自动化研发闭环
从读研报/财报提取因子与模型，到实现、回测、反馈、再迭代，全流程由 LLM 代理驱动。
RD-Agent · Microsoft · LLM-Agent Framework
RD-Agent下载部署教程：微软开源自动化研发代理
RD-Agent 是微软开源的自动化研发代理（LLM-Agent 框架，MIT 协议，约 14.4k stars），用「R 提想法 + D 实现」的方法论让 AI 驱动数据驱动的 AI——自动读研报/论文提取因子与模型、自动写代码实现、再根据回测反馈迭代。它在量化金融场景（RD-Agent(Q)）基于 Qlib 做因子-模型联合优化，并在 MLE-bench 上位居 ML 工程代理 top 1。适合想用 LLM 代理自动化数据挖掘与量化研究的开发者和研究者。
项目来源
项目页面显示约 14.4k Star；该数字会随社区活动变化，采集日期为 2026-09-03。
查看固定版本源码
14.4k starsMIT 协议，微软开源
R+D 方法论R 提想法 / D 实现
MLE-bench top 1ML 工程代理 top 1
量化场景RD-Agent(Q) 因子-模型联合优化
What it solves
RD-Agent 能解决什么问题？
它把「数据驱动的研发」整理成一条可复现的自动化管线：读资料提取想法 → 写代码实现 → 跑实验拿反馈 → 迭代进化，让 LLM 代理像人类研究员一样持续改进。
量化因子挖掘
RD-Agent(Q) 基于 Qlib 做因子-模型联合优化，实验称低于 10 美元成本实现约 2× ARR、少 70%+ 因子。
研究与教学
覆盖数据挖掘、Kaggle、LLM 微调、研报解读、医疗预测等多场景，配套论文（NeurIPS 2025 / ICML 2026）。
How it works
四步理解：从想法到进化
首页只保留理解所需的四步，详细章节见架构页，量化细节见量化页。
1. 读资料提想法
自动读研报/论文/财报，提取公式、特征、因子、模型结构。
2. 写代码实现
把提取的想法实现成可运行代码（因子、特征、PyTorch 模型）。
3. 跑实验拿反馈
执行代码得到指标、损失曲线等反馈。
4. 迭代再进化
从反馈中学习，提出新想法，进入下一轮。
Setup and route
自建 RD-Agent 还是用 EasyClaw 量化 Skill 路线？
同一个量化研究目标，两种准备成本完全不同。完整对比见对比子页。
Linux + Docker→Conda + pip install→配 LLM Key→跑场景命令
仅支持 Linux，需 Docker + Conda + LLM API Key；量化场景依赖 Qlib；面向研发与因子挖掘，不构成投资建议。
安装 EasyClaw→一句话提问
Skill 的数据源、Token、网络与市场覆盖各不相同；不代表 RD-Agent 已集成 EasyClaw。
集成边界：RD-Agent 是微软 GitHub 上的 LLM-Agent 框架，与 EasyClaw 无已证实集成。EasyClaw 内置的是独立量化研究 Skill（量化分析、财经数据、技术分析等），仅作免部署替代路线对比。
EasyClaw in action
免部署：一句话发起行情与估值研究
以下为 EasyClaw 对话截图，演示用内置 Skill 一句话完成行情数据与 DCF 估值，与上方 RD-Agent 自建的「Linux + Docker + Conda + LLM Key」形成对比。前置条件：已安装 EasyClaw。
FAQ
常见问题
RD-Agent 是什么？
RD-Agent 是微软开源的自动化研发代理（LLM-Agent 框架，MIT），用「R 提想法 + D 实现」的方法论自动化数据驱动的研发流程：读资料提取因子/模型、写代码实现、跑实验反馈、迭代进化。
RD-Agent 支持 Windows 吗？
目前仅支持 Linux。需要 Docker + Conda（Python 3.10/3.11）环境，官方明确标注 platform-Linux。
RD-Agent 在 EasyClaw 中能用吗？
无已证实集成。RD-Agent 与 EasyClaw 没有官方集成证据；EasyClaw 内置的是独立量化研究类 Skill（量化分析、财经数据、技术分析、选股等），两者是独立路线。
RD-Agent 怎么安装？
官方 Quick start：装 Docker → 建 Conda 环境（Python 3.10）→ pip install rdagent → 配置 LLM（.env）→ rdagent health_check。详见安装页。
RD-Agent 的量化结果可信吗？
官方明确「provided as is」，不构成金融投资建议；因子/策略结果仅代表历史表现，涉及数据、参数与市场假设，需自行评估风险。