RD-AgentとQlibの設定

RD-AgentとQlibに異なる責任を割り当てる

RD-Agentでリサーチ実装を開発・改訂し、Qlibで設定済みの定量ワークフローを実行します。エージェントのモデル呼び出しは、仮説を提案し、コードを書き、フィードバックを解釈できます。Qlibは実験環境でデータ、訓練、評価を処理します。そのためモデルAPIキーで解決できるのは一つの依存関係だけです。セットアップ前に、具体的なRD-Agentシナリオを選び、プロジェクトリビジョンを固定し、データセットと評価の境界を定義します。これにより環境準備とエージェントが行うリサーチ判断を分けられます。

文書化されたバックエンドでチャットと埋め込みを設定する

レビューしたリビジョン32b3d395では、RD-Agentの.env.exampleにLiteLLMバックエンド、チャットモデル、OpenAI互換ベース、さらにプロキシ接頭辞付きの別の埋め込み経路が文書化されています。以下のシェルテンプレートは、アプリケーションが所有するモデルスロットを文書化されたフィールドへマッピングします。機能を確認した後、現在のチャットモデルを選びます。EMBEDDING_BASE_URLとEMBEDDING_MODEL_IDは独立して利用できる埋め込みサービスを指す必要があります。チャットゲートウェイが埋め込みサービスも提供すると仮定しないでください。両方の認証情報を環境から渡し、固定したバージョンのシナリオに文書化された起動コマンドを使います。

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.

2つのモデル機能を独立に検証する

選択したチャットクライアントが、シナリオに必要なレスポンス形式とツール動作を実行できるか確認します。埋め込みについては、空でないベクトル、一貫した次元、安定したモデル識別情報を確認します。埋め込みモデルを変えると、保存済みベクトルの再構築が必要になる場合があります。チャットの成功レスポンスは検索を検証しません。ソースに基づく図はチャット経路だけを示します。LiteLLMのプロバイダー接頭辞はクライアントの動作を選ぶもので、エンドポイントが見るモデルIDとは限りません。設定値と解決済みリクエスト識別情報の両方を保持します。

エージェントループ前に定量環境を準備する

小さな決定論的チェックで、データセット、Python環境、許可された実行コンテナを検証します。国際リサーチでは、データセットの地域、市場カレンダー、銘柄ユニバースを対象市場に合わせます。Qlibワークフロードキュメントは米国地域をサポートしていますが、その例のデータセットと前提を別市場へそのままコピーしないでください。過去のカバレッジ、調整ポリシー、ベンチマーク識別情報を確認します。その後で初めて、エージェントがその環境向けの候補コードを生成できるようにします。そうしないと、繰り返すモデル改訂が壊れたデータ設定を埋め合わせるだけになる可能性があります。

仮説、コード、フィードバックを一緒に検査する

RD-Agent公式の図は、反復するリサーチインターフェースを示します。その構造を、最終レポートだけでなく各仮説を実装とフィードバックとともに保持するための手がかりにします。エージェントがソフトウェアエラーを直したのか、リサーチの問いを変えたのか、スコアを見た後で別の候補を選んだのかをレビュアーが判別できるようにします。却下した実験も利用可能にし、ツール出力とエージェントによるその解釈を分けます。

コード実行に上限を設け、評価の独立性を保つ

生成コードは、ファイルシステム、ネットワーク、リソースの明示的な上限を持つ環境で実行します。必要なデータセットだけをマウントし、関係のない認証情報を露出させないでください。反復開発前に訓練、検証、ホールドアウト評価の期間を固定します。テストのフィードバックをエージェントへ繰り返し返すなら、テスト期間が開発プロセスの一部になったことを記録します。実験マニフェストには、ソースリビジョン、コードハッシュ、データバージョン、設定、環境識別情報、選択判断を含めます。これにより成功した実行と方法論上の失敗の両方が、次のレビュアーに見えるようになります。

コストを追跡し、失敗した段階から復旧する

実験IDでチャットと埋め込みのリクエスト台帳をローカル計算台帳に結合します。LiteLLMのコスト見積もりはゲートウェイの実際の料金とは限らないため、適用される請求記録と照合します。モデル輸送の失敗、ベクトルインデックスの不一致、コード例外、Qlibデータの欠落を別の状態にします。一時的な呼び出しは予算内でリトライし、検査用にコードエラーを保持します。一つのソース成果物またはモデルリクエストだけを直す場合に全ループを再起動せず、関係するモデル、コード、データセットが変わったらキャッシュを無効にします。

証拠と限界

環境フィールドとバックエンド動作は、2026年9月5日に公式ソースリビジョン32b3d395でレビューしました。Qlibの呼び出しと責任は公式ドキュメントに従います。このガイドのためにAPIsRouter経由のプロジェクトクライアントリクエスト、埋め込み結果、完全なRD-Agent/Qlibループは実行していません。次の受け入れ段階は、入力、リクエスト証拠、数値出力を保持した範囲限定シナリオです。

よくある質問