Konfigurasi RD-Agent dan Qlib

Berikan tanggung jawab berbeda kepada RD-Agent dan Qlib

Gunakan RD-Agent untuk mengembangkan dan merevisi implementasi riset, dan Qlib untuk menjalankan alur kuantitatif yang dikonfigurasi. Panggilan model agen dapat mengusulkan hipotesis, menulis kode, dan menafsirkan umpan balik. Qlib menangani data, pelatihan, dan evaluasinya dalam lingkungan eksperimen. Karena itu, API key model hanya menyelesaikan satu dependensi. Sebelum setup, pilih skenario RD-Agent tertentu, pin revisi proyek, dan tentukan batas dataset serta evaluasi. Ini menjaga persiapan lingkungan tetap terpisah dari keputusan riset yang akan dibuat agen.

Konfigurasikan chat dan embedding melalui backend terdokumentasi

Pada revision 32b3d395 yang ditinjau, .env.example RD-Agent mendokumentasikan backend LiteLLM, model chat, dan base yang kompatibel dengan OpenAI, serta rute embedding berprafiks proxy terpisah. Template shell di bawah memetakan slot model milik aplikasi ke kolom terdokumentasi tersebut. Pilih model chat saat ini setelah memeriksa kapabilitasnya. EMBEDDING_BASE_URL dan EMBEDDING_MODEL_ID harus merujuk ke layanan embedding yang tersedia secara independen; jangan menganggap gateway chat menyediakannya. Pasok kedua credential melalui environment dan gunakan perintah startup yang terdokumentasi untuk versi yang dipin.

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.

Validasi dua kapabilitas model secara independen

Periksa apakah client chat terpilih dapat menjalankan format response dan perilaku tool yang diperlukan skenario. Periksa embedding untuk vector non-empty, dimensi konsisten, dan identitas model stabil. Mengubah model embedding dapat memerlukan pembangunan ulang vector tersimpan; response chat yang berhasil tidak memvalidasi retrieval. Diagram berbasis sumber hanya menunjukkan rute chat yang diusulkan. Prefiks provider LiteLLM memilih perilaku client dan belum tentu merupakan model ID yang terlihat endpoint, jadi pertahankan nilai terkonfigurasi dan identitas request yang terselesaikan.

Siapkan lingkungan kuantitatif sebelum loop agen

Verifikasi dataset, lingkungan Python, dan container eksekusi yang diizinkan dengan pemeriksaan deterministik kecil. Untuk riset internasional, sejajarkan region dataset, kalender pasar, dan universe instrumen dengan pasar yang dimaksud. Dokumentasi alur kerja Qlib mendukung region AS, tetapi dataset contoh serta asumsinya tidak boleh disalin tanpa perubahan ke pasar lain. Konfirmasikan cakupan historis, kebijakan penyesuaian, dan identitas benchmark. Baru setelah itu aktifkan agen untuk menghasilkan kode kandidat di lingkungan tersebut; jika tidak, revisi model berulang mungkin hanya mengompensasi setup data yang rusak.

Periksa hipotesis, kode, dan umpan balik secara bersamaan

Ilustrasi resmi RD-Agent menunjukkan antarmuka riset iteratif. Gunakan struktur itu sebagai pengingat untuk menyimpan setiap hipotesis bersama implementasi dan umpan baliknya, bukan hanya laporan akhir. Peninjau harus dapat membedakan apakah agen memperbaiki error perangkat lunak, mengubah pertanyaan riset, atau memilih kandidat lain setelah melihat skor. Pertahankan eksperimen yang ditolak tetap dapat diakses, dan pisahkan output tool dari interpretasi agen atas output tersebut.

Batasi eksekusi kode dan pertahankan independensi evaluasi

Jalankan kode yang dibuat dengan batas filesystem, jaringan, dan resource eksplisit. Mount hanya dataset yang diperlukan dan jangan membuka credential yang tidak terkait. Bekukan jendela train, validation, dan held-out sebelum pengembangan iteratif. Jika feedback pengujian berulang kali dikembalikan kepada agen, catat bahwa periode pengujian telah menjadi bagian dari proses pengembangan. Manifest eksperimen harus mencakup revisi sumber, hash kode, versi data, konfigurasi, identitas lingkungan, dan keputusan pemilihan. Ini membuat eksekusi sukses maupun kegagalan metodologis terlihat oleh peninjau berikutnya.

Lacak biaya dan pulihkan tahap yang gagal

Gabungkan ledger permintaan chat dan embedding dengan ledger komputasi lokal menggunakan experiment ID. Estimasi biaya LiteLLM belum tentu merupakan biaya aktual gateway; rekonsiliasikan dengan catatan billing yang berlaku. Bedakan kegagalan transport model, ketidakcocokan vector-index, pengecualian kode, dan data Qlib yang hilang sebagai status berbeda. Ulangi panggilan sementara dalam anggaran dan pertahankan error kode untuk inspeksi. Hindari memulai ulang seluruh loop saat hanya satu artefak sumber atau permintaan model yang perlu dikoreksi, dan invalidasi cache saat model, kode, atau dataset terkait berubah.

Bukti dan batasan

Kolom environment dan perilaku backend ditinjau dalam revisi sumber resmi 32b3d395 pada 5 September 2026. Panggilan qrun dan tanggung jawab Qlib mengikuti dokumentasi resminya. Tidak ada request client proyek, hasil embedding, atau loop RD-Agent/Qlib lengkap yang dieksekusi melalui APIsRouter untuk panduan ini. Langkah penerimaan berikutnya adalah skenario terbatas dengan input, bukti request, dan output numerik yang dipertahankan.

Pertanyaan umum