批处理

批处理允许你并行运行 Hermes 代理处理数百甚至数千个提示，生成结构化的轨迹数据。这主要用于 训练数据生成 —— 生成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

批处理运行器（batch_runner.py）会处理一个 JSONL 格式的提示数据集，将每个提示通过完整的代理会话（带工具访问权限）运行。每个提示都有其独立的隔离环境。输出为结构化的轨迹数据，包含完整的对话历史、工具调用统计信息以及推理覆盖度指标。

快速开始

# Basic batch run
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

# Resume an interrupted run
python batch_runner.py \
    --dataset_file=data/prompts.jsonl \
    --batch_size=10 \
    --run_name=my_first_run \
    --resume

# List available toolset distributions
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"}

条目可选地包含：

• image 或 docker_image：为该提示的沙箱使用的容器镜像（适用于 Docker、Modal 和 Singularity 后端）
• cwd：任务终端会话的工作目录覆盖

配置选项

参数	默认值	描述
--dataset_file	(必需)	JSONL 数据集路径
--batch_size	(必需)	每批处理的提示数量
--run_name	(必需)	此运行的名称（用于输出目录和检查点）
--distribution	"default"	从中采样的工具集分布
--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	每个提示的最大工具调用迭代次数
--num_workers	4	并行工作进程数量
--resume	false	从检查点恢复
--verbose	false	启用详细日志记录
--max_samples	所有样本	仅处理数据集中前 N 个样本
--max_tokens	模型默认值	每次模型响应的最大 token 数

提供商路由（OpenRouter）

参数	描述
--providers_allowed	允许的提供商标记，以逗号分隔（例如 "anthropic,openai"）
--providers_ignored	忽略的提供商标记，以逗号分隔（例如 "together,deepinfra"）
--providers_order	优先提供商标记顺序，以逗号分隔
--provider_sort	按 "price"、"throughput" 或 "latency" 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	执行期间使用的系统提示，但 不会 保存到轨迹中
--log_prefix_chars	日志预览中显示的字符数（默认：100）
--prefill_messages_file	包含少样本提示消息的 JSON 文件路径

工具集分布

每个提示都会从一个 分布 中随机采样一组工具集。这确保了训练数据涵盖多样化的工具组合。使用 --list_distributions 可查看所有可用分布。

在当前实现中，分布为 每个独立工具集 分配一个概率。采样器独立翻转每个工具集，然后保证至少启用一个工具集。这与手工编写的预构建组合表不同。

输出格式

所有输出均写入 data/<run_name>/：

data/my_run/
├── trajectories.jsonl    # Combined final output (all batches merged)
├── batch_0.jsonl         # Individual batch results
├── batch_1.jsonl
├── ...
├── checkpoint.json       # Resume checkpoint
└── statistics.json       # Aggregate tool usage stats

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 字段采用类似 ShareGPT 的格式，包含 from 和 value 字段。工具统计信息已归一化，包含所有可能工具并以零作为默认值，确保 HuggingFace 数据集兼容性下的统一模式。

检查点机制

批处理运行器具备强大的检查点机制，以实现容错：

• 检查点文件：每批完成后保存，记录已完成的提示索引
• 基于内容的恢复：启用 --resume 时，运行器会扫描现有的批次文件，并通过实际文本内容匹配已完成的提示（而非仅索引），即使数据集顺序改变也能恢复
• 失败提示：仅成功完成的提示会被标记为完成 —— 失败的提示将在恢复时重试
• 批次合并：完成时，所有批次文件（包括之前运行的）将合并为一个 trajectories.jsonl

恢复机制工作原理

1. 扫描所有 batch_*.jsonl 文件，查找已完成的提示（通过内容匹配）
2. 从数据集中过滤掉已完成的提示
3. 对剩余提示重新分批
4. 仅处理剩余提示
5. 将所有批次文件（旧 + 新）合并为最终输出

质量过滤

批处理运行器应用自动质量过滤：

• 无推理过滤器： 丢弃所有助手回复中不包含推理的样本（即没有 <REASONING_SCRATCHPAD> 或原生思考标记的样本）
• 损坏条目过滤器： 在最终合并阶段，过滤掉包含幻觉工具名称（不在有效工具列表中的名称）的条目
• 推理统计信息： 跟踪整个运行过程中包含/不包含推理的回合所占百分比

统计信息

运行完成后，运行器会输出全面的统计信息：

• 工具使用情况： 每个工具的调用次数，以及成功/失败率
• 推理覆盖率： 包含推理的助手回合所占百分比
• 被丢弃的样本数： 因缺乏推理而被过滤的样本数量
• 持续时间： 总处理时间

统计信息也会保存至 statistics.json，以便进行程序化分析。

使用场景

训练数据生成

生成多样化的工具使用轨迹，用于微调：

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下使用工具的能力：

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

每个提示的容器镜像

对于需要特定环境的基准测试，每个提示可指定其独立的容器镜像：

{"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"}

批量运行器会在执行每个提示前验证 Docker 镜像是否可访问。