企业官网建设流程全解析

RD-Agent 容器化部署快速上手指南：从克隆到跑通

【免费下载链接】RD-AgentResearch 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>项目地址: https://gitcode.com/GitHub_Trending/rd/RD-Agent

"RD-Agent 容器化部署"这句话，值得你在拉代码之前先记住。我们组新同事入职第一天，就是被依赖装得怀疑人生：PyTorch 版本不对、qlib 编译失败、kaggle 包互相打架，重启一次环境全丢。如果你的团队也踩过同样的坑，这篇文章就是给你的：RD-Agent 是微软开源的研发智能体，能自动完成"想法→写码→实验→反馈"的数据科学研发流程，而它天然依赖 Docker 来执行代码，所以容器化部署不是可选项，是正路。

RD-Agent 是什么，为什么容器化最合适

RD-Agent（Research and Development Agent）自动驱动数据驱动的研发流程：从量化因子开发、模型调优到 Kaggle 竞赛，Agent 自己提想法、自己写代码、自己跑实验。关键点在于——它的 coder 默认就是在 Docker 容器里执行代码的，所以容器化不是"锦上添花"，而是运行前提。

🐳 部署实操：准备、构建、运行、验证

环境准备与依赖检查

Docker 是硬前提。官方文档明确要求：当前用户必须能在不使用 sudo 的情况下执行 docker 命令。

git clone https://gitcode.com/GitHub_Trending/rd/RD-Agent cd RD-Agent docker --version docker run hello-world # 不带 sudo 跑通才算数 # 需要 GPU 时，验证 nvidia-container-toolkit docker run --rm --gpus all nvidia/cuda:12.1.1-base nvidia-smi

⚠️ 如果nvidia-smi在容器里执行报错，先装好 nvidia-container-toolkit，否则后面--gpus all都会失败。

镜像构建命令速查

仓库为每个场景都备好了 Dockerfile，可以直接抄：数据科学场景模板基于 pytorch/pytorch，内置 kaggle、mlebench 等 conda 环境；量化场景另有独立的 qlib Dockerfile。以 Kaggle 场景为例，关键段落是：

# rdagent/scenarios/kaggle/docker/kaggle_docker/Dockerfile（关键摘录） FROM pytorch/pytorch:2.2.1-cuda12.1-cudnn8-runtime # …… 省略：apt 系统依赖、catboost/xgboost/lightgbm 等 ML 依赖安装 WORKDIR /workspace

docker build -t rd-agent:kaggle \ -f rdagent/scenarios/kaggle/docker/kaggle_docker/Dockerfile .

基础镜像带 CUDA，拉取有好几个 GB，建议挑闲时执行；生产上记得把基础镜像 tag 钉死，保证可复现。

运行容器与 GPU 参数

docker run -it --rm --gpus all \ -v ./data:/workspace/data \ rd-agent:kaggle bash

跑长任务可以直接用镜像自带的入口脚本，entrypoint 脚本会在启动后自动装依赖，然后执行rdagent/app/data_science/loop.py这类研发循环命令，竞赛、超时由DS_COMPETITION、RD_TIMEOUT等环境变量控制。另外，想让 RD-Agent 内部的 coder 也走 Docker 执行环境（官方推荐），在.env里加一行：

# .env：数据科学场景的代码执行环境（推荐 docker） DS_CODER_COSTEER_ENV_TYPE=docker

验证是否跑通

docker run --rm rd-agent:kaggle \ python -c "import rdagent; print('ok')" # 启动日志服务，实时查看研发循环 docker run -d -p 8000:8000 --name rd-log-server \ rd-agent:kaggle python -m rdagent.log.server.app

浏览器访问 8000 端口，能看到类似下图的循环面板，节点在依次推进就说明容器化部署已经跑通了。

平台差异与常见卡点

最常踩的一个坑：在容器里跑 RD-Agent，而 coder 又要用 docker 执行代码，容器里找不到 docker 命令。要么把 Docker daemon 挂载进容器，要么临时把执行环境切回 conda 排查，别在这里耗时间。

收尾：下一步可以做的事

一句话总结：RD-Agent 容器化部署的本质，就是把"能跑的环境"变成"可复制的镜像"。跑通之后，可以接着做：

• 推送到私有镜像仓库统一版本
• 用 CI 自动构建并更新镜像
• 试试 qlib 量化场景的 Dockerfile

官方文档：安装与配置

【免费下载链接】RD-AgentResearch 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>项目地址: https://gitcode.com/GitHub_Trending/rd/RD-Agent