环境、基准测试与数据生成

Hermes Agent 包含完整的环境框架，将其工具调用能力连接到 Atropos RL 训练框架。这支持三种工作流：

RL 训练 — 在多轮 Agent 任务上使用 GRPO 训练语言模型
基准测试 — 在标准化 Agent 基准上评估模型
数据生成 — 从 Agent 推导生成 SFT 训练数据

三种工作流共享相同的核心：一个环境类，定义任务、运行 Agent 循环并评分输出。

仓库环境 vs RL 训练工具

此处记录的 Python 环境框架位于仓库的 environments/ 目录下，是 Hermes/Atropos 集成的实现级 API。这与面向用户的 rl_* 工具不同，后者作为远程 RL 训练工作流的编排表面。

快速链接

想运行基准测试？ 跳转到可用基准测试
想用 RL 训练？ 参见 RL 训练工具了解 Agent 驱动接口，或运行环境了解手动执行
想创建新环境？ 参见创建环境

架构

环境系统建立在三层继承链上：

BaseEnv（Atropos）

来自 atroposlib 的基础。提供：

服务器管理 — 连接到 OpenAI 兼容 API（VLLM、SGLang、OpenRouter）
工作器调度 — 并行推导协调
Wandb 集成 — 指标日志和推导可视化
CLI 接口 — 三个子命令：serve、process、evaluate
评估日志 — evaluate_log() 将结果保存为 JSON + JSONL

HermesAgentBaseEnv

Hermes-agent 层（environments/hermes_base_env.py）。添加：

终端后端配置 — 设置 TERMINAL_ENV 用于沙箱执行（local、Docker、Modal、Daytona、SSH、Singularity）
工具解析 — _resolve_tools_for_group() 调用 hermes-agent 的 get_tool_definitions() 获取基于启用/禁用工具集的正确工具 Schema
Agent 循环集成 — collect_trajectory() 运行 HermesAgentLoop 并评分结果
两阶段操作 — 阶段 1（OpenAI 服务器）用于评估/SFT，阶段 2（VLLM ManagedServer）用于带 logprobs 的完整 RL
异步安全补丁 — 猴子补丁 Modal 后端以在 Atropos 事件循环内工作

具体环境

你的环境继承自 HermesAgentBaseEnv 并实现五个方法：

方法	用途
`setup()`	加载数据集，初始化状态
`get_next_item()`	返回下一个推导项
`format_prompt(item)`	将项转换为用户消息
`compute_reward(item, result, ctx)`	评分推导（0.0–1.0）
`evaluate()`	定期评估逻辑

核心组件

Agent 循环

HermesAgentLoop（environments/agent_loop.py）是可复用的多轮 Agent 引擎。它运行与 hermes-agent 主循环相同的工具调用模式：

通过 server.chat_completion() 将消息 + 工具 Schema 发送到 API
如果响应包含 tool_calls，通过 handle_function_call() 分发每个调用
将工具结果附加到对话，回到步骤 1
如果没有 tool_calls，Agent 完成

工具调用在线程池（ThreadPoolExecutor(128)）中执行，以便异步后端（Modal、Docker）不会在 Atropos 事件循环中死锁。

返回 AgentResult：

@dataclass
class AgentResult:
    messages: List[Dict[str, Any]]       # 完整对话历史
    turns_used: int                       # LLM 调用次数
    finished_naturally: bool              # 模型自行停止则为 True
    reasoning_per_turn: List[Optional[str]]  # 提取的推理内容
    tool_errors: List[ToolError]          # 工具分发期间遇到的错误
    managed_state: Optional[Dict]         # VLLM ManagedServer 状态（阶段 2）

工具上下文

ToolContext（environments/tool_context.py）给奖励函数直接访问模型推导期间使用的相同沙箱。task_id 作用域意味着所有状态（文件、进程、浏览器标签）都被保留。

async def compute_reward(self, item, result, ctx: ToolContext):
    # 在模型的终端沙箱中运行测试
    test = ctx.terminal("pytest -v")
    if test["exit_code"] == 0:
        return 1.0

    # 检查是否创建了文件
    content = ctx.read_file("/workspace/solution.py")
    if content.get("content"):
        return 0.5

    # 下载文件用于本地验证
    ctx.download_file("/remote/output.bin", "/local/output.bin")
    return 0.0

可用方法：

类别	方法
终端	`terminal(command, timeout)`
文件	`read_file(path)`、`write_file(path, content)`、`search(query, path)`
传输	`upload_file()`、`upload_dir()`、`download_file()`、`download_dir()`
Web	`web_search(query)`、`web_extract(urls)`
浏览器	`browser_navigate(url)`、`browser_snapshot()`
通用	`call_tool(name, args)` — 任何 hermes-agent 工具的逃生口
清理	`cleanup()` — 释放所有资源

工具调用解析器

对于阶段 2（VLLM ManagedServer），服务器返回没有结构化工具调用的原始文本。environments/tool_call_parsers/ 中的客户端解析器从原始输出中提取 tool_calls：

from environments.tool_call_parsers import get_parser

parser = get_parser("hermes")  # 或 "mistral"、"llama3_json"、"qwen"、"deepseek_v3" 等
content, tool_calls = parser.parse(raw_model_output)

可用解析器：hermes、mistral、llama3_json、qwen、qwen3_coder、deepseek_v3、deepseek_v3_1、kimi_k2、longcat、glm45、glm47。

在阶段 1（OpenAI 服务器类型）中，不需要解析器 — 服务器原生处理工具调用解析。

可用基准测试

TerminalBench2

89 个挑战性终端任务，每个任务有独立的 Docker 沙箱环境。


测试内容	单任务编码/系统管理能力
评分	二元通过/失败（测试套件验证）
沙箱	Modal 云沙箱（每任务 Docker 镜像）
工具	`terminal` + `file`
任务	跨多个类别的 89 个任务
成本	完整评估约 $50–200（并行执行）
时间	约 2–4 小时

python environments/benchmarks/terminalbench_2/terminalbench2_env.py evaluate \
    --config environments/benchmarks/terminalbench_2/default.yaml

# 运行特定任务
python environments/benchmarks/terminalbench_2/terminalbench2_env.py evaluate \
    --config environments/benchmarks/terminalbench_2/default.yaml \
    --env.task_filter fix-git,git-multibranch

数据集：HuggingFace 上的 NousResearch/terminal-bench-2。

TBLite（OpenThoughts Terminal Bench Lite）

100 个难度校准任务 — TerminalBench2 的更快代理。


测试内容	与 TB2 相同（编码/系统管理），校准的难度等级
评分	二元通过/失败
沙箱	Modal 云沙箱
工具	`terminal` + `file`
任务	100 个任务：简单（40）、中等（26）、困难（26）、极限（8）
相关性	与完整 TB2 的 r=0.911
速度	比 TB2 快 2.6–8 倍

python environments/benchmarks/tblite/tblite_env.py evaluate \
    --config environments/benchmarks/tblite/default.yaml

TBLite 是 TerminalBench2 的薄子类 — 仅数据集和超时不同。由 OpenThoughts Agent 团队（Snorkel AI + Bespoke Labs）创建。数据集：NousResearch/openthoughts-tblite。

YC-Bench

长期战略基准测试 — Agent 扮演 AI 创业公司的 CEO。


测试内容	数百轮的多轮战略连贯性
评分	复合：`0.5 × 生存率 + 0.5 × 标准化资金`
沙箱	本地终端（无需 Modal）
工具	仅 `terminal`
运行	9 个默认（3 个预设 × 3 个种子），顺序执行
成本	完整评估约 $50–200
时间	约 3–6 小时

# 安装 yc-bench（可选依赖）
pip install "hermes-agent[yc-bench]"

# 运行评估
bash environments/benchmarks/yc_bench/run_eval.sh

# 或直接运行
python environments/benchmarks/yc_bench/yc_bench_env.py evaluate \
    --config environments/benchmarks/yc_bench/default.yaml

# 快速单预设测试
python environments/benchmarks/yc_bench/yc_bench_env.py evaluate \
    --config environments/benchmarks/yc_bench/default.yaml \
    --env.presets '["fast_test"]' --env.seeds '[1]'

YC-Bench 使用 collinear-ai/yc-bench — 一个确定性模拟，包含 4 个技能领域（research、inference、data_environment、training）、声望系统、员工管理和财务压力。与 TB2 的每任务二元评分不同，YC-Bench 衡量 Agent 是否能在数百个复合决策中保持连贯战略。

训练环境

TerminalTestEnv

一个带有内联任务（无外部数据集）的最小自包含环境。用于端到端验证完整技术栈。每个任务要求模型在已知路径创建文件；验证器检查内容。

# 处理模式（将推导保存为 JSONL，不需要训练服务器）
python environments/terminal_test_env/terminal_test_env.py process \
    --env.data_path_to_save_groups terminal_test_output.jsonl

# 服务模式（连接到 Atropos API 用于 RL 训练）
python environments/terminal_test_env/terminal_test_env.py serve

HermesSweEnv

SWE-bench 风格的训练环境。模型获得一个编码任务，使用 terminal + file + web 工具解决它，奖励函数在同一个 Modal 沙箱中运行测试。

python environments/hermes_swe_env/hermes_swe_env.py serve \
    --openai.model_name YourModel \
    --env.dataset_name bigcode/humanevalpack \
    --env.terminal_backend modal

运行环境

每个环境是一个独立 Python 脚本，有三个 CLI 子命令：

`evaluate` — 运行基准测试

用于仅评估环境（基准测试）。运行所有项，计算指标，记录到 wandb。

python environments/benchmarks/tblite/tblite_env.py evaluate \
    --config environments/benchmarks/tblite/default.yaml \
    --openai.model_name anthropic/claude-sonnet-4.6

不需要训练服务器或 run-api。环境处理一切。

`process` — 生成 SFT 数据

运行推导并将评分轨迹保存为 JSONL。用于生成训练数据而不需要完整 RL 循环。

python environments/terminal_test_env/terminal_test_env.py process \
    --env.data_path_to_save_groups output.jsonl \
    --openai.model_name anthropic/claude-sonnet-4.6

输出格式：每行是一个带完整对话历史、奖励和元数据的评分轨迹。

`serve` — 连接到 Atropos 进行 RL 训练

将环境连接到运行中的 Atropos API 服务器（run-api）。在实时 RL 训练期间使用。

# 终端 1：启动 Atropos API
run-api

# 终端 2：启动环境
python environments/hermes_swe_env/hermes_swe_env.py serve \
    --openai.model_name YourModel

环境从 Atropos 接收项，运行 Agent 推导，计算奖励，并将评分轨迹发送回训练。

两阶段操作

阶段 1：OpenAI 服务器（评估 / SFT）

使用带 tools= 参数的 server.chat_completion()。服务器（VLLM、SGLang、OpenRouter、OpenAI）原生处理工具调用解析。返回带结构化 tool_calls 的 ChatCompletion 对象。

用于：评估、SFT 数据生成、基准测试、测试
占位 Token为 Atropos 管道创建（因为 OpenAI API 不提供真实 Token ID）

阶段 2：VLLM ManagedServer（完整 RL）

使用 ManagedServer 通过 /generate 获取精确的 Token ID + logprobs。客户端工具调用解析器从原始输出重建结构化 tool_calls。

用于：使用 GRPO/PPO 的完整 RL 训练
真实 Token、掩码和 logprobs 流经管道
在配置中设置 tool_call_parser 以匹配你的模型格式（如 "hermes"、"qwen"、"mistral"）

创建环境

训练环境

from environments.hermes_base_env import HermesAgentBaseEnv, HermesAgentEnvConfig
from atroposlib.envs.server_handling.server_manager import APIServerConfig

class MyEnvConfig(HermesAgentEnvConfig):
    my_custom_field: str = "default_value"

class MyEnv(HermesAgentBaseEnv):
    name = "my-env"
    env_config_cls = MyEnvConfig

    @classmethod
    def config_init(cls):
        env_config = MyEnvConfig(
            enabled_toolsets=["terminal", "file"],
            terminal_backend="modal",
            max_agent_turns=30,
        )
        server_configs = [APIServerConfig(
            base_url="https://openrouter.ai/api/v1",
            model_name="anthropic/claude-sonnet-4.6",
            server_type="openai",
        )]
        return env_config, server_configs

    async def setup(self):
        from datasets import load_dataset
        self.dataset = list(load_dataset("my-dataset", split="train"))
        self.iter = 0

    async def get_next_item(self):
        item = self.dataset[self.iter % len(self.dataset)]
        self.iter += 1
        return item

    def format_prompt(self, item):
        return item["instruction"]

    async def compute_reward(self, item, result, ctx):
        # ctx 给予对推导沙箱的完整工具访问
        test = ctx.terminal("pytest -v")
        return 1.0 if test["exit_code"] == 0 else 0.0

    async def evaluate(self, *args, **kwargs):
        # 训练期间的定期评估
        pass

if __name__ == "__main__":
    MyEnv.cli()

仅评估基准测试

对于基准测试，遵循 TerminalBench2、TBLite 和 YC-Bench 使用的模式：

在 environments/benchmarks/your-benchmark/ 下创建
设置仅评估配置：eval_handling=STOP_TRAIN、steps_per_eval=1、total_steps=1
桩训练方法：collect_trajectories() 返回 (None, [])，score() 返回 None
实现 rollout_and_score_eval(eval_item) — 每项的 Agent 循环 + 评分
实现 evaluate() — 编排所有运行，计算聚合指标
添加流式 JSONL 用于崩溃安全的结果持久化
添加清理：KeyboardInterrupt 处理、cleanup_all_environments()、_tool_executor.shutdown()
用 evaluate 子命令运行

参见 environments/benchmarks/yc_bench/yc_bench_env.py 了解干净、有良好文档的参考实现。

配置参考

HermesAgentEnvConfig 字段

字段	类型	默认值	说明
`enabled_toolsets`	`List[str]`	`None`（全部）	启用哪些 hermes 工具集
`disabled_toolsets`	`List[str]`	`None`	要过滤掉的工具集
`distribution`	`str`	`None`	概率工具集分布名称
`max_agent_turns`	`int`	`30`	每次推导的最大 LLM 调用数
`agent_temperature`	`float`	`1.0`	采样温度
`system_prompt`	`str`	`None`	Agent 的系统消息
`terminal_backend`	`str`	`"local"`	`local`、`docker`、`modal`、`daytona`、`ssh`、`singularity`
`terminal_timeout`	`int`	`120`	每个终端命令的秒数
`terminal_lifetime`	`int`	`3600`	最大沙箱生命周期
`dataset_name`	`str`	`None`	HuggingFace 数据集标识符
`tool_pool_size`	`int`	`128`	工具执行的线程池大小
`tool_call_parser`	`str`	`"hermes"`	阶段 2 原始输出的解析器
`extra_body`	`Dict`	`None`	OpenAI API 的额外参数（如 OpenRouter 提供商偏好）
`eval_handling`	`Enum`	`STOP_TRAIN`	`STOP_TRAIN`、`LIMIT_TRAIN`、`NONE`

YAML 配置

环境可以通过 --config 传入的 YAML 文件配置：

env:
  enabled_toolsets: ["terminal", "file"]
  max_agent_turns: 60
  max_token_length: 32000
  agent_temperature: 0.8
  terminal_backend: "modal"
  terminal_timeout: 300
  dataset_name: "NousResearch/terminal-bench-2"
  tokenizer_name: "NousResearch/Hermes-3-Llama-3.1-8B"
  use_wandb: true
  wandb_name: "my-benchmark"

openai:
  base_url: "https://openrouter.ai/api/v1"
  model_name: "anthropic/claude-sonnet-4.6"
  server_type: "openai"
  health_check: false

YAML 值覆盖 config_init() 默认值。CLI 参数覆盖 YAML 值：

python my_env.py evaluate \
    --config my_config.yaml \
    --openai.model_name anthropic/claude-opus-4.6  # 覆盖 YAML

前提条件

所有环境

Python >= 3.11
atroposlib：pip install git+https://github.com/NousResearch/atropos.git
LLM API 密钥（OpenRouter、OpenAI 或自托管的 VLLM/SGLang）

Modal 账户和 CLI：pip install "hermes-agent[modal]"
MODAL_TOKEN_ID 和 MODAL_TOKEN_SECRET 环境变量

YC-Bench

pip install "hermes-agent[yc-bench]"（安装 yc-bench CLI + SQLAlchemy）
无需 Modal — 使用本地终端后端运行

RL 训练

TINKER_API_KEY — Tinker 训练服务的 API 密钥
WANDB_API_KEY — 用于 Weights & Biases 指标跟踪
tinker-atropos 子模块（在仓库的 tinker-atropos/ 中）

参见 RL 训练了解 Agent 驱动的 RL 工作流。

目录结构

environments/
├── hermes_base_env.py          # 抽象基类（HermesAgentBaseEnv）
├── agent_loop.py               # 多轮 Agent 引擎（HermesAgentLoop）
├── tool_context.py             # 每次推导的奖励函数工具访问
├── patches.py                  # Modal 后端的异步安全补丁
│
├── tool_call_parsers/          # 阶段 2 客户端解析器
│   ├── hermes_parser.py        # Hermes/ChatML 格式
│   ├── mistral_parser.py       # Mistral [TOOL_CALLS] 格式
│   ├── llama_parser.py         # Llama 3 JSON 工具调用
│   ├── qwen_parser.py          # Qwen 格式
│   ├── deepseek_v3_parser.py   # DeepSeek V3 格式
│   └── ...                     # + kimi_k2、longcat、glm45/47 等
│
├── terminal_test_env/          # 技术栈验证（内联任务）
├── hermes_swe_env/             # SWE-bench 训练环境
│
└── benchmarks/                 # 评估基准测试
    ├── terminalbench_2/        # 89 个终端任务，Modal 沙箱
    ├── tblite/                 # 100 个校准任务（快速 TB2 代理）
    └── yc_bench/               # 长期战略基准测试

📝 本文由 AI 翻译，如有疑问请参考英文原版

架构​

BaseEnv（Atropos）​

HermesAgentBaseEnv​

具体环境​

核心组件​

Agent 循环​

工具上下文​

工具调用解析器​

可用基准测试​

TerminalBench2​

TBLite（OpenThoughts Terminal Bench Lite）​

YC-Bench​

训练环境​

TerminalTestEnv​

HermesSweEnv​

运行环境​

evaluate — 运行基准测试​

process — 生成 SFT 数据​

serve — 连接到 Atropos 进行 RL 训练​

两阶段操作​

阶段 1：OpenAI 服务器（评估 / SFT）​

阶段 2：VLLM ManagedServer（完整 RL）​

创建环境​

训练环境​

仅评估基准测试​

配置参考​

HermesAgentEnvConfig 字段​

YAML 配置​

前提条件​

所有环境​

Modal 沙箱基准测试（TB2、TBLite）​

YC-Bench​

RL 训练​

目录结构​

架构

BaseEnv（Atropos）

HermesAgentBaseEnv

具体环境

核心组件

Agent 循环

工具上下文

工具调用解析器

可用基准测试

TerminalBench2

TBLite（OpenThoughts Terminal Bench Lite）

YC-Bench

训练环境

TerminalTestEnv

HermesSweEnv

运行环境

`evaluate` — 运行基准测试

`process` — 生成 SFT 数据

`serve` — 连接到 Atropos 进行 RL 训练

两阶段操作

阶段 1：OpenAI 服务器（评估 / SFT）

阶段 2：VLLM ManagedServer（完整 RL）

创建环境

训练环境

仅评估基准测试

配置参考

HermesAgentEnvConfig 字段

YAML 配置

前提条件

所有环境

Modal 沙箱基准测试（TB2、TBLite）

YC-Bench

RL 训练

目录结构