Konfigurasi RD-Agent dan Qlib

Tetapkan tanggungjawab berbeza untuk RD-Agent dan Qlib

Gunakan RD-Agent untuk membangunkan dan menyemak pelaksanaan penyelidikan, dan Qlib untuk menjalankan aliran kerja kuantitatif dikonfigurasi. Panggilan model ejen boleh mencadangkan hipotesis, menulis kod dan mentafsir maklum balas. Qlib mengendalikan data, latihan dan penilaiannya dalam persekitaran eksperimen. Kunci API model hanya menyelesaikan satu kebergantungan. Sebelum persediaan, pilih senario RD-Agent khusus, pin semakan projek dan takrif sempadan dataset serta penilaian. Ini mengasingkan persediaan persekitaran daripada keputusan penyelidikan ejen.

Konfigurasikan chat dan embedding melalui backend didokumenkan

Pada semakan 32b3d395, .env.example RD-Agent mendokumenkan backend LiteLLM, model chat dan asas serasi OpenAI, serta laluan embedding berasingan berawalan proxy. Templat shell di bawah memetakan slot model milik aplikasi kepada medan itu. Pilih model chat semasa selepas menyemak keupayaannya. EMBEDDING_BASE_URL dan EMBEDDING_MODEL_ID mesti merujuk perkhidmatan embedding yang tersedia secara bebas; jangan anggap gerbang chat menyediakannya. Bekalkan kedua-dua kelayakan melalui persekitaran dan gunakan arahan mula yang didokumenkan untuk versi 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.

Sahkan dua keupayaan model secara bebas

Semak klien chat terpilih boleh melakukan format respons dan tingkah laku alat yang diperlukan senario. Semak embedding menghasilkan vektor tidak kosong, dimensi konsisten dan identiti model stabil. Menukar model embedding mungkin memerlukan pembinaan semula vektor tersimpan; respons chat berjaya tidak mengesahkan pengambilan. Rajah bersumber hanya menunjukkan laluan chat yang dicadangkan. Awalan penyedia LiteLLM memilih tingkah laku klien dan tidak semestinya ID model yang dilihat endpoint, jadi simpan nilai dikonfigurasi dan identiti permintaan diselesaikan.

Sediakan persekitaran kuantitatif sebelum gelung ejen

Sahkan dataset, persekitaran Python dan bekas pelaksanaan dibenarkan dengan pemeriksaan deterministik kecil. Untuk penyelidikan antarabangsa, selaraskan wilayah dataset, kalendar pasaran dan alam instrumen dengan pasaran sasaran. Dokumentasi aliran kerja Qlib menyokong wilayah AS, tetapi dataset contoh dan andaiannya tidak patut disalin ke pasaran lain tanpa perubahan. Sahkan liputan sejarah, dasar pelarasan dan identiti penanda aras. Hanya kemudian dayakan ejen menjana kod calon terhadap persekitaran itu; jika tidak, semakan model berulang mungkin sekadar menampung persediaan data rosak.

Periksa hipotesis, kod dan maklum balas bersama

Ilustrasi rasmi RD-Agent menunjukkan antara muka penyelidikan berulang. Gunakan struktur itu sebagai peringatan untuk menyimpan setiap hipotesis bersama pelaksanaan dan maklum balas, bukan laporan akhir sahaja. Penyemak perlu dapat membezakan pembaikan ralat perisian, perubahan soalan penyelidikan atau pemilihan calon lain selepas melihat skor. Pastikan eksperimen ditolak boleh diakses dan asingkan output alat daripada tafsiran ejen.

Hadkan pelaksanaan kod dan kekalkan kebebasan penilaian

Jalankan kod terjana dengan had sistem fail, rangkaian dan sumber yang jelas. Mount hanya dataset wajib dan elakkan mendedahkan kelayakan tidak berkaitan. Bekukan tetingkap latihan, pengesahan dan penilaian tertahan sebelum pembangunan berulang. Jika maklum balas ujian berulang kali dikembalikan kepada ejen, rekodkan bahawa tempoh ujian telah menjadi sebahagian proses pembangunan. Manifes eksperimen patut merangkumi semakan sumber, hash kod, versi data, konfigurasi, identiti persekitaran dan keputusan pemilihan. Pelaksanaan berjaya dan kegagalan metodologi akan kelihatan kepada penyemak seterusnya.

Jejaki kos dan pulihkan peringkat gagal

Hubungkan lejar permintaan chat dan embedding kepada lejar pengiraan tempatan menggunakan ID eksperimen. Anggaran kos LiteLLM tidak semestinya caj sebenar gerbang; rekonsiliasikan dengan rekod pengebilan terpakai. Bezakan kegagalan pengangkutan model, ketidakpadanan indeks vektor, pengecualian kod dan data Qlib hilang melalui keadaan berbeza. Cuba semula panggilan sementara dalam belanjawan dan simpan ralat kod untuk diperiksa. Jangan mulakan semula seluruh gelung apabila hanya satu artifak sumber atau permintaan model perlu diperbetulkan dan batalkan cache apabila model, kod atau dataset berkaitan berubah.

Bukti dan had

Medan persekitaran dan tingkah laku backend disemak dalam semakan sumber rasmi 32b3d395 pada 5 September 2026. Seruan dan tanggungjawab Qlib mengikuti dokumentasi rasminya. Tiada permintaan klien projek, hasil embedding atau gelung RD-Agent/Qlib lengkap dilaksanakan melalui APIsRouter untuk panduan ini. Langkah penerimaan seterusnya ialah senario terhad dengan input disimpan, bukti permintaan dan output angka.

Soalan lazim