一、前言
在现代工业中，研发（R&D）对于提高工业生产力至关重要，尤其是在人工智能时代，研发的核心方面主要集中在数据和模型上。
推出RDAgent的目的在于：打造一个工业研发过程的自动化助手，专注于数据驱动场景，通过提出新想法和实施它们来简化模型和数据的开发。
RDAgent由两个关键部分组成：
（R）esearch代表通过提出新想法积极探索，
（D）evelopment代表实现这些想法。
这两个组成部分的有效性最终会通过实践得到反馈，无论是研发能力，都可以在这个过程中不断学习和成长
二、RDAgent框架和组件
在数据挖掘过程中，可以将数据驱动分解成以下动作：
首先，提出一个idea假设。例如，像RNN这样的模型结构可以捕获时间序列数据中的模式
然后，将idea变成可操作的实验。例如：挖掘金融数据包含时间序列模型
第三，搜索与实验相关的数据，将实验实现为代码。例如：pytorch代码
最后，执行代码以获得数据反馈。例如：指标、损失曲线等
通过上述步骤，数据挖掘专家能从反馈中学习，并在下一次迭代中改进
具体的数据流程如下：
三、R&D数据驱动的Agent案例
R&D数据驱动下的Agent在学术研究反面的应用
上图展示了，RDAgent探究学术研究方向的一个案例。
Agent助手通过阅读论文和报告(Raw Information)，提取可以试试的方案（Methods），将方案通过代码的形式实施（code）,最后得到结果（result）.
然后，通过阅读生成的Readme.md报告，对从原始数据进行筛选过滤，进行第二轮的迭代。直到生成满意的研究结论为止。
