9.9 KiB
✨ 项目介绍
ExecOrchestra 是一个面向复杂任务的异构资源编排框架,将工具、模型、技能和智能体组合为可执行的任务流程。框架按需分配生成式处理与直接执行的职责:将明确的操作交给工具,在需要生成、判断或交互的环节引入模型与智能体。同时提供清晰的执行记录、中间产物和结果交付,便于开发者追踪任务进展、定位问题并扩展应用。
🧩 系统框架
根据任务需求组织异构资源,并为每个子任务确定生成式参与范围。
三种执行模式
不同子任务需要模型参与的程度不同。框架支持三种执行方式:
| 执行模式 | 谁决定下一步 |
|---|---|
| 计划预先确定操作及其输入,由工具依次执行。中途无需调用模型。 | |
| 模型在计划中承担明确的职责,例如生成一段处理脚本。读取、写入和计算等操作交给工具。 | |
| 模型或智能体读取工具返回的观察结果,在获准使用的工具和会话限额内决定下一步操作。 |
🚀 快速开始
📋 环境要求
- 操作系统:Linux x86-64
- Python:3.11 及以上
- 基础工具:Git、Conda,以及已启动且当前用户可访问的 Docker Engine
- 模型服务:兼容的大模型 API 和 可用的向量服务(默认为
Qwen3-Embedding-4B)
📦 安装
-
克隆项目仓库
git clone -b execorchestra --single-branch https://github.com/TL-Z/ExecOrchestra.git cd ExecOrchestra cd execorchestra -
配置环境并安装依赖
conda create -n execorchestra python=3.11 -y conda activate execorchestra python -m pip install torch==2.11.0 --index-url https://download.pytorch.org/whl/cpu python -m pip install -r requirements.txt python -m scripts.prepare_release init test -f .env || cp .env.example .env -
构建 Docker 工具环境
docker build -f sgar_mvp/docker/Dockerfile.runtime -t sgar-runtime:rc1 . python -m sgar_mvp.scripts.seal_rc1_runtime -
准备向量服务环境
本地部署时,安装独立的向量服务环境,并下载固定版本的模型和 tokenizer。
conda create -n execorchestra-embedding python=3.11 -y conda run -n execorchestra-embedding python -m pip install -r requirements-embedding.txt python -m scripts.download_embedding下载文件分别保存在
.cache/embedding-model和.cache/embedding-tokenizer。
使用已有向量服务时
跳过上面的向量服务环境和模型权重下载,仅准备匹配的 tokenizer:
python -m scripts.download_embedding --tokenizer-only
在 sgar_mvp/config/embedding_release.json 中,将 runtime.api_endpoint_url 改为完整的 embeddings 接口地址,将 runtime.api_model_id 改为服务中的模型名;runtime.tokenizer_path 保持为 .cache/embedding-tokenizer。服务需使用配置中的 Qwen3-Embedding-4B 版本,并返回归一化的 2,560 维向量。
🔑 配置
-
填写 API 地址与密钥
编辑
ExecOrchestra/execorchestra/.env,将以下值替换为自己的配置。文件内已按必填项和可选项分组添加注释。LLM_BASE_URL="https://your-gateway.example/v1" LLM_API_KEY="your-model-api-key" SGAR_EMBEDDING_API_KEY="your-embedding-api-key"LLM_BASE_URL/LLM_API_KEY:OpenAI-compatible 模型网关地址及访问密钥。SGAR_EMBEDDING_API_KEY:向量接口密钥;本地部署时自行设置非空的私有值,服务端和客户端读取同一份.env。
网页研究任务还需填写
SEARXNG_BASE_URL、SGAR_BROWSER_BASE_URL和SGAR_BROWSER_TOKEN,不涉及的可选密钥留空。 -
在框架终端加载配置
conda activate execorchestra set -a source .env set +a每次打开新的框架终端时,重新执行这一步。
🧰 启动服务与准备资源
-
(可选)启动本地向量服务
本地部署时,在
ExecOrchestra/execorchestra中打开第二个终端。使用独立 GPU 服务器时,选择可用 GPU 并执行:conda activate execorchestra-embedding set -a source .env set +a export CUDA_VISIBLE_DEVICES=0 export SGAR_EMBEDDING_DEDICATED_GPU=1 export SGAR_EMBEDDING_MODEL_PATH="$PWD/.cache/embedding-model" python -m scripts.embedding_server默认接口为
http://127.0.0.1:8001/v1/embeddings。建立索引和执行任务期间保持服务运行,结束后按Ctrl+C停止。如配置已有端口则无需执行这一步。 -
回到框架终端准备资源
python -m scripts.prepare_release all --allow-unavailable此命令依次检查模型、控制角色、工具和智能体,整理可用资源、建立索引并核验配置。过程会实际调用 API 和工具,可能产生费用;任一步失败即停止。不可用候选记录在
sgar_mvp/runtime_state/preparation_report.json。要求完整资源池全部可用时,去掉--allow-unavailable。首次配置完成后执行一次即可,后续任务复用索引。修改配置后,如需重建索引,先备份原索引;命令不会覆盖已有索引。
⚡ 运行任务
准备通过后,将任务描述写入 UTF-8 文本文件,并与附件一起放入专用输入目录。替换以下占位参数即可运行:
bash scripts/run.sh \
--query-file "<task-file>" \
--public-input-root "<input-directory>" \
--run-dir "<new-run-directory>"
| 参数 | 作用 |
|---|---|
--query-file |
包含任务要求及预期交付内容的文本文件,需位于声明的输入目录内。 |
--public-input-root |
任务获准读取的输入目录;多个独立目录可重复传入。 |
--run-dir |
本次运行使用的新目录或空目录,保存日志和结果。 |
--input NAME=PATH |
可选的具名附件,需位于声明的输入目录内,可重复传入。 |
--network-policy declared |
网页任务配置好搜索与浏览器服务后,用此参数启用声明的联网访问;工具默认不联网。 |
终端逐步展示执行阶段、所选资源、中间产物和交付状态,同步保存在 <new-run-directory>/progress.log。run_manifest.json 记录完成状态,delivery_manifest.json 中的 delivery_locator 指向最终交付文件,路径相对于运行目录。
可选:运行内置的最小示例
RUN_DIR="runs/quickstart-$(date -u +%Y%m%dT%H%M%SZ)"
bash scripts/run.sh --query-file examples/task.txt \
--public-input-root examples --run-dir "$RUN_DIR"
该文件生成示例计算 17 + 25,交付内容为 {"sum": 42} 的 answer.json。上面的流程已包含首次运行所需的全部准备步骤;单独的示例指南用于进一步核验输出。
查看运行产物与日志说明
| 运行目录中的文件 | 可以从中看到什么 |
|---|---|
progress.log |
与终端对应的阶段记录、步骤交接和中间产物预览。 |
pipeline.log |
详细请求、候选评分、计划校验和运行诊断。设置 SGAR_CONSOLE=verbose 也可在终端展开详细诊断。 |
run_manifest.json |
整次运行的最终状态及已记录的失败原因。 |
delivery_manifest.json(有交付时) |
最终产物的位置和用于核对内容的哈希。 |
experiment_report.md |
本次运行的报告。基准测试另有独立的答案评分环节。 |
📚 项目文档
| 从这里开始 | 可以找到什么 |
|---|---|
| 安装与运行 | 最小示例验收、准备阶段说明及排错。 |
| 环境与服务 · 模型配置 | 本地配置、模型网关、向量服务和工具依赖。 |
| 基准评测 | GAIA、Terminal-Bench 的运行入口和评分流程。 |
| 资源目录 · 框架源码 | 资源声明、编排实现和执行逻辑。 |