首次 Docker 运行

在 Docker 中运行一个 SWE-bench Verified 任务，并检查结果文件。

用这个 cookbook 验证 AgentCompass、Docker 执行、本地 GLM-5.2 endpoint 和结果写入是否正常，再运行更大规模 benchmark。

​

前置条件

• 已在仓库根目录安装 AgentCompass。
• MODEL_BASE_URL 指向本地 OpenAI-compatible GLM-5.2 endpoint，例如 http://localhost:8000/v1。
• 已导出 MODEL_API_KEY。如果本地 endpoint 需要鉴权，请使用真实 key；如果本地服务忽略 API key，可以使用 EMPTY。
• Docker 已安装、daemon 正在运行，并且可以拉取 SWE-bench 任务镜像。
• 已安装 SWE-bench 和 mini-SWE-agent 依赖：

uv pip install -r requirements/swe.txt
uv pip install -r requirements/mini-swe-agent.txt
docker version

​

命令

agentcompass run \
  swebench_verified \
  mini_swe_agent \
  glm-5.2 \
  --env docker \
  --benchmark-params '{"sample_ids":["astropy__astropy-12907"]}' \
  --model-base-url "$MODEL_BASE_URL" \
  --model-api-key "$MODEL_API_KEY" \
  --model-api-protocol openai-chat \
  --model-params '{"temperature":0}' \
  --task-concurrency 1

​

命令含义

部分	含义
swebench_verified	加载 curated repository repair 任务的 benchmark。
mini_swe_agent	在准备好的 workspace 中运行 mini-SWE-agent 的 harness。
glm-5.2	写入结果并传给本地 endpoint 的模型 id。
docker	使用 SWE-bench recipe 选择的本地容器运行任务。

​

预期输出

结果会写到 results/swebench_verified/glm-5.2/<timestamp>/。

文件	用途
details/*.json	逐样本预测、状态和 scoring payload。
summary.md	运行级指标。
progress.jsonl	结构化执行事件。
logs/*.log	setup 和模型调用诊断。

​

常见调整

需求	调整
运行另一个 SWE-bench instance	替换 sample_ids 中的 id。
运行更多任务	smoke test 通过后提供多个 id，或移除 sample_ids。
使用另一个本地 endpoint	修改 model id、base URL、key 和 protocol。
不激活环境运行	使用 uv run 前缀。