better-dsh 0.2.5-c → 0.2.5-e

package/docs/80_upstream-docs-and-skills/hermes-dev-skill/src/i18n/zh-Hans/user-guide/features/api-server.md

@@ -1,456 +0,0 @@
----
-sidebar_position: 14
-title: "API 服务器"
-description: "将 hermes-agent 作为 OpenAI 兼容的 API 暴露给任意前端"
----
-
-# API 服务器
-
-API 服务器将 hermes-agent 作为 OpenAI 兼容的 HTTP 端点暴露出来。任何支持 OpenAI 格式的前端——Open WebUI、LobeChat、LibreChat、NextChat、ChatBox 以及数百个其他工具——都可以连接到 hermes-agent 并将其用作后端。
-
-你的 agent 使用完整工具集（终端、文件操作、网络搜索、记忆、技能）处理请求，并返回最终响应。在流式传输时，工具进度指示器会内联显示，让前端能够展示 agent 正在执行的操作。
-
-:::tip 一个后端同时覆盖模型与工具
-Hermes 本身需要配置好 provider（提供商）和工具后端，API 服务器才能发挥作用。[Nous Portal](/user-guide/features/tool-gateway) 订阅同时处理两者——300+ 个模型，以及通过 Tool Gateway 提供的网络/图像/TTS/浏览器功能。在启动 API 服务器之前运行一次 `hermes setup --portal`，Open WebUI 或 LobeChat 等前端即可获得一个完整配备工具的后端。
-:::
-
-## 快速开始
-
-### 1. 启用 API 服务器
-
-在 `~/.hermes/.env` 中添加：
-
-```bash
-API_SERVER_ENABLED=true
-API_SERVER_KEY=change-me-local-dev
-# 可选：仅当浏览器需要直接调用 Hermes 时
-# API_SERVER_CORS_ORIGINS=http://localhost:3000
-```
-
-### 2. 启动 gateway
-
-```bash
-hermes gateway
-```
-
-你将看到：
-
-```
-[API Server] API server listening on http://127.0.0.1:8642
-```
-
-### 3. 连接前端
-
-将任何 OpenAI 兼容客户端指向 `http://localhost:8642/v1`：
-
-```bash
-# 使用 curl 测试
-curl http://localhost:8642/v1/chat/completions \
-  -H "Authorization: Bearer change-me-local-dev" \
-  -H "Content-Type: application/json" \
-  -d '{"model": "hermes-agent", "messages": [{"role": "user", "content": "Hello!"}]}'
-```
-
-或连接 Open WebUI、LobeChat 或其他任意前端——参见 [Open WebUI 集成指南](/user-guide/messaging/open-webui)获取分步说明。
-
-## 端点
-
-### POST /v1/chat/completions
-
-标准 OpenAI Chat Completions 格式。无状态——完整对话通过每次请求的 `messages` 数组传入。
-
-**请求：**
-```json
-{
-  "model": "hermes-agent",
-  "messages": [
-    {"role": "system", "content": "You are a Python expert."},
-    {"role": "user", "content": "Write a fibonacci function"}
-  ],
-  "stream": false
-}
-```
-
-**响应：**
-```json
-{
-  "id": "chatcmpl-abc123",
-  "object": "chat.completion",
-  "created": 1710000000,
-  "model": "hermes-agent",
-  "choices": [{
-    "index": 0,
-    "message": {"role": "assistant", "content": "Here's a fibonacci function..."},
-    "finish_reason": "stop"
-  }],
-  "usage": {"prompt_tokens": 50, "completion_tokens": 200, "total_tokens": 250}
-}
-```
-
-**内联图像输入：** 用户消息可以将 `content` 作为 `text` 和 `image_url` 部分的数组发送。支持远程 `http(s)` URL 和 `data:image/...` URL：
-
-```json
-{
-  "model": "hermes-agent",
-  "messages": [
-    {
-      "role": "user",
-      "content": [
-        {"type": "text", "text": "What is in this image?"},
-        {"type": "image_url", "image_url": {"url": "https://example.com/cat.png", "detail": "high"}}
-      ]
-    }
-  ]
-}
-```
-
-上传的文件（`file` / `input_file` / `file_id`）和非图像 `data:` URL 将返回 `400 unsupported_content_type`。
-
-**流式传输**（`"stream": true`）：返回逐 token 响应块的 Server-Sent Events（SSE）。对于 **Chat Completions**，流使用标准 `chat.completion.chunk` 事件，以及 Hermes 自定义的 `hermes.tool.progress` 事件用于工具启动的 UX 展示。对于 **Responses**，流使用 OpenAI Responses 事件类型，如 `response.created`、`response.output_text.delta`、`response.output_item.added`、`response.output_item.done` 和 `response.completed`。
-
-**流中的工具进度：**
-- **Chat Completions**：Hermes 发出 `event: hermes.tool.progress` 以提供工具启动可见性，同时不污染持久化的 assistant 文本。
-- **Responses**：Hermes 在 SSE 流期间发出符合规范的 `function_call` 和 `function_call_output` 输出项，让客户端能够实时渲染结构化工具 UI。
-
-### POST /v1/responses
-
-OpenAI Responses API 格式。通过 `previous_response_id` 支持服务端对话状态——服务器存储完整的对话历史（包括工具调用和结果），因此多轮上下文无需客户端自行管理。
-
-**请求：**
-```json
-{
-  "model": "hermes-agent",
-  "input": "What files are in my project?",
-  "instructions": "You are a helpful coding assistant.",
-  "store": true
-}
-```
-
-**响应：**
-```json
-{
-  "id": "resp_abc123",
-  "object": "response",
-  "status": "completed",
-  "model": "hermes-agent",
-  "output": [
-    {"type": "function_call", "name": "terminal", "arguments": "{\"command\": \"ls\"}", "call_id": "call_1"},
-    {"type": "function_call_output", "call_id": "call_1", "output": "README.md src/ tests/"},
-    {"type": "message", "role": "assistant", "content": [{"type": "output_text", "text": "Your project has..."}]}
-  ],
-  "usage": {"input_tokens": 50, "output_tokens": 200, "total_tokens": 250}
-}
-```
-
-**内联图像输入：** `input[].content` 可以包含 `input_text` 和 `input_image` 部分。支持远程 URL 和 `data:image/...` URL：
-
-```json
-{
-  "model": "hermes-agent",
-  "input": [
-    {
-      "role": "user",
-      "content": [
-        {"type": "input_text", "text": "Describe this screenshot."},
-        {"type": "input_image", "image_url": "data:image/png;base64,iVBORw0K..."}
-      ]
-    }
-  ]
-}
-```
-
-上传的文件（`input_file` / `file_id`）和非图像 `data:` URL 将返回 `400 unsupported_content_type`。
-
-#### 使用 previous_response_id 进行多轮对话
-
-链式响应以在多轮之间保持完整上下文（包括工具调用）：
-
-```json
-{
-  "input": "Now show me the README",
-  "previous_response_id": "resp_abc123"
-}
-```
-
-服务器从存储的响应链重建完整对话——所有之前的工具调用和结果均被保留。链式请求还共享同一个 session，因此多轮对话在仪表板和 session 历史中显示为单个条目。
-
-#### 命名对话
-
-使用 `conversation` 参数代替追踪响应 ID：
-
-```json
-{"input": "Hello", "conversation": "my-project"}
-{"input": "What's in src/?", "conversation": "my-project"}
-{"input": "Run the tests", "conversation": "my-project"}
-```
-
-服务器自动链接到该对话中的最新响应。类似于 gateway session 的 `/title` 命令。
-
-### GET /v1/responses/\{id\}
-
-通过 ID 检索之前存储的响应。
-
-### DELETE /v1/responses/\{id\}
-
-删除存储的响应。
-
-### GET /v1/models
-
-将 agent 列为可用模型。广播的模型名称默认为 [profile](/user-guide/profiles) 名称（默认 profile 则为 `hermes-agent`）。大多数前端进行模型发现时需要此端点。
-
-### GET /v1/capabilities
-
-返回 API 服务器稳定接口的机器可读描述，供外部 UI、编排器和插件桥接使用。
-
-```json
-{
-  "object": "hermes.api_server.capabilities",
-  "platform": "hermes-agent",
-  "model": "hermes-agent",
-  "auth": {"type": "bearer", "required": true},
-  "features": {
-    "chat_completions": true,
-    "responses_api": true,
-    "run_submission": true,
-    "run_status": true,
-    "run_events_sse": true,
-    "run_stop": true
-  }
-}
-```
-
-在集成仪表板、浏览器 UI 或控制平面时使用此端点，以便它们能够发现当前运行的 Hermes 版本是否支持 runs、流式传输、取消和 session 连续性，而无需依赖私有 Python 内部实现。
-
-### GET /health
-
-健康检查。返回 `{"status": "ok"}`。也可通过 **GET /v1/health** 访问，供期望 `/v1/` 前缀的 OpenAI 兼容客户端使用。
-
-### GET /health/detailed
-
-面向监控和控制平面的已认证就绪检查。它会报告当前 profile 的配置、状态数据库、已配置模型、磁盘空间、gateway/platform 状态、活跃 API run、待处理进程完成通知和活跃 delegation 的有限状态。响应只暴露状态与计数，不包含配置值、凭据、路径、命令、队列载荷或原始错误。
-
-公开的 `/health` 路由仍是低开销的存活探针，不运行就绪检查。就绪状态降级时仍返回 HTTP 200；请检查顶层 `status` 和 `readiness.checks` 字段。
-
-## Runs API（流式友好的替代方案）
-
-除 `/v1/chat/completions` 和 `/v1/responses` 外，服务器还暴露了一个 **runs** API，适用于客户端希望订阅进度事件而非自行管理流式传输的长时 session。
-
-### POST /v1/runs
-
-创建新的 agent run。返回可用于订阅进度事件的 `run_id`。
-
-```json
-{
-  "run_id": "run_abc123",
-  "status": "started"
-}
-```
-
-Runs 接受简单的 `input` 字符串，以及可选的 `session_id`、`instructions`、`conversation_history` 或 `previous_response_id`。当提供 `session_id` 时，Hermes 会在 run 状态中暴露它，以便外部 UI 将 run 与自己的对话 ID 关联。
-
-### GET /v1/runs/\{run_id\}
-
-轮询当前 run 状态。适用于需要状态但不想保持 SSE 连接的仪表板，或在导航后重新连接的 UI。
-
-```json
-{
-  "object": "hermes.run",
-  "run_id": "run_abc123",
-  "status": "completed",
-  "session_id": "space-session",
-  "model": "hermes-agent",
-  "output": "Done.",
-  "usage": {"input_tokens": 50, "output_tokens": 200, "total_tokens": 250}
-}
-```
-
-状态在终态（`completed`、`failed` 或 `cancelled`）之后会短暂保留，以供轮询和 UI 对账使用。
-
-### GET /v1/runs/\{run_id\}/events
-
-run 的工具调用进度、token 增量和生命周期事件的 Server-Sent Events 流。专为需要附加/分离而不丢失状态的仪表板和厚客户端设计。
-
-未消费的事件缓冲区会在五分钟后过期，避免已断开的客户端导致内存无限增长。这里只会过期传输状态：仍在执行的 run 会继续保留在状态轮询、审批、停止控制和并发计数中，直到其 executor 工作真正退出。已连接的 SSE 订阅者会继续正常消费事件。
-
-### POST /v1/runs/\{run_id\}/stop
-
-中断正在运行的 agent 轮次。端点立即返回 `{"status": "stopping"}`，同时 Hermes 要求活跃 agent 在下一个安全中断点停止。
-run 会保持 `stopping` 并继续被跟踪，直到 executor 支持的工作退出，然后进入 `cancelled`；停止请求不会隐藏仍在运行的 worker。
-
-## Jobs API（后台计划任务）
-
-服务器暴露了一个轻量级 jobs CRUD 接口，用于从远程客户端管理计划/后台 agent run。所有端点均受同一 bearer 认证保护。
-
-### GET /api/jobs
-
-列出所有计划任务。
-
-### POST /api/jobs
-
-创建新的计划任务。请求体接受与 `hermes cron` 相同的结构——prompt（提示词）、schedule（计划）、skills（技能）、provider 覆盖、投递目标。
-
-### GET /api/jobs/\{job_id\}
-
-获取单个任务的定义和最后一次运行状态。
-
-### PATCH /api/jobs/\{job_id\}
-
-更新现有任务的字段（prompt、schedule 等）。部分更新会被合并。
-
-### DELETE /api/jobs/\{job_id\}
-
-删除任务。同时取消任何正在进行的 run。
-
-### POST /api/jobs/\{job_id\}/pause
-
-暂停任务而不删除它。下次计划运行的时间戳将被挂起，直到恢复。
-
-### POST /api/jobs/\{job_id\}/resume
-
-恢复之前暂停的任务。
-
-### POST /api/jobs/\{job_id\}/run
-
-立即触发任务运行，不受计划限制。
-
-## 系统 Prompt 处理
-
-当前端发送 `system` 消息（Chat Completions）或 `instructions` 字段（Responses API）时，hermes-agent 会将其**叠加在**核心系统 prompt 之上。你的 agent 保留所有工具、记忆和技能——前端的系统 prompt 只是添加额外指令。
-
-这意味着你可以按前端自定义行为，而不会失去能力：
-- Open WebUI 系统 prompt："You are a Python expert. Always include type hints."
-- agent 仍然拥有终端、文件工具、网络搜索、记忆等。
-
-## 认证
-
-通过 `Authorization` 请求头进行 Bearer token 认证：
-
-```
-Authorization: Bearer ***
-```
-
-通过 `API_SERVER_KEY` 环境变量配置密钥。如果需要浏览器直接调用 Hermes，还需将 `API_SERVER_CORS_ORIGINS` 设置为明确的允许列表。
-
-:::warning 安全
-API 服务器提供对 hermes-agent 工具集的完整访问权限，**包括终端命令**。当绑定到非回环地址（如 `0.0.0.0`）时，**必须**设置 `API_SERVER_KEY`。同时保持 `API_SERVER_CORS_ORIGINS` 范围尽量小，以控制浏览器访问。
-
-默认绑定地址（`127.0.0.1`）仅供本地使用。浏览器访问默认禁用；仅为明确的可信来源启用。
-:::
-
-## 配置
-
-### 环境变量
-
-| 变量 | 默认值 | 描述 |
-|----------|---------|-------------|
-| `API_SERVER_ENABLED` | `false` | 启用 API 服务器 |
-| `API_SERVER_PORT` | `8642` | HTTP 服务器端口 |
-| `API_SERVER_HOST` | `127.0.0.1` | 绑定地址（默认仅限本地） |
-| `API_SERVER_KEY` | _（无）_ | 认证用 Bearer token |
-| `API_SERVER_CORS_ORIGINS` | _（无）_ | 逗号分隔的允许浏览器来源 |
-| `API_SERVER_MODEL_NAME` | _（profile 名称）_ | `/v1/models` 上的模型名称。默认为 profile 名称，默认 profile 则为 `hermes-agent`。 |
-
-### config.yaml
-
-相同的设置也可以写在 `~/.hermes/config.yaml` 中嵌套的 `gateway.api_server:` 小节下：
-
-```yaml
-gateway:
-  api_server:
-    enabled: true
-    port: 8642
-    host: 127.0.0.1
-    key: your-secret-key
-    cors_origins: http://localhost:3000
-    model_name: my-hermes
-```
-
-`port`、`key`、`host`、`cors_origins` 和 `model_name` 会自动桥接到该平台的 `extra` 设置中，行为与对应的 `API_SERVER_*` 环境变量完全一致。环境变量优先于 `config.yaml` 中的值。该配置块同样可以放在 `gateway.platforms.api_server:` 或顶层 `platforms.api_server:` 小节下。
-
-## 安全响应头
-
-所有响应均包含安全响应头：
-- `X-Content-Type-Options: nosniff` — 防止 MIME 类型嗅探
-- `Referrer-Policy: no-referrer` — 防止 referrer 泄露
-
-## CORS
-
-API 服务器默认**不**启用浏览器 CORS。
-
-如需直接浏览器访问，请设置明确的允许列表：
-
-```bash
-API_SERVER_CORS_ORIGINS=http://localhost:3000,http://127.0.0.1:3000
-```
-
-启用 CORS 后：
-- **预检响应**包含 `Access-Control-Max-Age: 600`（10 分钟缓存）
-- **SSE 流式响应**包含 CORS 头，使浏览器 EventSource 客户端能够正常工作
-- **`Idempotency-Key`** 是允许的请求头——客户端可发送它用于去重（响应按 key 缓存 5 分钟）
-
-大多数已记录的前端（如 Open WebUI）采用服务器到服务器连接，完全不需要 CORS。
-
-## 兼容前端
-
-任何支持 OpenAI API 格式的前端均可使用。已测试/记录的集成：
-
-| 前端 | Stars | 连接方式 |
-|----------|-------|------------|
-| [Open WebUI](/user-guide/messaging/open-webui) | 126k | 提供完整指南 |
-| LobeChat | 73k | 自定义 provider 端点 |
-| LibreChat | 34k | librechat.yaml 中的自定义端点 |
-| AnythingLLM | 56k | 通用 OpenAI provider |
-| NextChat | 87k | BASE_URL 环境变量 |
-| ChatBox | 39k | API Host 设置 |
-| Jan | 26k | 远程模型配置 |
-| HF Chat-UI | 8k | OPENAI_BASE_URL |
-| big-AGI | 7k | 自定义端点 |
-| OpenAI Python SDK | — | `OpenAI(base_url="http://localhost:8642/v1")` |
-| curl | — | 直接 HTTP 请求 |
-
-## 使用 Profiles 的多用户设置
-
-要为多个用户提供各自隔离的 Hermes 实例（独立的配置、记忆、技能），请使用 [profiles](/user-guide/profiles)：
-
-```bash
-# 为每个用户创建 profile
-hermes profile create alice
-hermes profile create bob
-
-# 在不同端口上配置每个 profile 的 API 服务器。API_SERVER_* 是环境变量
-# （不是 config.yaml 键），因此将它们写入每个 profile 的 .env：
-cat >> ~/.hermes/profiles/alice/.env <<EOF
-API_SERVER_ENABLED=true
-API_SERVER_PORT=8643
-API_SERVER_KEY=alice-secret
-EOF
-
-cat >> ~/.hermes/profiles/bob/.env <<EOF
-API_SERVER_ENABLED=true
-API_SERVER_PORT=8644
-API_SERVER_KEY=bob-secret
-EOF
-
-# 启动每个 profile 的 gateway
-hermes -p alice gateway &
-hermes -p bob gateway &
-```
-
-每个 profile 的 API 服务器自动将 profile 名称作为模型 ID 广播：
-
-- `http://localhost:8643/v1/models` → 模型 `alice`
-- `http://localhost:8644/v1/models` → 模型 `bob`
-
-在 Open WebUI 中，将每个添加为单独的连接。模型下拉列表显示 `alice` 和 `bob` 作为不同模型，每个均由完全隔离的 Hermes 实例支持。详见 [Open WebUI 指南](/user-guide/messaging/open-webui#multi-user-setup-with-profiles)。
-
-## 限制
-
-- **响应存储** — 存储的响应（用于 `previous_response_id`）持久化在 SQLite 中，gateway 重启后仍然存在。最多存储 100 个响应（LRU 淘汰）。
-- **不支持文件上传** — 两个端点（`/v1/chat/completions` 和 `/v1/responses`）均支持内联图像，但不支持通过 API 上传文件（`file`、`input_file`、`file_id`）和非图像文档输入。
-- **model 字段仅为展示用途** — 请求中的 `model` 字段会被接受，但实际使用的 LLM 模型在服务端的 config.yaml 中配置。
-
-## 代理模式
-
-API 服务器还作为 **gateway 代理模式**的后端。当另一个 Hermes gateway 实例配置了指向此 API 服务器的 `GATEWAY_PROXY_URL` 时，它会将所有消息转发到这里，而不是运行自己的 agent。这支持分离部署——例如，一个处理 Matrix E2EE 的 Docker 容器将请求中继到宿主机侧的 agent。
-
-完整设置指南参见 [Matrix 代理模式](/user-guide/messaging/matrix#proxy-mode-e2ee-on-macos)。

package/docs/80_upstream-docs-and-skills/hermes-dev-skill/src/i18n/zh-Hans/user-guide/features/batch-processing.md

@@ -1,229 +0,0 @@
----
-sidebar_position: 12
-title: "批量处理"
-description: "大规模生成 agent 轨迹——并行处理、断点续跑与工具集分布"
----
-
-# 批量处理
-
-批量处理让你能够并行地在数百乃至数千个 prompt（提示词）上运行 Hermes agent，生成结构化的轨迹数据。其主要用途是**训练数据生成**——产出包含工具使用统计信息的 ShareGPT 格式轨迹，可用于微调或评估。
-
-## 概述
-
-批量运行器（`batch_runner.py`）处理一个由 prompt 组成的 JSONL 数据集，将每条 prompt 通过完整的 agent 会话（含工具访问权限）运行一遍。每条 prompt 都拥有独立隔离的环境。输出为结构化轨迹数据，包含完整对话历史、工具调用统计信息以及推理覆盖率指标。
-
-## 快速开始
-
-```bash
-# 基本批量运行
-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
-
-# 恢复中断的运行
-python batch_runner.py \
-    --dataset_file=data/prompts.jsonl \
-    --batch_size=10 \
-    --run_name=my_first_run \
-    --resume
-
-# 列出可用的工具集分布
-python batch_runner.py --list_distributions
-```
-
-:::tip 大规模运行下的可预测成本
-批量运行会启动大量并发 agent 会话，每个会话都会调用模型和工具。[Nous Portal](/user-guide/features/tool-gateway) 订阅将模型访问、网页搜索、图像生成、TTS 以及云端浏览器统一计费——当你希望在不同供应商账户间稳定控制每条轨迹成本、避免触碰速率限制时非常实用。使用 `hermes setup --portal` 完成配置，然后将 `--model` 指向 Nous 模型。
-:::
-
-## 数据集格式
-
-输入数据集为 JSONL 文件（每行一个 JSON 对象）。每条记录必须包含 `prompt` 字段：
-
-```jsonl
-{"prompt": "Write a Python function that finds the longest palindromic substring"}
-{"prompt": "Create a REST API endpoint for user authentication using Flask"}
-{"prompt": "Debug this error: TypeError: cannot unpack non-iterable NoneType object"}
-```
-
-记录还可以选填以下字段：
-- `image` 或 `docker_image`：用于该 prompt 沙箱的容器镜像（适用于 Docker、Modal 和 Singularity 后端）
-- `cwd`：任务终端会话的工作目录覆盖值
-
-## 配置选项
-
-| 参数 | 默认值 | 说明 |
-|-----------|---------|-------------|
-| `--dataset_file` | （必填） | JSONL 数据集路径 |
-| `--batch_size` | （必填） | 每批处理的 prompt 数量 |
-| `--run_name` | （必填） | 本次运行的名称（用于输出目录和断点续跑） |
-| `--distribution` | `"default"` | 采样所用的工具集分布 |
-| `--model` | `claude-sonnet-4.6` | 使用的模型 |
-| `--base_url` | `https://openrouter.ai/api/v1` | API 基础 URL |
-| `--api_key` | （环境变量） | 模型的 API 密钥 |
-| `--max_turns` | `10` | 每条 prompt 的最大工具调用轮次 |
-| `--num_workers` | `4` | 并行工作进程数 |
-| `--resume` | `false` | 从断点恢复 |
-| `--verbose` | `false` | 启用详细日志 |
-| `--max_samples` | 全部 | 仅处理数据集中前 N 条样本 |
-
-### 供应商路由（OpenRouter）
-
-| 参数 | 说明 |
-|-----------|-------------|
-| `--providers_allowed` | 允许的供应商，逗号分隔（例如 `"anthropic,openai"`） |
-| `--providers_ignored` | 忽略的供应商，逗号分隔（例如 `"together,deepinfra"`） |
-| `--providers_order` | 首选供应商顺序，逗号分隔 |
-| `--provider_sort` | 按 `"price"`、`"throughput"` 或 `"latency"` 排序 |
-
-### 推理控制
-
-| 参数 | 说明 |
-|-----------|-------------|
-| `--reasoning_effort` | 推理力度：`none`、`minimal`、`low`、`medium`、`high`、`xhigh`、`max`、`ultra` |
-| `--reasoning_disabled` | 完全禁用推理/思考 token |
-
-### 高级选项
-
-| 参数 | 说明 |
-|-----------|-------------|
-| `--ephemeral_system_prompt` | 执行时使用但**不**保存到轨迹中的系统 prompt |
-| `--log_prefix_chars` | 日志预览中显示的字符数（默认：100） |
-| `--prefill_messages_file` | 包含 few-shot 预填充消息的 JSON 文件路径 |
-
-## 工具集分布
-
-每条 prompt 会从一个**分布**中随机采样一组工具集。这确保训练数据覆盖多样化的工具组合。使用 `--list_distributions` 查看所有可用分布。
-
-在当前实现中，分布为**每个独立工具集**分配一个概率。采样器对每个工具集独立进行伯努利抽样，并保证至少有一个工具集被启用。这与手工编写的预设组合表不同。
-
-## 输出格式
-
-所有输出写入 `data/<run_name>/`：
-
-```text
-data/my_run/
-├── trajectories.jsonl    # 合并后的最终输出（所有批次合并）
-├── batch_0.jsonl         # 各批次结果
-├── batch_1.jsonl
-├── ...
-├── checkpoint.json       # 断点续跑检查点
-└── statistics.json       # 汇总工具使用统计
-```
-
-### 轨迹格式
-
-`trajectories.jsonl` 中每行是一个 JSON 对象：
-
-```json
-{
-  "prompt_index": 42,
-  "conversations": [
-    {"from": "human", "value": "Write a function..."},
-    {"from": "gpt", "value": "I'll create that function...",
-     "tool_calls": [...]},
-    {"from": "tool", "value": "..."},
-    {"from": "gpt", "value": "Here's the completed function..."}
-  ],
-  "metadata": {
-    "batch_num": 2,
-    "timestamp": "2026-01-15T10:30:00",
-    "model": "anthropic/claude-sonnet-4.6"
-  },
-  "completed": true,
-  "partial": false,
-  "api_calls": 3,
-  "toolsets_used": ["terminal", "file"],
-  "tool_stats": {
-    "terminal": {"count": 2, "success": 2, "failure": 0},
-    "read_file": {"count": 1, "success": 1, "failure": 0}
-  },
-  "tool_error_counts": {
-    "terminal": 0,
-    "read_file": 0
-  }
-}
-```
-
-`conversations` 字段使用类 ShareGPT 格式，包含 `from` 和 `value` 字段。工具统计信息经过规范化处理，所有可能的工具均以零值默认填充，确保各条记录的 schema 一致，兼容 HuggingFace 数据集格式。
-
-## 断点续跑
-
-批量运行器具备健壮的断点续跑机制以应对故障：
-
-- **检查点文件：** 每批完成后保存，记录已完成的 prompt 索引
-- **基于内容的恢复：** 使用 `--resume` 时，运行器扫描现有批次文件，通过实际文本内容（而非索引）匹配已完成的 prompt，即使数据集顺序发生变化也能正常恢复
-- **失败的 prompt：** 只有成功完成的 prompt 才会被标记为已完成——失败的 prompt 在恢复时会重新尝试
-- **批次合并：** 完成后，所有批次文件（包括之前运行的）会合并为单个 `trajectories.jsonl`
-
-### 恢复流程
-
-1. 扫描所有 `batch_*.jsonl` 文件，通过内容匹配找出已完成的 prompt
-2. 过滤数据集，排除已完成的 prompt
-3. 对剩余 prompt 重新分批
-4. 仅处理剩余 prompt
-5. 将所有批次文件（旧的 + 新的）合并为最终输出
-
-## 质量过滤
-
-批量运行器会自动进行质量过滤：
-
-- **无推理过滤：** 所有 assistant 轮次均不包含推理内容（无 `<REASONING_SCRATCHPAD>` 或原生思考 token）的样本将被丢弃
-- **损坏条目过滤：** 包含幻觉工具名称（不在有效工具列表中）的条目在最终合并时会被过滤掉
-- **推理统计：** 跟踪整个运行过程中包含/不包含推理内容的轮次百分比
-
-## 统计信息
-
-完成后，运行器会打印全面的统计信息：
-
-- **工具使用情况：** 每个工具的调用次数、成功/失败率
-- **推理覆盖率：** 包含推理内容的 assistant 轮次百分比
-- **丢弃样本数：** 因缺少推理内容而被过滤的样本数量
-- **耗时：** 总处理时间
-
-统计信息同时保存至 `statistics.json`，便于程序化分析。
-
-## 使用场景
-
-### 训练数据生成
-
-生成多样化的工具使用轨迹用于微调：
-
-```bash
-python batch_runner.py \
-    --dataset_file=data/coding_prompts.jsonl \
-    --batch_size=20 \
-    --run_name=coding_v1 \
-    --model=anthropic/claude-sonnet-4.6 \
-    --num_workers=8 \
-    --distribution=default \
-    --max_turns=15
-```
-
-### 模型评估
-
-在标准化 prompt 集上评估模型的工具使用能力：
-
-```bash
-python batch_runner.py \
-    --dataset_file=data/eval_suite.jsonl \
-    --batch_size=10 \
-    --run_name=eval_gpt4 \
-    --model=openai/gpt-4o \
-    --num_workers=4 \
-    --max_turns=10
-```
-
-### 按 Prompt 指定容器镜像
-
-对于需要特定环境的基准测试，每条 prompt 可以指定自己的容器镜像：
-
-```jsonl
-{"prompt": "Install numpy and compute eigenvalues of a 3x3 matrix", "image": "python:3.11-slim"}
-{"prompt": "Compile this Rust program and run it", "image": "rust:1.75"}
-{"prompt": "Set up a Node.js Express server", "image": "node:20-alpine", "cwd": "/app"}
-```
-
-批量运行器会在运行每条 prompt 前验证 Docker 镜像是否可访问。