批量处理

批量处理让你可以在数百甚至数千个提示词上并行运行 Hermes Agent，生成结构化的轨迹数据。这主要用于训练数据生成——产出包含工具使用统计信息的 ShareGPT 格式轨迹，可用于微调或评估。

概述

批量运行器（batch_runner.py）处理一个包含提示词的 JSONL 数据集，将每个提示词在带有工具访问权限的完整智能体会话中独立运行。每个提示词拥有自己的隔离环境。输出为结构化的轨迹数据，包含完整的对话历史、工具调用统计和推理覆盖率指标。

快速开始

# 基本批量运行
python batch_runner.py \
    --dataset_file=data/prompts.jsonl \
    --batch_size=10 \
    --run_name=my_first_run \
    --model=anthropic/claude-sonnet-4.6 \
    --num_workers=4

# 恢复中断的运行
python batch_runner.py \
    --dataset_file=data/prompts.jsonl \
    --batch_size=10 \
    --run_name=my_first_run \
    --resume

# 列出可用的工具集分布
python batch_runner.py --list_distributions

数据集格式

输入数据集是一个 JSONL 文件（每行一个 JSON 对象）。每条记录必须包含 prompt 字段：

{"prompt": "Write a Python function that finds the longest palindromic substring"}
{"prompt": "Create a REST API endpoint for user authentication using Flask"}
{"prompt": "Debug this error: TypeError: cannot unpack non-iterable NoneType object"}

记录还可以包含以下可选字段：

• image 或 docker_image：该提示词沙箱所使用的容器镜像（支持 Docker、Modal 和 Singularity 后端）
• cwd：该任务终端会话的工作目录覆盖

配置选项

参数	默认值	描述
--dataset_file	（必填）	JSONL 数据集路径
--batch_size	（必填）	每批次的提示词数量
--run_name	（必填）	本次运行名称（用于输出目录和检查点）
--distribution	"default"	采样使用的工具集分布
--model	claude-sonnet-4.6	使用的模型
--base_url	https://openrouter.ai/api/v1	API 基础 URL
--api_key	（环境变量）	模型的 API 密钥
--max_turns	10	每个提示词的最大工具调用轮次
--num_workers	4	并行工作进程数
--resume	false	从检查点恢复
--verbose	false	启用详细日志
--max_samples	全部	仅处理数据集中的前 N 个样本
--max_tokens	模型默认值	每次模型响应的最大 token 数

服务商路由（OpenRouter）

参数	描述
--providers_allowed	允许的服务商列表，逗号分隔（如 "anthropic,openai"）
--providers_ignored	忽略的服务商列表，逗号分隔（如 "together,deepinfra"）
--providers_order	首选服务商顺序，逗号分隔
--provider_sort	排序依据："price"（价格）、"throughput"（吞吐量）或 "latency"（延迟）

推理控制

参数	描述
--reasoning_effort	推理强度：xhigh、high、medium、low、minimal、none
--reasoning_disabled	完全禁用推理/思考 token

高级选项

参数	描述
--ephemeral_system_prompt	执行时使用但不保存到轨迹中的系统提示词
--log_prefix_chars	日志预览中显示的字符数（默认：100）
--prefill_messages_file	含有预填充消息的 JSON 文件路径，用于 few-shot 引导

工具集分布

每个提示词会从某个分布中随机采样一组工具集。这确保训练数据覆盖多样化的工具组合。使用 --list_distributions 查看所有可用分布。

在当前实现中，分布为每个独立工具集分配一个概率。采样器对每个工具集独立进行随机采样，并保证至少启用一个工具集。这与人工预先设计的工具组合列表不同。

输出格式

所有输出保存到 data/<run_name>/：

data/my_run/
├── trajectories.jsonl    # 合并后的最终输出（所有批次合并）
├── batch_0.jsonl         # 各批次结果
├── batch_1.jsonl
├── ...
├── checkpoint.json       # 恢复检查点
└── statistics.json       # 汇总工具使用统计

轨迹格式

trajectories.jsonl 中的每一行是一个 JSON 对象：

{
  "prompt_index": 42,
  "conversations": [
    {"from": "human", "value": "Write a function..."},
    {"from": "gpt", "value": "I'll create that function...",
     "tool_calls": [...]},
    {"from": "tool", "value": "..."},
    {"from": "gpt", "value": "Here's the completed function..."}
  ],
  "metadata": {
    "batch_num": 2,
    "timestamp": "2026-01-15T10:30:00",
    "model": "anthropic/claude-sonnet-4.6"
  },
  "completed": true,
  "partial": false,
  "api_calls": 3,
  "toolsets_used": ["terminal", "file"],
  "tool_stats": {
    "terminal": {"count": 2, "success": 2, "failure": 0},
    "read_file": {"count": 1, "success": 1, "failure": 0}
  },
  "tool_error_counts": {
    "terminal": 0,
    "read_file": 0
  }
}

conversations 字段采用类 ShareGPT 格式，包含 from 和 value 字段。工具统计信息已做标准化处理，所有可能的工具均以零值作为默认统计，确保各条目具有一致的数据结构，以兼容 HuggingFace 数据集。

检查点机制

批量运行器具备健全的检查点机制以实现容错：

• 检查点文件： 每批次完成后保存，追踪已完成的提示词索引
• 基于内容的恢复： 使用 --resume 时，运行器扫描现有批次文件，通过实际文本内容（而非索引）匹配已完成的提示词，即使数据集顺序发生变化也能正确恢复
• 失败的提示词： 只有成功完成的提示词才会被标记为已完成——失败的提示词将在恢复时重试
• 批次合并： 完成时，所有批次文件（包括之前运行的）会被合并为一个 trajectories.jsonl

恢复流程

1. 扫描所有 batch_*.jsonl 文件，以内容匹配方式找出已完成的提示词
2. 过滤数据集，排除已完成的提示词
3. 对剩余提示词重新分批
4. 仅处理剩余的提示词
5. 将所有批次文件（旧的和新的）合并为最终输出

质量过滤

批量运行器会自动进行质量过滤：

• 无推理过滤： 零个助手轮次包含推理（无 <think> 标签或原生思考 token）的样本将被丢弃
• 损坏条目过滤： 含有幻觉工具名称（不在有效工具列表中）的条目在最终合并时会被过滤掉
• 推理统计： 追踪整个运行过程中包含推理与不含推理的轮次占比

统计信息

完成后，运行器会输出全面的统计信息：

• 工具使用： 每个工具的调用次数、成功/失败率
• 推理覆盖率： 含有推理的助手轮次百分比
• 丢弃的样本： 因缺乏推理而被过滤的样本数量
• 耗时： 总处理时间

统计信息也会保存到 statistics.json，便于程序化分析。

使用场景

训练数据生成

为微调生成多样化的工具使用轨迹：

python batch_runner.py \
    --dataset_file=data/coding_prompts.jsonl \
    --batch_size=20 \
    --run_name=coding_v1 \
    --model=anthropic/claude-sonnet-4.6 \
    --num_workers=8 \
    --distribution=default \
    --max_turns=15

模型评估

评估模型在标准化提示词集上使用工具的能力：

python batch_runner.py \
    --dataset_file=data/eval_suite.jsonl \
    --batch_size=10 \
    --run_name=eval_gpt4 \
    --model=openai/gpt-4o \
    --num_workers=4 \
    --max_turns=10

按提示词指定容器镜像

对于需要特定环境的基准测试，每个提示词可以指定自己的容器镜像：

{"prompt": "Install numpy and compute eigenvalues of a 3x3 matrix", "image": "python:3.11-slim"}
{"prompt": "Compile this Rust program and run it", "image": "rust:1.75"}
{"prompt": "Set up a Node.js Express server", "image": "node:20-alpine", "cwd": "/app"}

批量运行器会在运行每个提示词前，验证对应 Docker 镜像是否可访问。