批量处理

批量处理功能允许你并行运行 Hermes Agent 来处理成百上千个提示词（prompt），从而生成结构化的轨迹数据。这主要用于训练数据生成——即生成带有工具使用统计信息的 ShareGPT 格式轨迹，这些数据可用于微调或评估。

概览

批量运行器（batch_runner.py）会处理一个 JSONL 格式的提示词数据集，让每个提示词都通过一个具备工具访问权限的完整 Agent 会话进行处理。每个提示词都有其独立的运行环境。输出结果为结构化的轨迹数据，包含完整的对话历史、工具调用统计信息以及推理覆盖率指标。

快速开始

# 基础批量运行
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）。每个条目必须包含一个 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"}

条目还可以选择性包含：

• image 或 docker_image：用于此提示词沙盒的容器镜像（适用于 Docker、Modal 和 Singularity 后端）
• cwd：任务终端会话的工作目录覆盖设置

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)	每个批次的提示词数量
--run_name	(必填)	本次运行的名称（用于输出目录和检查点）
--distribution	"default"	用于采样的工具集分布
--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迭代次数
--num_workers	4	并行工作进程数
--resume	false	从检查点恢复
--verbose	false	启用详细日志记录
--max_samples	all	仅处理数据集中的前 N 个样本
--max_tokens	模型默认值	模型响应的最大 token 数

提供商路由 (OpenRouter)

参数	描述
--providers_allowed	允许的提供商列表（逗号分隔，例如 "anthropic,openai"）
--providers_ignored	忽略的提供商列表（逗号分隔，例如 "together,deepinfra"）
--providers_order	首选提供商顺序（逗号分隔）
--provider_sort	按 "price"（价格）、"throughput"（吞吐量）或 "latency"（延迟）排序

推理控制

参数	描述
--reasoning_effort	推理努力程度：none, minimal, low, medium, high, xhigh
--reasoning_disabled	完全禁用推理/思考 token

高级选项

参数	描述
--ephemeral_system_prompt	执行期间使用但不会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	包含用于少样本引导（few-shot priming）的预填充消息的 JSON 文件路径

工具集分布

每个提示词都会从一个**分布（distribution）**中随机采样一组工具集。这确保了训练数据涵盖了多样的工具组合。使用 --list_distributions 查看所有可用的分布。

在当前的实现中，分布会为每个单独的工具集分配一个概率。采样器会独立地对每个工具集进行投掷，然后确保至少启用一个工具集。这与手动编写的预构建组合表有所不同。

输出格式

所有输出都存放在 data/<run_name>/ 中：

data/my_run/
├── trajectories.jsonl    # 合并后的最终输出（所有批次已合并）
├── batch_0.jsonl         # 单个批次结果
├── batch_1.jsonl
├── ...
├── checkpoint.json       # 恢复检查点
└── statistics.json       # 汇总的工具使用统计信息

轨迹格式

trajectories.jsonl 中的每一行都是一个 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 字段使用类似 ShareGPT 的格式，包含 from 和 value 字段。工具统计信息已标准化，包含所有可能的工具并以零作为默认值，确保条目间架构一致，从而兼容 HuggingFace 数据集。

检查点机制

批量运行器具有强大的检查点机制以实现容错：

• 检查点文件： 在每个批次完成后保存，跟踪哪些提示词索引已完成
• 基于内容的恢复： 使用 --resume 时，运行器会扫描现有的批次文件，并根据实际文本内容（而非仅索引）匹配已完成的提示词，即使数据集顺序发生变化也能实现恢复
• 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： 完成后，所有批次文件（包括之前运行产生的）都会合并为一个 trajectories.jsonl

恢复机制的工作原理

1. 扫描所有 batch_*.jsonl 文件以查找已完成的提示词（通过内容匹配）
2. 过滤数据集以排除已完成的提示词
3. 对剩余的提示词重新分批
4. 仅处理剩余的提示词
5. 将所有批次文件（旧文件 + 新文件）合并为最终输出

质量过滤

批量运行器应用了自动质量过滤：

• 无推理过滤： 丢弃那些没有任何助手轮次包含推理（没有 <REASONING_SCRATCHPAD> 或原生思考 token）的样本
• 损坏条目过滤： 在最终合并期间，过滤掉包含幻觉工具名称（不在有效工具列表中）的条目
• 推理统计： 跟踪整个运行过程中包含/不包含推理的轮次百分比

统计信息

完成后，运行器会打印全面的统计信息：

• 工具使用： 每个工具的调用次数、成功/失败率
• 推理覆盖率： 包含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
• 持续时间： 总处理时间

统计信息也会保存到 statistics.json 中，以便进行程序化分析。

使用场景

训练数据生成

生成多样的工具使用轨迹以进行微调：

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下使用工具的表现：

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

每个提示词的容器镜像

对于需要特定环境的基准测试，每个 prompt 都可以指定其专属的容器镜像：

{"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"}

批量运行程序（batch runner）会在执行每个 prompt 之前验证 Docker 镜像是否可访问。