Hermes Agent Sub-Agent-Delegation und Stapelverarbeitung

Dieses Kapitel stellt zwei parallele Verarbeitungsfähigkeiten von Hermes vor: die Sub-Agent-Delegierung, die es einem Hauptagenten ermöglicht, Aufgaben an mehrere Sub-Agenten zur parallelen Ausführung zu verteilen, und ein Batch-Verarbeitungssystem, das Agenten parallel auf Hunderte von Prompts ausführen und strukturierte Trainingsdaten generieren kann.


Sub-Agent-Delegierung und Parallelität

Hermes unterstützt die Delegierung von Aufgaben vom Haupt-Agenten an Sub-Agenten und ermöglicht so parallele Workflows.

Sub-Agenten viadelegationToolset-Implementierung:

Beispiel

# Dateipfad: ~/.hermes/config.yaml
# Stelle sicher, dass das delegation-Toolset aktiviert ist
toolsets
:
 - delegation

Hauptagent verwendetspawn_agentoderspawn_parallelVom Tool abgeleiteter Agent.

Der folgende Pseudocode veranschaulicht den Mechanismus der parallelen Delegation:

Beispiel

# Der parallele Delegationsmechanismus von Agent in Sitzungen (Pseudocode, der das Prinzip erklärt)
# spawn_parallel startet mehrere Sub-Agenten gleichzeitig, die jeweils unabhängig ausgeführt werden.

spawn_parallel([
  {"prompt": "Analysiere Q1-Verkaufsdaten und erstelle einen Trendbericht"},
  {"prompt": "Analysiere Q2-Verkaufsdaten und erstelle einen Trendbericht"},
  {"prompt": "Analysiere Q3-Verkaufsdaten und erstelle einen Trendbericht"}
])
# Drei Sub-Agenten arbeiten parallel, wobei die Ergebnisse aggregiert und an den Haupt-Agenten zurückgegeben werden

Hintergrundaufgabe

Hintergrundaufgaben direkt in der Sitzung starten:

Beispiel

# Hintergrundaufgabe in der Sitzung starten
/background alle Server prüfen und Bericht erstatten

Kanban-Multi-Agent-Zusammenarbeit

Das Kanban-Toolset ermöglicht eine strukturiertere Multi-Agent-Zusammenarbeit – ein Orchestrator-Agent verteilt Aufgaben an das Board, und mehrere Worker-Agenten übernehmen sie und führen sie aus:

Beispiel

# Kanban-Toolset aktivieren (erfordert explizite Aktivierung; all/* aktiviert es nicht automatisch)
hermes tools enable kanban

# Rollenbeschreibungen zum Profil hinzufügen, damit der Orchestrator die Fähigkeiten jedes Agenten kennt
hermes profile create researcher \
  --description "Geschickt darin, Quellcode und externe Dokumentation zu lesen und Forschungsberichte zu erstellen"
hermes profile create coder \
  --description "Geschickt darin, Features zu implementieren, Fehler zu beheben und Tests zu schreiben"

Das Kanban-Toolset muss explizit aktiviert werden – selbst all oder * schalten es nicht automatisch ein. Das ist beabsichtigtes Design, weil Multi-Agent-Zusammenarbeit mehr Tokens verbraucht.


Batch-Verarbeitung und Generierung von RL-Trainingsdaten

Batch-Verarbeitung ermöglicht es, Agenten parallel auf Hunderte oder Tausende von Prompts auszuführen und dabei strukturierte Trajektoriendaten zu erzeugen – hauptsächlich verwendet für die Generierung von Trainingsdaten zum Fine-Tuning von Modellen und für die Evaluierung.

Schnellstart

Beispiel

# Prompt-Dataset im JSONL-Format vorbereiten
cat data/prompts.jsonl
# {"prompt": "Schreibe eine Python-Funktion, um den längsten palindromischen Teilstring zu finden"}
# {"prompt": "Erstelle REST-API-Endpunkte für die Benutzerauthentifizierung mit Flask"}
# {"prompt": "DebugThisError:TypeError: cannot unpack non-iterable"}

# Batch-Verarbeitung ausführen
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

# Unterbrochene Aufgabe vom Checkpoint fortsetzen
python batch_runner.py \
    --dataset_file=data/prompts.jsonl \
    --batch_size=10 \
    --run_name=my_first_run \
    --resume

Datensatzformat

Jede Zeile ist ein JSON-Objekt, muss enthaltenpromptFeld, kann optional zusätzlichen Kontext enthalten:

Beispiel

{"prompt": "Schreibe eine Python-Funktion, um Palindrome zu finden"}
{"prompt": "DebugThisError", "cwd": "/home/user/project", "docker_image": "python:3.12"}

Hauptparameter

ParameterStandardwertBeschreibung
--dataset_fileErforderlichPfad zum JSONL-Datensatz
--batch_sizeErforderlichAnzahl der Prompts pro Batch
--run_nameErforderlichName des Durchlaufs (verwendet für Ausgabeverzeichnis und Wiederaufnahme von Checkpoints)
--modelclaude-sonnet-4.6Verwendete Modelle
--num_workers4Anzahl paralleler Worker-Prozesse
--max_turns10Maximale Anzahl an Tool-Aufrufrunden pro Prompt
--distribution"default"Toolset-Verteilung (zufällige Auswahl unterschiedlicher Tool-Kombinationen)
--reasoning_effort—Denkaufwand: none/minimal/low/medium/high/xhigh
--resumefalseVom Checkpoint fortsetzen

Ausgabestruktur

Die Stapelverarbeitung erzeugt die folgende Verzeichnisstruktur:

data/my_first_run/
├── trajectories.jsonl    # 最终合并输出(所有批次)
├── batch_0.jsonl         # 各批次结果
├── batch_1.jsonl
├── checkpoint.json       # 断点续传记录
└── statistics.json       # 工具使用统计

Jede Trajektorie wird im ShareGPT-Format ausgegeben, einschließlich des vollständigen Konversationsverlaufs, der Tool-Aufrufprotokolle und der Statistiken zur Abdeckung der Schlussfolgerungen:

Beispiel

{
  "prompt_index": 42,
  "conversations": [
{"from": "human", "value": "Schreibe eine Funktion, um Palindrome zu finden..."},
{"from": "gpt", "value": "Ich werde diese Funktion erstellen...",}
     "tool_calls": [{"name": "terminal", "arguments": {...}}]},
{"from": "tool", "value": "...Ausführungsergebnis..."},
{"from": "gpt", "value": "Dies ist die fertige Funktion..."}
  ],
  "completed": true,
  "toolsets_used": ["terminal", "file"],
  "tool_stats": {
    "terminal": {"count": 2, "success": 2, "failure": 0}
  }
}

Qualitätsfilterung

Nach dem Ende des Batch-Laufs werden automatisch zwei Filter angewendet:

FilterelementRegelnZweck
Null-Inferenz-FilterungStichproben ohne jede Spur von Reasoning wurden verworfen.Stellen Sie sicher, dass die Ausgabe den Denkprozess enthält, um die Qualität der Trainingsdaten zu verbessern.
Filterung halluzinierter ToolnamenEinträge, die Tool-Aufrufe enthalten, die nicht in der Liste der gültigen Tools stehen, werden herausgefiltert.Ungültige Tool-Aufrufe ausschließen, die durch Modell-Halluzination entstehen

Reasoning-Traces beziehen sich auf <REASONING_SCRATCHPAD>-Marker oder native Thinking-Tokens. Die gefilterten Daten eignen sich besser für das Fine-Tuning von Modellen.

Integration mit der Atropos-RL-Umgebung

Die Batch-Verarbeitung kann direkt Atropos-kompatible Trainingsdaten generieren:

Beispiel

# Atropos-kompatible Trainingsdaten generieren
python batch_runner.py \
    --dataset_file=data/coding_tasks.jsonl \
    --run_name=atropos_run \
    --model=nous-hermes-3.1 \
    --num_workers=8 \
    --reasoning_effort=high

# Die Ausgabedatei trajectories.jsonl kann direkt als Atropos-Trainingsinput verwendet werden
Weitere Erweiterungen