环境、基准测试与数据生成

Hermes Agent 包含一个完整的环境框架，将它的工具调用能力与 Atropos 强化学习训练框架相连接。这支持三种工作流：

强化学习训练 — 使用 GRPO 在多轮代理任务上训练语言模型
基准测试 — 在标准化的代理基准上评估模型
数据生成 — 从代理回放中生成 SFT 训练数据

这三种工作流共享同一个核心：一个定义任务、运行代理循环并评分输出的环境类。

仓库环境 vs 强化学习训练工具

此处文档中的 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，后者作为远程强化学习训练工作流的编排接口。

快速链接

想运行基准测试？ 跳转至可用基准测试
想使用强化学习训练？ 参见强化学习训练工具以获取代理驱动的界面，或参见运行环境以手动执行
想创建新环境？ 参见创建环境

架构

环境系统基于三层继承链构建：

BaseEnv (Atropos)

atroposlib 的基础类。提供：

服务器管理 — 连接到 OpenAI 兼容 API（VLLM、SGLang、OpenRouter）
工作器调度 — 并行回放协调
Wandb 集成 — 指标日志记录与回放可视化
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）。新增功能包括：

终端后端配置 — 设置 TERMINAL_ENV 以实现沙箱执行（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
代理循环集成 — collect_trajectory() 运行 HermesAgentLoop 并评分结果
双阶段运行 — 第一阶段（OpenAI 服务器）用于评估/SFT，第二阶段（VLLM ManagedServer）用于完整强化学习（带 logprobs）
异步安全补丁 — 对 Modal 后端进行猴子补丁，使其可在 Atropos 的事件循环内正常工作

具体环境

你的环境继承自 HermesAgentBaseEnv，并实现以下五个方法：

方法	用途
`setup()`	加载数据集，初始化状态
`get_next_item()`	返回下一项用于回放
`format_prompt(item)`	将一项转换为用户消息
`compute_reward(item, result, ctx)`	评分回放结果（0.0–1.0）
`evaluate()`	定期评估逻辑

核心组件

代理循环

HermesAgentLoop（environments/agent_loop.py）是可复用的多轮代理引擎。其运行方式与 Hermes Agent 主循环中的工具调用模式一致：

通过 server.chat_completion() 将消息 + 工具模式发送至 API
若响应包含 tool_calls，则通过 handle_function_call() 分发每个调用
将工具结果追加至对话中，返回步骤 1
若无 tool_calls，则代理完成

工具调用在线程池（ThreadPoolExecutor(128)）中执行，以防止异步后端（Modal、Docker）在 Atropos 事件循环内死锁。

返回一个 AgentResult：

@dataclass
class AgentResult:
    messages: List[Dict[str, Any]]       # Full conversation history
    turns_used: int                       # Number of LLM calls made
    finished_naturally: bool              # True if model stopped on its own
    reasoning_per_turn: List[Optional[str]]  # Extracted reasoning content
    tool_errors: List[ToolError]          # Errors encountered during tool dispatch
    managed_state: Optional[Dict]         # VLLM ManagedServer state (Phase 2)

工具上下文

ToolContext（environments/tool_context.py）使奖励函数可直接访问代理回放期间所用的 同一沙箱。task_id 的作用域意味着所有状态（文件、进程、浏览器标签页）均被保留。

async def compute_reward(self, item, result, ctx: ToolContext):
    # Run tests in the model's terminal sandbox
    test = ctx.terminal("pytest -v")
    if test["exit_code"] == 0:
        return 1.0

    # Check if a file was created
    content = ctx.read_file("/workspace/solution.py")
    if content.get("content"):
        return 0.5

    # Download files for local verification
    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()`
网络	`web_search(query)`、`web_extract(urls)`
浏览器	`browser_navigate(url)`、`browser_snapshot()`
通用	`call_tool(name, args)` — 任意 Hermes Agent 工具的逃生通道
清理	`cleanup()` — 释放所有资源

工具调用解析器

对于 第二阶段（VLLM ManagedServer），服务器返回原始文本，不包含结构化工具调用。客户端解析器位于 environments/tool_call_parsers/ 中，用于从原始输出中提取 tool_calls：

from environments.tool_call_parsers import get_parser

parser = get_parser("hermes")  # or "mistral", "llama3_json", "qwen", "deepseek_v3", etc.
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。

在第一阶段（OpenAI 服务器类型）中，无需解析器——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，每个任务配有独立的 Docker 沙箱环境。


测试内容	单任务编码/系统管理能力
评分方式	二元通过/失败（测试套件验证）
沙箱环境	模态云沙箱（每个任务独立的 Docker 镜像）
工具	`terminal` + `file`
任务数量	跨多个类别的 89 个任务
成本	完整评估约 $50–200（并行执行）
耗时	约 2–4 小时

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

# Run specific tasks
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：NousResearch/terminal-bench-2 在 HuggingFace 上。

TBLite（OpenThoughts Terminal Bench Lite）

100 个难度校准的任务 —— TerminalBench2 的快速代理。


测试内容	与 TB2 相同（编码/系统管理），难度分级校准
评分方式	二元通过/失败
沙箱环境	模态云沙箱
工具	`terminal` + `file`
任务数量	100 个任务：简单（40）、中等（26）、困难（26）、极端（8）
相关性	与完整 TB2 的相关系数 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 的轻量子类 —— 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

长周期战略基准 —— 代理扮演一家 AI 初创公司的 CEO。


测试内容	跨数百轮对话的多轮战略连贯性
评分方式	综合评分：`0.5 × survival + 0.5 × normalised_funds`
沙箱环境	本地终端（无需 Modal）
工具	仅 `terminal`
运行次数	9 次默认运行（3 种预设 × 3 个随机种子），顺序执行
成本	完整评估约 $50–200
耗时	约 3–6 小时

# Install yc-bench (optional dependency)
pip install "hermes-agent[yc-bench]"

# Run evaluation
bash environments/benchmarks/yc_bench/run_eval.sh

# Or directly
python environments/benchmarks/yc_bench/yc_bench_env.py evaluate \
    --config environments/benchmarks/yc_bench/default.yaml

# Quick single-preset test
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 —— 一个确定性模拟环境，包含 4 个技能领域（研究、推理、数据环境、训练）、声望系统、员工管理以及财务压力。与 TB2 的单任务二元评分不同，YC-Bench 衡量代理是否能在数百个累积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，任务内联（无需外部数据集）。用于端到端验证完整系统。每个任务要求模型在已知路径创建文件；验证器检查内容。

# Process mode (saves rollouts to JSONL, no training server needed)
python environments/terminal_test_env/terminal_test_env.py process \
    --env.data_path_to_save_groups terminal_test_output.jsonl

# Serve mode (connects to Atropos API for RL training)
python environments/terminal_test_env/terminal_test_env.py serve

HermesSweEnv

类似 SWE-bench 的训练环境。模型获得编码任务，使用终端 + 文件 + 网络工具解决，奖励函数在相同的模态沙箱中运行测试。

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

每个环境都是一个独立的 Python 脚本，包含三个 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。环境自行处理全部流程。

`process` —— 生成 SFT 数据

运行回放并以 JSONL 格式保存带评分的轨迹。适用于在不进行完整强化学习循环的情况下生成训练数据。

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、奖励和元数据的带评分轨迹。

`serve` —— 连接到 Atropos 以进行强化学习训练

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

# Terminal 1: Start the Atropos API
run-api

# Terminal 2: Start the environment
python environments/hermes_swe_env/hermes_swe_env.py serve \
    --openai.model_name YourModel

环境从 Atropos 接收任务，运行代理回放，计算奖励，并将带评分的轨迹返回用于训练。

两阶段运行机制

阶段 1：OpenAI 服务器（评估 / SFT）

使用 server.chat_completion() 并传入 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。

用途：评估、SFT 数据生成、基准测试、测试
占位符令牌 用于 Atropos 流水线（因 OpenAI API 无法提供真实令牌 ID）

阶段 2：VLLM ManagedServer（完整强化学习）

使用 ManagedServer 获取精确的令牌 ID 和 logprobs（通过 /generate）。客户端侧的工具调用解析器从原始输出重建结构化的 tool_calls。

用途：使用 GRPO/PPO 的完整强化学习训练
真实令牌、掩码和 logprobs 在流水线中完整流动
在配置中设置 tool_call_parser 以匹配模型格式（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 gives full tool access to the rollout's sandbox
        test = ctx.terminal("pytest -v")
        return 1.0 if test["exit_code"] == 0 else 0.0

    async def evaluate(self, *args, **kwargs):
        # Periodic evaluation during training
        pass

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

仅评估基准

对于基准测试，请遵循 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
存根训练方法：collect_trajectories() 返回 (None, [])，score() 返回 None
实现 rollout_and_score_eval(eval_item) —— 每项任务的智能体循环 + 评分
实现 evaluate() —— 协调所有运行，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

参见 environments/benchmarks/yc_bench/yc_bench_env.py 以获取一个干净、文档齐全的参考实现。

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）	启用的 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`	每次推演的最大 LLM 调用次数
`agent_temperature`	`float`	`1.0`	采样温度
`system_prompt`	`str`	`None`	智能体的系统消息
`terminal_backend`	`str`	`"local"`	`local`、`docker`、`modal`、`daytona`、`ssh`、`singularity`
`terminal_timeout`	`int`	`120`	每个终端命令的超时时间（秒）
`terminal_lifetime`	`int`	`3600`	沙箱最大生命周期
`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"`	第二阶段原始输出的解析器
`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

环境可通过 --config 传入的 YAML 文件进行配置：

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 值会覆盖 config_init() 的默认值。CLI 参数会覆盖 YAML 值：

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

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 VLLM/SGLang）

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

适用于 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

适用于 RL 训练

TINKER_API_KEY —— Tinker 训练服务的 API 密钥
WANDB_API_KEY —— 用于 Weights & Biases 指标追踪
tinker-atropos 子模块（位于仓库中的 tinker-atropos/ 目录）

参见 RL 训练了解由智能体驱动的 RL 工作流。

目录结构

environments/
├── hermes_base_env.py          # Abstract base class (HermesAgentBaseEnv)
├── agent_loop.py               # Multi-turn agent engine (HermesAgentLoop)
├── tool_context.py             # Per-rollout tool access for reward functions
├── patches.py                  # Async-safety patches for Modal backend
│
├── tool_call_parsers/          # Phase 2 client-side parsers
│   ├── hermes_parser.py        # Hermes/ChatML <tool_call> format
│   ├── mistral_parser.py       # Mistral [TOOL_CALLS] format
│   ├── llama_parser.py         # Llama 3 JSON tool calling
│   ├── qwen_parser.py          # Qwen format
│   ├── deepseek_v3_parser.py   # DeepSeek V3 format
│   └── ...                     # + kimi_k2, longcat, glm45/47, etc.
│
├── terminal_test_env/          # Stack validation (inline tasks)
├── hermes_swe_env/             # SWE-bench training environment
│
└── benchmarks/                 # Evaluation benchmarks
    ├── terminalbench_2/        # 89 terminal tasks, Modal sandboxes
    ├── tblite/                 # 100 calibrated tasks (fast TB2 proxy)
    └── yc_bench/               # Long-horizon strategic benchmark

架构​

BaseEnv (Atropos)​

HermesAgentBaseEnv​

具体环境​

核心组件​

代理循环​

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 以进行强化学习训练​

两阶段运行机制​

阶段 1：OpenAI 服务器（评估 / SFT）​

阶段 2：VLLM ManagedServer（完整强化学习）​

创建环境​

训练环境​

仅评估基准​

配置参考​

HermesAgentEnvConfig 字段​

YAML 配置​

先决条件​

所有环境通用​

适用于 Modal 沙箱基准测试（TB2、TBLite）​

适用于 YC-Bench​

适用于 RL 训练​

目录结构​

架构

BaseEnv (Atropos)

HermesAgentBaseEnv

具体环境

核心组件

代理循环

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 以进行强化学习训练

两阶段运行机制

阶段 1：OpenAI 服务器（评估 / SFT）

阶段 2：VLLM ManagedServer（完整强化学习）

创建环境

训练环境

仅评估基准

配置参考

HermesAgentEnvConfig 字段

YAML 配置

先决条件

所有环境通用

适用于 Modal 沙箱基准测试（TB2、TBLite）

适用于 YC-Bench

适用于 RL 训练

目录结构