跳到主要内容

RL 训练

Hermes Agent 包含一个基于 Tinker-Atropos 构建的集成 RL（强化学习）训练流程。这使得能够使用 GRPO（组相对策略优化）和 LoRA 适配器，在特定环境任务上训练语言模型，整个过程完全通过智能体的工具接口进行编排。

概述​

RL 训练系统由三个组件组成：

  1. Atropos — 一个轨迹 API 服务器，协调环境交互、管理 rollout 组并计算优势
  2. Tinker — 一个训练服务，处理模型权重、LoRA 训练、采样/推理和优化器步骤
  3. 环境 — 定义任务、评分和奖励函数的 Python 类（例如，GSM8K 数学问题）

智能体可以通过一组 rl_* 工具来发现环境、配置训练参数、启动训练运行并监控指标。

要求​

RL 训练需要：

  • Python >= 3.11（Tinker 包要求）
  • TINKER_API_KEY — Tinker 训练服务的 API 密钥
  • WANDB_API_KEY — Weights & Biases 指标跟踪的 API 密钥
  • tinker-atropos 子模块（位于 Hermes 根目录下的 tinker-atropos/ 目录）
# 设置 API 密钥
hermes config set TINKER_API_KEY your-tinker-key
hermes config set WANDB_API_KEY your-wandb-key

当两个密钥都存在且 Python >= 3.11 可用时，rl 工具集会自动启用。

可用工具​

工具描述
rl_list_environments发现可用的 RL 环境
rl_select_environment选择一个环境并加载其配置
rl_get_current_config查看可配置和锁定的字段
rl_edit_config修改可配置的训练参数
rl_start_training启动一个训练运行（生成 3 个进程）
rl_check_status监控训练进度和 WandB 指标
rl_stop_training停止正在运行的训练任务
rl_get_results获取最终指标和模型权重路径
rl_list_runs列出所有活跃和已完成的运行
rl_test_inference使用 OpenRouter 进行快速推理测试

工作流程​

1. 发现环境​

列出可用的 RL 环境

智能体调用 rl_list_environments()，该函数使用 AST 解析扫描 tinker-atropos/tinker_atropos/environments/ 目录，查找继承自 BaseEnv 的 Python 类。每个环境定义：

  • 数据集加载 — 训练数据的来源（例如，HuggingFace 数据集）
  • 提示词构建 — 如何为模型格式化数据项
  • 评分/验证 — 如何评估模型输出并分配奖励

2. 选择与配置​

选择 GSM8K 环境并显示配置

智能体调用 rl_select_environment("gsm8k_tinker")，然后调用 rl_get_current_config() 查看所有参数。

配置字段分为两类：

可配置字段（可以修改）：

  • group_size — 每个数据项的完成次数（默认：16）
  • batch_size — 训练批次大小（默认：128）
  • wandb_name — WandB 运行名称（自动设置为 {env}-{timestamp}）
  • 其他环境特定参数

锁定字段（基础设施设置，无法更改）：

  • tokenizer_name — 模型分词器（例如 Qwen/Qwen3-8B）
  • rollout_server_url — Atropos API URL（http://localhost:8000）
  • max_token_length — 最大 token 长度（8192）
  • max_num_workers — 最大并行工作进程数（2048）
  • total_steps — 总训练步数（2500）
  • lora_rank — LoRA 适配器秩（32）
  • learning_rate — 学习率（4e-5）
  • max_token_trainer_length — 训练器的最大 token 数（9000）

3. 开始训练​

启动训练运行

智能体调用 rl_start_training()，该函数会：

  1. 生成一个 YAML 配置文件，合并锁定设置和可配置的覆盖项
  2. 创建一个唯一的运行 ID
  3. 生成三个进程：
    • Atropos API 服务器（run-api）— 轨迹协调
    • Tinker 训练器（launch_training.py）— LoRA 训练 + 在端口 8001 上运行的 FastAPI 推理服务器
    • 环境（environment.py serve）— 连接到 Atropos 的选定环境

这些进程以交错延迟启动（API 5 秒，训练器 30 秒，环境再 90 秒），以确保正确的初始化顺序。

4. 监控进度​

检查训练运行 abc12345 的状态

智能体调用 rl_check_status(run_id)，报告：

  • 进程状态（3 个进程中每个进程的运行/退出状态）
  • 运行时间
  • WandB 指标（步数、平均奖励、正确百分比、评估准确率）
  • 用于调试的日志文件位置
速率限制

状态检查被限制为每个运行 ID 每 30 分钟一次。这可以防止在需要数小时运行的长时间训练任务期间进行过多的轮询。

5. 停止或获取结果​

停止训练运行
# 或
获取运行 abc12345 的最终结果

rl_stop_training() 以相反顺序终止所有三个进程（环境 → 训练器 → API）。rl_get_results() 检索最终的 WandB 指标和训练历史记录。

推理测试​

在投入完整训练运行之前，您可以使用 rl_test_inference 测试环境是否正常工作。这使用 OpenRouter 运行几个推理和评分步骤——不需要 Tinker API，只需要一个 OPENROUTER_API_KEY。

使用推理测试选定的环境

默认配置：

  • 3 步 × 16 次完成 = 每个模型 48 次 rollout
  • 测试 3 个不同规模的模型以确保鲁棒性：
    • qwen/qwen3-8b（小型）
    • z-ai/glm-4.7-flash（中型）
    • minimax/minimax-m2.7（大型）
  • 总计：约 144 次 rollout

这验证：

  • 环境正确加载
  • 提示词构建有效
  • 推理响应解析在不同模型规模下具有鲁棒性
  • 验证器/评分逻辑产生有效的奖励

Tinker API 集成​

训练器使用 Tinker API 进行模型训练操作：

  • ServiceClient — 创建训练和采样客户端
  • 训练客户端 — 处理带有重要性采样损失的前向-后向传播、优化器步骤（Adam）和权重检查点保存
  • 采样客户端 — 使用最新训练的权重提供推理

训练循环：

  1. 从 Atropos 获取一批 rollout（提示词 + 完成结果 + 分数）
  2. 转换为带有填充 logprobs 和优势值的 Tinker Datum 对象
  3. 使用重要性采样损失运行前向-后向传播
  4. 执行优化器步骤（Adam：lr=4e-5，β1=0.9，β2=0.95）
  5. 保存权重并为下一步推理创建新的采样客户端
  6. 将指标记录到 WandB

架构图​

创建自定义环境​

要创建新的 RL 环境：

  1. 在 tinker-atropos/tinker_atropos/environments/ 中创建一个 Python 文件
  2. 定义一个继承自 BaseEnv 的类
  3. 实现所需的方法：
    • load_dataset() — 加载您的训练数据
    • get_next_item() — 向模型提供下一个数据项
    • score_answer() — 对模型输出进行评分并分配奖励
    • collect_trajectories() — 收集并返回轨迹
  4. 可选地定义一个继承自 BaseEnvConfig 的自定义配置类

研究现有的 gsm8k_tinker.py 作为模板。智能体可以帮助您创建新环境——它可以读取现有的环境文件、检查 HuggingFace 数据集并编写新的环境代码。

WandB 指标​

训练运行会记录到 Weights & Biases，包含以下关键指标：

指标描述
train/loss训练损失（重要性采样）
train/learning_rate当前学习率
reward/mean各组平均奖励
logprobs/mean平均参考 logprobs
logprobs/mean_training平均训练 logprobs
logprobs/diffLogprob 漂移（参考 - 训练）
advantages/mean平均优势值
advantages/std优势标准差

日志文件​

每个训练运行都会在 ~/.hermes/logs/rl_training/ 目录下生成日志文件：

logs/
├── api_{run_id}.log        # Atropos API 服务器日志
├── trainer_{run_id}.log    # Tinker 训练器日志
├── env_{run_id}.log        # 环境进程日志
└── inference_tests/        # 推理测试结果
    ├── test_{env}_{model}.jsonl
    └── test_{env}_{model}.log

当训练失败或产生意外结果时，这些日志对于调试非常宝贵。