RD--Agent部署教程

一、环境准备

1.1 系统要求

• 操作系统：Windows 11
• WSL2：已安装Ubuntu
• 内存：建议16GB以上
• 磁盘：建议50GB以上可用空间

二、安装RD-Agent

2.1 下载源码

代码下载：GitHub - microsoft/RD-Agent: Research and development (R&D) is crucial for the enhancement of industrial productivity, especially in the AI era, where the core aspects of R&D are mainly focused on data and models. We are committed to automating these high-value generic R&D processes through R&D-Agent, which lets AI drive data-driven AI. 🔗https://aka.ms/RD-Agent-Tech-Report · GitHubResearch and development (R&D) is crucial for the enhancement of industrial productivity, especially in the AI era, where the core aspects of R&D are mainly focused on data and models. We are committed to automating these high-value generic R&D processes through R&D-Agent, which lets AI drive data-driven AI. 🔗https://aka.ms/RD-Agent-Tech-Report - microsoft/RD-Agenthttps://github.com/microsoft/RD-Agent

三、安装WSL2（需要管理员权限）

3.1 安装WSL内核

1. 以管理员身份打开PowerShell（开始菜单搜PowerShell→右键→以管理员身份运行）
2. 执行安装命令：wsl --install
3. 重启电脑（安装完成后会提示重启）
4. 重启后，会自动弹出Ubuntu终端，设置你的Linux用户名和密码（密码输入时不会显示，正常输入就行）

如果wsl --install命令报错，说明你的Windows版本较老，需要手动启用功能：

dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart
dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

重启后再安装WSL2内核更新包（下载地址：https://wslstorestorage.blob.core.windows.net/wslblob/wsl_update_x64.msi）

3.2 下载Ubuntu发行版（Ubuntu发行版时网络失败。）

通过Microsoft Store安装（最简单）

1. 打开Microsoft Store（微软应用商店）
2. 搜索Ubuntu
3. 选择Ubuntu 22.04 LTS或Ubuntu 24.04 LTS，点击「获取/安装」
4. 安装完成后点击「启动」，设置用户名和密码
5. 

安装完成后验证

打开Ubuntu终端，输入：

wsl -l -v

能看到Ubuntu且VERSION是2，就说明WSL2装好了。

四、安装Docker Desktop

RD-Agent运行需要Docker，需要安装Docker Desktop：

1. 下载Docker Desktop
   浏览器打开：Docker Desktop: The #1 Containerization Tool for Developers | Docker
   点击「Download for Windows - AMD64」下载
2. 安装
   双击安装包运行
   重要：安装时确保勾选"Use WSL 2 instead of Hyper-V"（默认应该是勾上的）
   一路下一步安装完成
3. 配置WSL2集成
   启动Docker Desktop（第一次启动可能慢一点，接受协议）
   点击右上角齿轮⚙️设置→Resources→WSL Integration
   找到Ubuntu，把开关打开→点击Apply & Restart
4. 验证Docker是否能用
   等Docker重启完后，回到你这个Ubuntu终端，输入：
   docker run hello-world
   能输出Hello from Docker!就说明成功了。
5. 

WSL集成的凭证工具报错了

在Ubuntu终端里依次执行这两条命令：

sed -i '/credsStore/d' ~/.docker/config.json

然后再试：

docker run hello-world

原因：Docker Desktop默认会用Windows的凭证工具，但在WSL里执行会出错。删掉配置里的credsStore就好了，不影响正常使用。

五、开始装RD-Agent

先装conda管理Python环境，然后装RD-Agent。跟着一步步来：

第一步：更新系统+装必要工具

sudo apt update && sudo apt install -y wget curl git

第二步：安装Miniconda

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -0 miniconda.sh
bash miniconda.sh -b -p $HOME/miniconda
~/miniconda/bin/conda init bash
source ~/.bashrc

执行完后，命令行前面会出现(base)，说明conda装好了。

忘记密码重置

1. 打开Windows PowerShell（不是Ubuntu终端）
   在开始菜单搜PowerShell，打开它
2. 输入命令进入root模式：
   wsl -u root
3. 进入后，修改你的密码：
   passwd syh
4. 输入两次新密码（输的时候不显示字符，正常输）
5. 退出 root：
   Exit
6. 回到Ubuntu后，先执行这条命令更新系统：
   sudo apt update && sudo apt install -y wget curl git

第三步：用conda里的pip装RD-Agent

conda activate base
pip install rdagent

验证一下安装是否成功：

输入：

rdagent --help

如果能看到帮助信息，就说明装好了。

rdagent --help 正常输出了，所有命令都能看到：

可用的命令：

• fin_factor / fin_model / fin_quant / fin_factor_report - 金融量化相关
• general_model - 通用模型
• data_science - 数据科学
• llm_finetune - 大模型微调
• health_check - 健康检查
• ui / server_ui - Web 界面
• 等等...

六、配置.env环境变量

1. 配置API Key

在D:\RD-Agent-main目录下创建.env文件，填入你的API Key：

OPENAI_API_KEY=你的API密钥
#或者用其他模型的配置

2. 运行健康检查

rdagent health_check

七、启动Web界面

在Ubuntu终端里输入：

cd /d/RD-Agent-main
conda activate rdagent
rdagent ui

然后：

等它启动完成，会显示类似 "Running on http://0.0.0.0:19899" 的提示

打开你的浏览器，访问：http://localhost:19899

就能看到RD-Agent的Web界面了

注意：启动后Ubuntu终端不能关掉，关掉的话Web服务就停了。需要用的时候让它在后台跑着就行。

八、RD-Agent的general_model场景（基于已有的研究论文/报告做迭代改进的）

conda activate rdagent
rdagent general_model "Reasoning as Gradient Scaling MLE Agents Beyond Tree Search.pdf"

1. 先找到日志文件位置

在终端里输入（新开一个终端窗口）：

ls -lt /d/RD-Agent-main/logs/

会显示最新的日志文件夹，复制那个路径。

2. 在Web界面设置log path

左边Control Panel里有个"log path"输入框

把日志路径粘贴进去（比如/d/RD-Agent-main/logs/xxx）

按回车，界面就会显示研究内容了

3. 停止

按Ctrl+C就能随时终止

九、RD-Agent的金融量化研究场景

第一步：配置Docker镜像加速

1. 打开Docker Desktop（Windows端）
2. 点击右上角设置图标⚙️
3. 左边找到"Docker Engine"
4. 在右边的JSON配置里，添加registry-mirrors

{
  "registry-mirrors": [
    "https://docker.m.daocloud.io",
    "https://dockerproxy.com",
    "https://docker.mirrors.ustc.edu.cn",
    "https://hub-mirror.c.163.com"
  ]
}

1. 改完后，点右下角的"Apply & Restart"按钮，Docker会重启。
2. 重启完后测试一下，在WSL终端里输入：
   docker pull hello-world

Status: Image is up to date for hello-world:latest，说明Docker能正常拉取镜像了

怎么把Docker镜像改到D盘（减少C盘内存消耗）

第1步：打开Docker Desktop设置
打开Docker Desktop，点击右上角的⚙️设置图标

第2步：找到Resources
左边菜单找到Resources（资源），点击展开

第3步：找到Advanced
点击Advanced（高级）

第4步：修改Disk image location
找到Disk image location（磁盘镜像位置）这一项：
点击Browse或者Change
选择D盘的一个文件夹，比如D:\Docker\wsl
或者直接输入路径：D:\Docker\wsl\docker-desktop-data

第5步：应用并重启
点击右下角的Apply & Restart

注意事项：

1. 会自动迁移现有镜像，Docker会把现有的镜像自动移到新位置
2. 需要等一会儿，迁移时间取决于镜像大小，可能需要几分钟
3. 迁移过程中，不要关闭Docker

第二步：尝试跑fin_quant

1. 进入RD-Agent目录，激活环境

2. 运行金融量化研究

rdagent fin_quant --loop-n 5

第一次运行会比较慢，需要：

1. 拉取PyTorch基础镜像（几个 GB）
2. 安装各种依赖包
3. 克隆Qlib代码
4. 编译安装

Docker镜像构建时安装xgboost失败

解决方案：给Docker里的pip换国内源

Edited "D:\RD-Agent-main\rdagent\scenarios\qlib\docker\Dockerfile".

RUN python -m pip install --upgrade cython -i https://pypi.tuna.tsinghua.edu.cn/simple
RUN python -m pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple
RUN pip install catboost -i https://pypi.tuna.tsinghua.edu.cn/simple
RUN pip install xgboost -i https://pypi.tuna.tsinghua.edu.cn/simple
RUN pip install tables -i https://pypi.tuna.tsinghua.edu.cn/simple

给所有的pip install都加上清华源

Qlib的股票数据没有正确下载下来 / ModuleNotFoundError: No module named 'qlib.run'

第1步：下载Qlib源码
GitHub - microsoft/qlib: Qlib is an AI-oriented Quant investment platform that aims to use AI tech to empower Quant Research, from exploring ideas to implementing productions. Qlib supports diverse ML modeling paradigms, including supervised learning, market dynamics modeling, and RL, and is now equipped with https://github.com/microsoft/RD-Agent to automate R&D process. · GitHub

第2步：解压源码
解压zip，得到qlib-2fb9380b342556ddb50a4b24e4fe8655d548b2b8文件夹，然后把它重命名为qlib。

最后目录结构应该是：

D:\RD-Agent-main\rdagent\scenarios\qlib\docker\
├── Dockerfile
└── qlib\
    ├── setup.py
    ├── qlib\
└── ...

第3步：修改Dockerfile
改Dockerfile，让它直接用本地的源码，不用git clone。

第4步：安装Qlib
在WSL里：

cd /mnt/d/RD-Agent-main/rdagent/scenarios/qlib/docker/qlib
pip uninstall -y pyqlib
SETUPTOOLS_SCM_PRETEND_VERSION=0.9.0 pip install . -i https://pypi.tuna.tsinghua.edu.cn/simple

第5步：Qlib数据下载
原始GitHub下载地址：https://github.com/chenditc/investment_data/releases/latest/download/qlib_bin.tar.gz
或者Qlib官方的数据下载地址：
https://github.com/SunsetWolf/qlib_dataset/releases/download/v2/qlib_data_cn_1d_0.9.zip

第6步：把文件放到D盘根目录
把下载好的qlib_bin.tar.gz文件移动到D:\目录下。

第7步：在WSL里解压

cd /mnt/d
mkdir -p qlib_data/cn_data
tar -zxvf qlib_bin.tar.gz -C /mnt/d/qlib_data/cn_data --strip-components=1

解压完后测试一下：

python -c "import qlib; qlib.init(provider_uri='/mnt/d/qlib_data/cn_data'); print('Qlib 数据加载成功！')"

第8步：让RD-Agent用本地Qlib，不用Docker

1. 修改.env文件，把CODE_EXECUTION_BACKEND改成local：

cd /mnt/d/RD-Agent-main
sed -i 's/CODE_EXECUTION_BACKEND=docker/CODE_EXECUTION_BACKEND=local/' .env

2. 试运行fin_factor

CODE_EXECUTION_BACKEND配置对它不起作用

修改Dockerfile，加上版本号环境变量
改Dockerfile，加上SETUPTOOLS_SCM_PRETEND_VERSION：

删除旧镜像，重新运行：

docker rmi local_qlib:latest
cd /mnt/d/RD-Agent-main
rdagent fin_factor --loop-n 5

RD-Agent找不到数据

直接修改Dockerfile，在容器里创建一个软链接，让/mnt/d/qlib_data指向数据目录

修改Dockerfile：

RUN mkdir -p /mnt/d
RUN ln -s /root/.qlib/qlib_data /mnt/d/qlib_data

然后重新构建镜像，重新运行：

docker rmi local_qlib:latest
cd /mnt/d/RD-Agent-main
rdagent fin_factor --loop-n 5

还是不行的话，可能是软连接循环：

1. 本地的~/.qlib/qlib_data/cn_data是个软链接，指向/mnt/d/qlib_data/cn_data
2. 又在Dockerfile里创建了/mnt/d/qlib_data指向/root/.qlib/qlib_data的软链接
3. 这样就形成了循环

把Dockerfile里的软链接删掉（Ctrl+K删除行，Ctrl+O保存，Ctrl+X退出）

重新构建镜像，重新运行

docker rmi local_qlib:latest
cd /mnt/d/RD-Agent-main
rdagent fin_factor --loop-n 5

然后运行命令

1. 删除旧的软链接
2. 复制真实数据
3. 删除旧Docker镜像
4. 运行fin_factor

rm -rf ~/.qlib/qlib_data/cn_data
cp -r /mnt/d/qlib_data/cn_data ~/.qlib/qlib_data/
docker rmi local_qlib:latest
cd /mnt/d/RD-Agent-main
rdagent fin_factor --loop-n 5

"qlib successfully initialized"，数据路径完全正确

AssertionError: daily_pv_debug.h5 is not generated.

（debug部分（前100只股票）有点小问题，股票代码对不上）

改一下debug部分的代码，直接从all数据里取

Edited "D:\RD-Agent-main\rdagent\scenarios\qlib\experiment\factor_data_template\generate.py".

import qlib
qlib.init(provider_uri="/root/.qlib/qlib_data/cn_data")
from qlib.data import D
instruments = D.instruments()
fields = ["$open", "$close", "$high", "$low", "$volume", "$factor"]
all_data = D.features(instruments, fields, freq="day").swaplevel().sort_index().loc["2008-12-29":].sort_index()
all_data.to_hdf("./daily_pv_all.h5", key="data")
# Debug 数据：直接从 all 数据里取前 100 只股票，2018-2019 年
top100 = all_data.reset_index()["instrument"].unique()[:100]
debug_data = (
    all_data
    .swaplevel()
    .loc[top100]
    .swaplevel()
    .sort_index()
    .loc["2018-01-01":"2019-12-31"]
    .sort_index()
)
debug_data.to_hdf("./daily_pv_debug.h5", key="data")

重新运行：

cd /mnt/d/RD-Agent-main
rdagent fin_factor --loop-n 5

十、利用UI界面查看运行状况

1. 打开一个新的控制台

2. 先激活rdagent环境，再运行UI：

conda activate rdagent
rdagent ui

"Uvicorn server started on :::19899"：Web UI启动成功

1. 打开浏览器，访问：
http://localhost:19899

2. 找到日志路径
在左边的Control Panel（控制面板）里，找到"log path"（日志路径）输入框。
填入当前任务的日志文件夹路径。
日志一般在这个目录下：/d/RD-Agent-main/log/
里面有按时间命名的文件夹，选最新的那个就行。

或者：
控制台直接看日志里的因子列表：ls -lt /mnt/d/RD-Agent-main/log/ | head -3
因子代码在D:\RD-Agent-main\git_ignore_folder\RD-Agent_workspace\

3. 选择要查看的内容
在Web UI里填入完整路径：
在左边的log path输入框里填入：
例如：/mnt/d/RD-Agent-main/log/2026-08-05_08-07-37-694348
然后按回车，界面就会加载出这次运行的所有记录了，可以看到：

1. 每一轮的因子提出
2. 代码实现
3. 回测结果
4. 迭代过程

注意：

1. Web UI的终端（就是运行rdagent ui的那个终端）不要关，关了界面就没了
2. fin_factor在另一个终端里跑，两个同时运行互不影响