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
# 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
# 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
/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
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
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": "DebugThisError", "cwd": "/home/user/project", "docker_image": "python:3.12"}
Hauptparameter
| Parameter | Standardwert | Beschreibung |
|---|---|---|
| --dataset_file | Erforderlich | Pfad zum JSONL-Datensatz |
| --batch_size | Erforderlich | Anzahl der Prompts pro Batch |
| --run_name | Erforderlich | Name des Durchlaufs (verwendet für Ausgabeverzeichnis und Wiederaufnahme von Checkpoints) |
| --model | claude-sonnet-4.6 | Verwendete Modelle |
| --num_workers | 4 | Anzahl paralleler Worker-Prozesse |
| --max_turns | 10 | Maximale Anzahl an Tool-Aufrufrunden pro Prompt |
| --distribution | "default" | Toolset-Verteilung (zufällige Auswahl unterschiedlicher Tool-Kombinationen) |
| --reasoning_effort | — | Denkaufwand: none/minimal/low/medium/high/xhigh |
| --resume | false | Vom 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:
| Filterelement | Regeln | Zweck |
|---|---|---|
| Null-Inferenz-Filterung | Stichproben 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 Toolnamen | Einträge, 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
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