ByteNoteByteNote
字

字节笔记本

2026年6月21日

hermes教程-标题：轨迹格式

#Claude Code
API中转
¥120
每日科技简报 · 每天一篇,快速了解科技圈大事

轨迹格式

Hermes Agent 以兼容 ShareGPT 的 JSONL 格式保存对话轨迹，用作训练数据、调试工件和强化学习数据集。

源文件：agent/trajectory.py、run_agent.py（搜索 _save_trajectory）、batch_runner.py

文件命名约定

轨迹写入当前工作目录中的文件：

文件条件
trajectory_samples.jsonl成功完成的对话（completed=True）
failed_trajectories.jsonl失败或中断的对话（completed=False）

批量运行器（batch_runner.py）将每个批次写入自定义输出文件（例如 batch_001_output.jsonl），并包含额外的元数据字段。

您可以通过 save_trajectory() 中的 filename 参数覆盖文件名。

JSONL 条目格式

文件中的每一行都是一个自包含的 JSON 对象。有两种变体：

CLI/交互式格式（来自 _save_trajectory）

json
{
  "conversations": [ ... ],
  "timestamp": "2026-03-30T14:22:31.456789",
  "model": "anthropic/claude-sonnet-4.6",
  "completed": true
}

批量运行器格式（来自 batch_runner.py）

json
{
  "prompt_index": 42,
  "conversations": [ ... ],
  "metadata": { "prompt_source": "gsm8k", "difficulty": "hard" },
  "completed": true,
  "partial": false,
  "api_calls": 7,
  "toolsets_used": ["code_tools", "file_tools"],
  "tool_stats": {
    "terminal": {"count": 3, "success": 3, "failure": 0},
    "read_file": {"count": 2, "success": 2, "failure": 0},
    "write_file": {"count": 0, "success": 0, "failure": 0}
  },
  "tool_error_counts": {
    "terminal": 0,
    "read_file": 0,
    "write_file": 0
  }
}

tool_stats 和 tool_error_counts 字典被归一化，包含所有可能的工具（来自 model_tools.TOOL_TO_TOOLSET_MAP），默认值为零，确保跨条目的模式一致，便于 HuggingFace 数据集加载。

对话数组（ShareGPT 格式）

conversations 数组使用 ShareGPT 角色约定：

API 角色ShareGPT from
system"system"
user"human"
assistant"gpt"
tool"tool"

完整示例

json
{
  "conversations": [
    {
      "from": "system",
      "value": "You are a function calling AI model. You are provided with function signatures within <tools> </tools> XML tags. You may call one or more functions to assist with the user query. If available tools are not relevant in assisting with user query, just respond in natural conversational language. Don't make assumptions about what values to plug into functions. After calling & executing the functions, you will be provided with function results within <tool_response> </tool_response> XML tags. Here are the available tools:\n<tools>\n[{\"name\": \"terminal\", \"description\": \"Execute shell commands\", \"parameters\": {\"type\": \"object\", \"properties\": {\"command\": {\"type\": \"string\"}}}, \"required\": null}]\n</tools>\nFor each function call return a JSON object, with the following pydantic model json schema for each:\n{'title': 'FunctionCall', 'type': 'object', 'properties': {'name': {'title': 'Name', 'type': 'string'}, 'arguments': {'title': 'Arguments', 'type': 'object'}}, 'required': ['name', 'arguments']}\nEach function call should be enclosed within <tool_call> </tool_call> XML tags.\nExample:\n<tool_call>\n{'name': <function-name>,'arguments': <args-dict>}\n</tool_call>"
    },
    {
      "from": "human",
      "value": "What Python version is installed?"
    },
    {
      "from": "gpt",
      "value": " thinking\nThe user wants to know the Python version. I should run python3 --version.\n response\n<tool_call>\n{\"name\": \"terminal\", \"arguments\": {\"command\": \"python3 --version\"}}\n</tool_call>"
    },
    {
      "from": "tool",
      "value": "<tool_response>\n{\"tool_call_id\": \"call_abc123\", \"name\": \"terminal\", \"content\": \"Python 3.11.6\"}\n</tool_response>"
    },
    {
      "from": "gpt",
      "value": " thinking\nGot the version. I can now answer the user.\n response\nPython 3.11.6 is installed on this system."
    }
  ],
  "timestamp": "2026-03-30T14:22:31.456789",
  "model": "anthropic/claude-sonnet-4.6",
  "completed": true
}

归一化规则

推理内容标记

轨迹转换器将所有推理内容归一化为 thinking 标签，无论模型最初如何生成：

  1. 原生推理令牌（来自 Anthropic、OpenAI o 系列等提供商的 msg["reasoning"] 字段）：包装为 thinking\n{reasoning}\n response\n 并前置到内容之前。

  2. REASONING_SCRATCHPAD XML（当原生推理被禁用且模型通过系统提示指令的 XML 进行推理时）：通过 convert_scratchpad_to_think() 将 <REASONING_SCRATCHPAD> 标签转换为 thinking。

  3. 空的 think 块：每个 gpt 轮次保证有一个 thinking 块。如果没有生成推理，则插入一个空块： thinking\n response\n——这确保了训练数据格式的一致性。

工具调用归一化

来自 API 格式的工具调用（包含 tool_call_id、函数名称、参数作为 JSON 字符串）被转换为 XML 包装的 JSON：

text
<tool_call>
{"name": "terminal", "arguments": {"command": "ls -la"}}
</tool_call>
  • 参数从 JSON 字符串解析回对象（不进行双重编码）
  • 如果 JSON 解析失败（不应发生——在对话期间已验证），则使用空 {} 并记录警告
  • 一次助手轮次中的多个工具调用在单个 gpt 消息中产生多个 <tool_call> 块

工具响应归一化

助手消息之后的所有工具结果被分组到一个 tool 轮次中，使用 XML 包装的 JSON 响应：

text
<tool_response>
{"tool_call_id": "call_abc123", "name": "terminal", "content": "output here"}
</tool_response>
  • 如果工具内容看起来像 JSON（以 { 或 [ 开头），则解析它，使 content 字段包含 JSON 对象/数组而不是字符串
  • 多个工具结果用换行符连接在一条消息中
  • 工具名称通过位置与父助手的 tool_calls 数组匹配

系统消息

系统消息在保存时生成（不从对话中获取）。它遵循 Hermes 函数调用提示模板，包含：

  • 解释函数调用协议的前言
  • 包含 JSON 工具定义的 <tools> XML 块
  • FunctionCall 对象的模式引用
  • <tool_call> 示例

工具定义包括 name、description、parameters 和 required（设置为 null 以匹配规范格式）。

加载轨迹

轨迹是标准的 JSONL——使用任何 JSON 行读取器加载：

python
import json

def load_trajectories(path: str):
    """从 JSONL 文件加载轨迹条目。"""
    entries = []
    with open(path, "r", encoding="utf-8") as f:
        for line in f:
            line = line.strip()
            if line:
                entries.append(json.loads(line))
    return entries
## 仅过滤成功完成的条目
successful = [e for e in load_trajectories("trajectory_samples.jsonl")
              if e.get("completed")]
## 提取仅用于训练的对话
training_data = [e["conversations"] for e in successful]

加载到 HuggingFace 数据集

python
from datasets import load_dataset

ds = load_dataset("json", data_files="trajectory_samples.jsonl")

归一化的 tool_stats 模式确保所有条目具有相同的列，防止数据集加载时出现 Arrow 模式不匹配错误。

控制轨迹保存

在 CLI 中，轨迹保存由以下配置控制：

yaml
## config.yaml
agent:
  save_trajectories: true  # 默认：false

或者通过 --save-trajectories 标志。当代理以 save_trajectories=True 初始化时，在每个对话轮次结束时调用 _save_trajectory() 方法。

批量运行器始终保存轨迹（这是其主要目的）。

批量运行器会自动丢弃所有轮次中推理为零的样本，以避免用非推理示例污染训练数据。

Claude Code
上一篇

hermes教程-配置模型

下一篇

hermes教程-标题：轨迹格式

分享: