RD-Agent 接模型，Qlib 接实验

结论：这是研发循环，不是聊天式选股器

用 Agent 自动化因子、模型和量化实验研发；量化数据、因子、模型、回测和实验管理。RD-Agent 负责“提出假设 -> 实现 -> 运行实验 -> 阅读反馈 -> 再迭代”，Qlib 提供可复现的数据与评估底座。 源码审查确认 LiteLLM chat 与 embedding 的配置和调用路径，但本轮没有获得项目自身的 chat、embedding 或 Qlib loop 非空结果。配置示例是可执行起点，不是生产验证证明。

官方画面展示研究假设与实验迭代

RD-Agent 官方演示把研究假设、代码实现和实验反馈放在同一工作台中。画面体现真实产品流程，而不是投资结果宣传。

Qlib 的回测报告是独立证据层

Qlib 官方报告展示收益、风险、回撤和持仓分析。它验证实验输出的结构，但 Qlib 本体不是通用 LLM 消费入口；模型配置应该落在 RD-Agent。

模型、embedding、代码和回测的完整数据流

chat 模型负责假设与代码，embedding 支持检索，代码执行器生成实验，Qlib 读取固定数据并输出指标。任何一层失败，都应保留失败和输入，而不是让模型补写实验结论。

配置 chat 模型与独立 embedding

锁定版本允许 chat 与 embedding 使用不同模型和端点。若当前目录没有所需 embedding 模型，应使用独立、已验证的 embedding 服务，不要把聊天模型 ID 填进 embedding 字段。

CHAT_MODEL=从模型页复制聊天模型ID
OPENAI_API_BASE=https://api.kkaiapi.com/v1
OPENAI_API_KEY=sk-your-key

EMBEDDING_MODEL=已验证的embedding模型ID
LITELLM_PROXY_API_BASE=https://embedding-provider.example/v1
LITELLM_PROXY_API_KEY=embedding-key

先分别预检 chat 和 embedding

两条调用必须分开检查。chat 成功只证明研究 Agent 能对话；embedding 成功只证明向量长度与接口正确，二者都不能证明 Qlib 环境和数据已经可用。

import os
from litellm import completion, embedding

chat = completion(
    model=os.environ["CHAT_MODEL"],
    api_base=os.environ["OPENAI_API_BASE"],
    api_key=os.environ["OPENAI_API_KEY"],
    messages=[{"role": "user", "content": "Reply exactly: ok"}],
)
assert chat.choices[0].message.content

vectors = embedding(
    model=os.environ["EMBEDDING_MODEL"],
    api_base=os.environ["LITELLM_PROXY_API_BASE"],
    api_key=os.environ["LITELLM_PROXY_API_KEY"],
    input=["factor research smoke"],
)
assert vectors.data[0]["embedding"]

证据状态和职责边界

RD-Agent 负责生成与修订研究方案，Qlib 负责数据、训练和回测。把两者的证据分开，才能判断失败来自模型调用、代码执行还是量化评估。

避免回测泄漏和无效实验

Qlib 数据、实验环境、代码执行和 embedding。训练、验证和测试窗口要固定；股票池必须保留历史成分与退市样本；公告和财务字段按当时可见时间切割；模型提出的新因子不能读取测试期反馈后再改写。 每轮保存假设、生成代码、依赖版本、数据版本、随机种子、日志和 Qlib 指标。失败实验也保留，避免 Agent 重复走同一条无效路径。

成本、资源与失败恢复

一次任务成本 = 输入 token × 输入单价 + 输出 token × 输出单价 + 缓存读写费用 + 外部数据费用。模型价格和实际 token 只从当前模型目录与控制台调用日志读取，不在文章里复制一份会过时的数字。 这里还要计算代码执行、训练、存储和 embedding 费用。401 与 404 先隔离模型配置；代码容器失败要记录 stderr；Qlib 数据缺失要停止实验；超时后从明确 checkpoint 恢复，不要重放整条循环。高成本通常来自多轮代码修改和重复长日志，而不只是单次模型价格。

常见问题