ng source-backed diagram. Pinipili ng LiteLLM provider prefix ang client behavior at hindi ito kinakailangang model ID na nakikita ng endpoint, kaya panatilihin ang configured value at resolved request identity.

Ihanda ang quantitative environment bago ang agent loop

I-verify ang dataset, Python environment, at pinahihintulutang execution container gamit ang maliit na deterministic check. Para sa international research, ihanay ang dataset region, market calendar, at instrument universe sa nilalayong market. Sinusuportahan ng Qlib workflow documentation ang US region, ngunit hindi dapat kopyahin nang walang pagbabago ang example dataset at assumption nito sa ibang market. Kumpirmahin ang historical coverage, adjustment policy, at benchmark identity. Saka lamang paganahin ang agent na gumawa ng candidate code laban sa environment na iyon; kung hindi, maaaring paulit-ulit lamang na bumawi sa sirang data setup ang model revision.

Siyasatin nang magkakasama ang hypothesis, code, at feedback

Ipinapakita ng opisyal na RD-Agent illustration ang iterative research interface. Gamitin ang structure na iyon bilang paalala na panatilihin ang bawat hypothesis kasama ng implementation at feedback nito, sa halip na final report lamang ang i-save. Dapat malaman ng reviewer kung inayos ng agent ang software error, binago ang research question, o pumili ng ibang candidate matapos makita ang score. Panatilihing accessible ang tinanggihang experiment at ihiwalay ang tool output sa interpretasyon ng agent sa output na iyon.

Limitahan ang code execution at panatilihin ang independence ng evaluation

Patakbuhin ang generated code na may tahasang filesystem, network, at resource limit. I-mount lamang ang kailangang dataset at huwag ilantad ang hindi kaugnay na credential. I-freeze ang train, validation, at held-out evaluation window bago ang iterative development. Kung paulit-ulit na ibinabalik sa agent ang test feedback, itala na naging bahagi na ng development process ang test period. Dapat kasama sa experiment manifest ang source revision, code hash, data version, configuration, environment identity, at selection decision. Ginagawa nitong nakikita sa susunod na reviewer ang matagumpay na execution pati methodological failure.

Subaybayan ang cost at i-recover ang nabigong stage

Iugnay ang chat at embedding request ledger sa lokal na compute ledger gamit ang experiment ID. Hindi kinakailangang aktuwal na gateway charge ang LiteLLM cost estimate; i-reconcile ito sa naaangkop na billing record. Ihiwalay sa magkakaibang state ang model transport failure, vector-index mismatch, code exception, at nawawalang Qlib data. I-retry ang transient call sa loob ng budget at panatilihin ang code error para sa inspection. Iwasang i-restart ang buong loop kapag isang source artifact o model request lamang ang kailangang itama, at i-invalidate ang cache kapag nagbago ang kaugnay na model, code, o dataset.

Ebidensya at mga limitasyon

Sinuri ang environment field at backend behavior sa opisyal na source revision 32b3d395 noong September 5, 2026. Sinusunod ng Qlib invocation at responsibilidad ang opisyal nitong documentation. Walang project-client request, embedding result, o kumpletong RD-Agent/Qlib loop na isinagawa sa APIsRouter para sa guide na ito. Ang susunod na acceptance step ay limitadong scenario na may napanatiling input, request evidence, at numerical output.

Mga madalas itanong