环境、基准测试与数据生成

Hermes Agent 包含一个完整的环境框架，可将其工具调用能力与 Atropos RL 训练框架连接起来。这支持三种工作流：

RL 训练 — 使用 GRPO 在多轮智能体任务上训练语言模型
基准测试 — 在标准化的智能体基准测试上评估模型
数据生成 — 从智能体运行轨迹生成 SFT 训练数据

这三者共享同一个核心：一个定义任务、运行智能体循环并对输出进行评分的环境类。

仓库环境 vs RL 训练工具

本文档记录的 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_* 工具是分开的，后者作为远程 RL 训练工作流的编排界面。

快速链接

想运行基准测试？ 跳转到可用基准测试
想进行 RL 训练？ 查看面向智能体驱动的界面 RL 训练工具，或手动执行运行环境
想创建新环境？ 查看创建环境

架构

环境系统构建在一个三层继承链上：

BaseEnv (Atropos)

来自 atroposlib 的基础层。提供：

服务器管理 — 连接到 OpenAI 兼容的 API（VLLM、SGLang、OpenRouter）
工作进程调度 — 并行运行轨迹协调
Wandb 集成 — 指标记录和运行轨迹可视化
CLI 界面 — 三个子命令：serve、process、evaluate
评估日志 — evaluate_log() 将结果保存到 JSON + JSONL

HermesAgentBaseEnv

hermes-agent 层（environments/hermes_base_env.py）。增加：

终端后端配置 — 为沙盒执行设置 TERMINAL_ENV（本地、Docker、Modal、Daytona、SSH、Singularity）
工具解析 — _resolve_tools_for_group() 调用 hermes-agent 的 get_tool_definitions()，根据启用/禁用的工具集获取正确的工具模式
智能体循环集成 — collect_trajectory() 运行 HermesAgentLoop 并对结果评分
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 — 对 Modal 后端进行猴子补丁，使其能在 Atropos 的事件循环中工作

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()`	返回下一个用于运行轨迹的条目
`format_prompt(item)`	将条目转换为用户消息
`compute_reward(item, result, ctx)`	对运行轨迹评分（0.0–1.0）
`evaluate()`	周期性评估逻辑

核心组件

智能体循环

HermesAgentLoop（environments/agent_loop.py）是可复用的多轮智能体引擎。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 + 工具模式发送到 API
如果响应包含 tool_calls，则通过 handle_function_call() 分发每个调用
将工具结果附加到对话中，返回步骤 1
如果没有 tool_calls，则智能体完成

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 的事件循环中死锁。

返回一个 AgentResult：

@dataclass
class AgentResult:
    messages: List[Dict[str, Any]]       # 完整的对话历史
    turns_used: int                       # 进行的 LLM 调用次数
    finished_naturally: bool              # 如果模型自行停止则为 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）让奖励函数能够直接访问模型在其运行轨迹期间使用的同一个沙盒。task_id 作用域意味着所有状态（文件、进程、浏览器标签页）都得以保留。

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

    # 检查文件是否被创建
    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()`
网页	`web_search(query)`, `web_extract(urls)`
浏览器	`browser_navigate(url)`, `browser_snapshot()`
通用	`call_tool(name, args)` — 用于任何 hermes-agent 工具的逃生舱口
清理	`cleanup()` — 释放所有资源

工具调用解析器

对于阶段 2（VLLM ManagedServer），服务器返回原始文本，没有结构化的工具调用。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 个具有挑战性的终端任务，每个任务都有独立的 Docker 沙盒环境。


测试内容	单任务编码/系统管理能力
评分	二进制通过/失败（测试套件验证）
沙盒	Modal 云沙盒（每个任务的 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 个难度校准的任务 — TerminalBench2 的更快替代品。


测试内容	与 TB2 相同（编码/系统管理），校准了难度等级
评分	二进制通过/失败
沙盒	Modal 云沙盒
工具	`terminal` + `file`
任务	100 个任务：简单（40）、中等（26）、困难（26）、极端（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 的一个薄子类 — 仅数据集和超时时间不同。由 OpenThoughts Agent 团队（Snorkel AI + Bespoke Labs）创建。数据集：NousResearch/openthoughts-tblite。

YC-Bench

长视野战略基准测试 — 智能体扮演一家 AI 初创公司的 CEO。


测试内容	数百轮决策中的多轮战略连贯性
评分	复合评分：`0.5 × survival + 0.5 × normalised_funds`
沙盒	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 — 一个具有 4 个技能领域（研究、推理、数据环境、训练）、声望系统、员工管理和财务压力的确定性模拟。与 TB2 的每任务二进制评分不同，YC-Bench 衡量的是智能体能否在数百个复合决策中保持连贯的战略。

训练环境

TerminalTestEnv

一个最小化的自包含环境，带有内联任务（无外部数据集）。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一个文件；验证器检查内容。

# 处理模式（将运行轨迹保存到 JSONL，无需训练服务器）
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 进行 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，使用终端 + 文件 + 网页工具来解决它，奖励函数在同一个 Modal 沙盒中运行测试。

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

每个环境都是一个独立的 Python 脚本，带有三个 CLI 子命令：

`evaluate` — 运行基准测试

用于仅评估的环境（基准测试）。运行所有条目，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

无需训练服务器或 run-api。环境处理一切。

`process` — 生成 SFT 数据

运行轨迹并将评分后的轨迹保存到 JSONL。适用于生成训练数据而无需完整 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：每行是一个评分后的轨迹，包含完整的对话历史、奖励和元数据。

`serve` — 连接到 Atropos 进行 RL 训练

将环境连接到正在运行的 Atropos API 服务器 (run-api)。用于实时 RL 训练。

# 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 接收任务项，运行智能体轨迹，计算奖励，并将评分后的轨迹发送回训练系统。

两阶段操作

阶段 1：OpenAI 服务器（评估 / SFT）

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

适用于：评估、SFT 数据生成、基准测试、功能测试
为 Atropos 流水线创建占位符 token（因为 OpenAI API 不提供真实的 token ID）

阶段 2：VLLM ManagedServer（完整 RL）

使用 ManagedServer 通过 /generate 端点获取精确的 token ID 和 logprobs。客户端侧的工具调用解析器从原始输出中重建结构化的 tool_calls。

适用于：使用 GRPO/PPO 进行完整 RL 训练
真实的 token、掩码和 logprobs 在流水线中流动
在配置中设置 tool_call_parser 以匹配你的模型格式（例如 "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 提供对轨迹沙盒的完整工具访问权限
        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()

仅用于评估的基准测试

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

在 environments/benchmarks/your-benchmark/ 目录下创建
设置仅评估配置：eval_handling=STOP_TRAIN、steps_per_eval=1、total_steps=1
存根训练方法：collect_trajectories() 返回 (None, [])，score() 返回 None
实现 rollout_and_score_eval(eval_item) — 每个任务项的智能体循环 + 评分
实现 evaluate() — 编排所有运行，计算聚合指标
添加流式 JSONL 以实现崩溃安全的结果持久化
添加清理逻辑：KeyboardInterrupt 处理、cleanup_all_environments()、_tool_executor.shutdown()
使用 evaluate 子命令运行

请参考 environments/benchmarks/yc_bench/yc_bench_env.py 以获取一个简洁、文档完善的参考实现。

配置参考

HermesAgentEnvConfig 字段

字段	类型	默认值	描述
`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`	概率性工具集分布名称
`max_agent_turns`	`int`	`30`	每次轨迹的最大 LLM 调用次数
`agent_temperature`	`float`	`1.0`	采样温度
`system_prompt`	`str`	`None`	给智能体的系统提示
`terminal_backend`	`str`	`"local"`	`local`、`docker`、`modal`、`daytona`、`ssh`、`singularity`
`terminal_timeout`	`int`	`120`	每个终端命令的超时时间（秒）
`terminal_lifetime`	`int`	`3600`	沙盒最大生命周期（秒）
`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"`	用于阶段 2 原始输出的解析器
`extra_body`	`Dict`	`None`	OpenAI API 的额外参数（例如 OpenRouter 提供商偏好）
`eval_handling`	`Enum`	`STOP_TRAIN`	`STOP_TRAIN`、`LIMIT_TRAIN`、`NONE`

YAML 配置

可以通过 --config 传递的 YAML 文件来配置环境：

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 值会覆盖 config_init() 的默认值。命令行参数会覆盖 YAML 值：

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

先决条件

所有环境通用

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]"
环境变量 MODAL_TOKEN_ID 和 MODAL_TOKEN_SECRET

对于 YC-Bench

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

对于 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（位于代码库的 tinker-atropos/ 目录下）

关于智能体驱动的 RL 工作流，请参阅 RL 训练。

目录结构

environments/
├── hermes_base_env.py          # 抽象基类 (HermesAgentBaseEnv)
├── agent_loop.py               # 多轮智能体引擎 (HermesAgentLoop)
├── tool_context.py             # 奖励函数使用的每轨迹工具访问上下文
├── 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 <tool_call> 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/          # 堆栈验证（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 沙盒
    ├── tblite/                 # 100 个校准任务（快速的 TB2 代理）
    └── yc_bench/               # 长程战略基准测试

架构​

BaseEnv (Atropos)​

HermesAgentBaseEnv​

具体环境​

核心组件​

智能体循环​

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​

仅用于评估的基准测试​

配置参考​

HermesAgentEnvConfig 字段​

YAML 配置​

先决条件​

所有环境通用​

对于 Modal 沙盒基准测试（TB2、TBLite）​

对于 YC-Bench​

对于 RL 训练​

目录结构​

架构

BaseEnv (Atropos)

HermesAgentBaseEnv

具体环境

核心组件

智能体循环

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

仅用于评估的基准测试

配置参考

HermesAgentEnvConfig 字段

YAML 配置

先决条件

所有环境通用

对于 Modal 沙盒基准测试（TB2、TBLite）

对于 YC-Bench

对于 RL 训练

目录结构