Hermes Agent支持五种批量办公方法：一、用batch_runner.py执行JSONL任务并支持断点续跑；二、通过hermes run调用CLI并行调度器；三、用delegate_task实现多Agent协同；四、用execute_code执行本地文件批量操作；五、用trajectory_compressor.py智能压缩轨迹文件。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您希望利用Hermes Agent一次性完成多项重复性任务，如批量生成训练数据、压缩轨迹文件或并行采集企业信息，则需依赖其内置的批量处理机制与调度能力。以下是实现高效批量办公的具体方法：
一、使用 batch_runner.py 启动结构化批量任务
该脚本是Hermes Agent官方提供的核心批量执行入口，专为JSONL格式任务定义设计，支持断点续跑与结果目录隔离，确保大规模任务可追踪、可复现。
1、准备符合规范的JSONL任务文件，例如 data.jsonl，每行一个独立任务对象，包含 prompt、toolsets、timeout 等字段。
2、在终端中执行命令：python batch_runner.py --dataset_file=data.jsonl --batch_size=256 --run_name=office_q1。
3、若任务中途被中断，添加 --resume 参数重新启动，系统将自动跳过已完成批次。
二、通过 hermes run 命令直接调用并行处理流水线
该方式绕过Python脚本层，直接调用Hermes CLI内置的并行调度器，适用于已配置好cli-config.yaml且启用durable_execution的生产环境。
1、确认配置文件中 parallelism.max_workers 已设为合理值（如8），batch_size 设为16–64区间以适配内存。
2、执行命令：hermes run --dataset_file tasks/contacts.jsonl --config cli-config.yaml。
3、运行过程中，每个worker将独立加载一批任务，并行调用 browser_navigate、browser_type 等工具完成官网信息采集。
三、组合 delegate_task 实现多Agent协同批量执行
当单个Agent无法承载全部子任务负载，或需隔离上下文防止干扰时，可通过 delegate_task 工具触发多个无状态子Agent并发执行，形成真并行流水线。
1、构造主提示词，明确列出需并行处理的N个子任务，例如“读取A.log、B.log、C.log并分别摘要”。
2、指定 toolsets 为 delegation,terminal,file，启用 skip_memory=True 保障子Agent轻量独立。
3、执行命令：hermes chat -q "并行读取三个日志文件并汇总" --toolsets delegation,terminal,file --yolo。
四、借助 execute_code 批量操作本地文件系统
对于需在本地完成文件复制、重命名、归档等办公场景，execute_code 工具可执行定制化Python脚本，实现跨目录、多格式、带校验的批量文件处理。
1、编写Python逻辑，使用 os.listdir() 扫描目标路径，filter() 筛选 .xlsx 或 .pdf 文件。
2、对每个匹配文件调用 shutil.copy() 迁移至统一归档目录，并附加时间戳前缀。
3、执行命令：execute_code "import shutil, os, datetime; ..."，脚本内容须完整内联。
五、启用 trajectory_compressor.py 对批量输出进行智能精简
批量任务常产生冗余中间结果，该压缩工具可基于语义采样保留关键信息，显著降低存储占用并提升后续检索效率，特别适合办公文档归档与报告生成场景。
1、指定输入路径为 batch_runner 输出的 trajectories/ 目录下原始JSONL文件。
2、设置采样比例：--sample_percent=20，或指定目标大小：--target_max_tokens=8000。
3、执行命令：python trajectory_compressor.py --input=trajectories/raw.jsonl --output=reports/summary.jsonl --sample_percent=20。
