Benchmark 基准
评估 LLM 代理的研发能力（MLE-bench、Agent² RL-Bench）。
R+D Method
R+D 方法论拆解
官方把研发方法论归纳为两个关键组件，循环迭代。
| 组件 | 职责 | 落点 |
|---|---|---|
| R（Research） | 提出新想法或精炼现有想法（假设、模型结构、因子） | 读研报/财报提取公式、特征、因子 |
| D（Development） | 实现想法为可运行代码，执行拿反馈 | 实现因子/特征/PyTorch 模型，跑实验 |
| Feedback | 从指标、损失曲线学习，改进下一轮 | 演化式改进，像人类专家一样持续提升 |
Research Areas
框架的三大研究问题
官方把框架内的研究问题分成三类。
Idea Proposal 想法
探索新想法、精炼现有想法（Research）。
Realize Ideas 实现
实现并执行想法（Development）。
Roles
Copilot 与 Agent 两种角色
RD-Agent 在模型实现与数据构建两条主线上，扮演两种角色。
| 角色 | 定位 | 示例 |
|---|---|---|
| 🦾 Copilot（副驾驶） | 跟随人类指令，自动化重复性任务 | 自动读研报/财报实现因子、自动读论文实现模型 |
| 🤖 Agent（代理） | 更自主，主动提出想法以追求更好结果 | 迭代提出并演化因子/模型 |
Workflow
一个完整研究循环
数据挖掘专家的日常 R&D 流程，被 RD-Agent 自动化。
提出假设
例如「RNN 能捕捉时间序列数据中的模式」。
设计实验
例如「金融数据含时间序列，可在该场景验证假设」。
实现为代码
把实验实现为可运行代码（如 PyTorch 模型结构）。
执行拿反馈
跑代码得到指标、损失曲线等反馈，学习并进入下一轮。
Scenarios
框架支撑的场景
RD-Agent 已应用到多个数据驱动工业场景。
| 场景 | 模型实现 | 数据构建 |
|---|---|---|
| 💹 金融 | 迭代提出并演化模型 | 迭代提出因子 + 自动读财报实现因子 |
| 🩺 医疗 | 迭代提出并演化模型 | — |
| 🏭 通用 | 自动读论文实现 + Kaggle 模型调优 | Kaggle 特征工程 |
FAQ
常见问题
RD-Agent 的 R 和 D 分别指什么？
R 指 Research（提出新想法或精炼现有想法），D 指 Development（实现想法为可运行代码并执行）。两者循环迭代，配反馈机制持续进化。
Copilot 和 Agent 有什么区别？
Copilot 跟随人类指令自动化重复任务；Agent 更自主，主动提出想法追求更好结果。
RD-Agent 框架有哪些研究问题？
三大类：Benchmark（评估研发能力）、Idea Proposal（探索/精炼想法）、Realize Ideas（实现并执行想法）。
RD-Agent 支持哪些场景？
金融（量化因子/模型）、医疗（预测模型）、通用（论文解读/Kaggle/LLM 微调）等数据驱动场景。