RD-Agent en Qlib configureren

Geef RD-Agent en Qlib afzonderlijke verantwoordelijkheden

Gebruik RD-Agent om onderzoeksimplementaties te ontwikkelen en te herzien en Qlib om een geconfigureerde kwantitatieve workflow uit te voeren. Modelcalls van de agent kunnen hypotheses voorstellen, code schrijven en feedback interpreteren. Qlib verwerkt data, training en evaluatie in de experimentele omgeving. Een model-API-key lost dus maar één dependency op. Kies vóór setup het specifieke RD-Agent-scenario, pin de projectrevisie en definieer dataset- en evaluatiegrenzen. Zo blijft omgevingsvoorbereiding gescheiden van de onderzoeksbeslissingen die de agent neemt.

Configureer chat en embeddings via de gedocumenteerde backend

In gereviewde revisie 32b3d395 documenteert RD-Agent's .env.example de LiteLLM-backend, het chatmodel en een OpenAI-compatibele base, plus een afzonderlijke embeddingroute met proxy-prefix. Het shelltemplate hieronder mapt applicatie-eigen modelslots naar die gedocumenteerde velden. Kies een actueel chatmodel nadat je de mogelijkheden hebt gecontroleerd. EMBEDDING_BASE_URL en EMBEDDING_MODEL_ID moeten verwijzen naar een onafhankelijk beschikbare embeddingservice; neem niet aan dat de chatgateway er één levert. Lever beide credentials via de omgeving en gebruik het gedocumenteerde startcommando van het scenario voor je vastgepinde versie.

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.

Valideer de twee modelmogelijkheden afzonderlijk

Controleer of de geselecteerde chatclient het door het scenario vereiste responseformaat en toolgedrag kan uitvoeren. Controleer embeddings op een niet-lege vector, consistente dimensie en stabiele modelidentiteit. Een embeddingmodel wijzigen kan vereisen dat opgeslagen vectoren opnieuw worden opgebouwd; een geslaagde chatresponse valideert retrieval niet. Het brononderbouwde diagram toont alleen de voorgestelde chatroute. LiteLLM-providerprefixes selecteren clientgedrag en zijn niet noodzakelijk de model-ID die het endpoint ziet; bewaar daarom zowel geconfigureerde waarde als opgeloste requestidentiteit.

Bereid de kwantitatieve omgeving vóór een agentloop voor

Verifieer dataset, Python-omgeving en toegestane uitvoeringscontainer met een kleine deterministische controle. Stem voor internationaal onderzoek datasetregio, marktcalender en instrumentuniversum af op de bedoelde markt. De Qlib-workflowdocumentatie ondersteunt een Amerikaanse regio, maar het voorbeeld-dataset en de aannames mogen niet ongewijzigd naar een andere markt worden gekopieerd. Bevestig historische dekking, aanpassingsbeleid en benchmarkidentiteit. Schakel pas daarna een agent in om kandidaatcode voor die omgeving te genereren; anders kunnen herhaalde modelrevisies een kapotte datasetconfiguratie slechts maskeren.

Inspecteer hypothese, code en feedback samen

De officiële RD-Agent-illustratie toont een iteratieve onderzoeksinterface. Gebruik die structuur als herinnering om iedere hypothese met implementatie en feedback te bewaren en niet alleen het eindrapport. Een reviewer moet kunnen zien of de agent een softwarefout herstelde, de onderzoeksvraag wijzigde of na het zien van een score een andere kandidaat koos. Houd afgewezen experimenten toegankelijk en scheid tooloutput van de interpretatie van de agent.

Begrens code-executie en behoud onafhankelijke evaluatie

Draai gegenereerde code met expliciete limieten voor filesystem, netwerk en resources. Mount alleen vereiste datasets en stel niet-gerelateerde credentials niet bloot. Bevries train-, validation- en holdout-evaluatievensters vóór iteratieve ontwikkeling. Als testfeedback herhaaldelijk naar de agent teruggaat, registreer dan dat de testperiode deel van het ontwikkelproces is geworden. Een experimentmanifest moet bronrevisie, codehash, dataversie, configuratie, omgevingsidentiteit en selectiebesluit bevatten. Zo blijven zowel geslaagde executie als methodologisch falen zichtbaar voor de volgende reviewer.

Volg kosten en herstel de mislukte fase

Koppel chat- en embeddingrequestledger aan de lokale computeledger via experiment-ID's. LiteLLM-kostenschattingen zijn niet noodzakelijk de werkelijke gatewaykosten; reconcileer met het toepasselijke factureringsrecord. Scheid modeltransportfout, vector-indexmismatch, code-exception en ontbrekende Qlib-data in verschillende statussen. Herhaal tijdelijke calls binnen een budget en bewaar codefouten voor inspectie. Herstart niet de hele loop wanneer slechts één bronartefact of modelrequest correctie nodig heeft en invalideer caches wanneer relevant model, code of dataset verandert.

Bewijs en grenzen

De omgevingsvelden en het backendgedrag zijn op 5 september 2026 gereviewd in officiële bronrevisie 32b3d395. De Qlib-aanroep en verantwoordelijkheden volgen officiële documentatie. Voor deze gids zijn geen projectclientrequests, embeddingresultaten of complete RD-Agent/Qlib-loops via APIsRouter uitgevoerd. De volgende acceptatiestap is een begrensd scenario met bewaarde input, requestbewijs en numerieke output.

Veelgestelde vragen