wmo 将您已经收集的智能体痕迹转化为持续改进。以前沿质量的模型端点开始，成本降低超过 40%。通过世界模型模拟、元优化和模型提炼不断改进它。🌐 平台 | 📚 文档 | Discord 入门 1. 注册您的提供者。 pip install world-model-optimizer wmo providers set 2. 在您的 OTel 痕迹上调整路由器。 wmo build --file traces.jsonl --name my-endpoint # 在您的痕迹中对每个注册模型进行评分 wmo optimize route sweep my-endpoint --traces traces.otel.jsonl # 将这些测量转化为路由策略 wmo optimize route fit matrix.json --kind knn \ --out .wmo/models/my-endpoint/policy.json 3. 提供它。 wmo serve --name my-endpoint 查看与您之前使用的模型相比它为您带来了什么： wmo optimize route report matrix.json .wmo/models/my-endpoint/policy.json \ --baseline gpt-5.5 将您自己的小模型通过 wmo optimize model 提炼到池中，通过 wmo optimize route pin 提供单个模型而无需路由，或者通过 wmo optimize harness 为您的智能体构建优化的构架。 托管平台 在 platform.experientiallabs.ai 创建帐户，然后对 CLI 进行身份验证： wmo login 从平台复制智能体 ID，并运行其当前冠军构架： wmo run < agent-id > E2B 后端 托管的智能体已在平台管理的 E2B 沙箱中运行。要在 E2B 中评估本地优化，请安装附加组件并提供 E2B 密钥： pip install "world-model-optimizer[e2b]" export E2B_API_KEY=... wmo optimize harness my-agent my-environment --tasks tasks.jsonl --backend e2b 将世界模型用作 API world-model-optimizer 包括可以用来模拟您的智能体环境以进行测试和优化的世界模型。 from wmo import Action , ActionKind from wmo . config . store import WorldModelStore from wmo . engine . loader import load_world_model model_dir = WorldModelStore ( ".wmo" ). resolve ( "airline" ) wm , _provider = load_world_model ( model_dir ) session = wm . new_session ( task = "checkout the cart" ) obs = wm . step ( session . id , Action ( kind = ActionKind . TOOL_CALL , name = "add_to_cart" , arguments = { "sku" : "A1" })) print ( obs . content ) 或通过 HTTP（相同的代码路径），按模型名称命名空间： GET /world_models，然后 POST /world_models/{name}/sessions 和 POST /world_models/{name}/sessions/{id}/step 。 登录后运行 在 wmo login 之后，相同的 wmo run 命令可以打开托管的世界模型或在 E2B 中运行智能体的当前冠军构架。平台管理模型和沙箱凭据，因此托管运行不需要本地 API 密钥。 wmo login wmo run < world-model-or-agent-id > wmo run < agent-id > -u . --task "fix the failing tests" 工作区上传是以选择加入方式，使用 -u：WMO 实时同步更改并保留并发本地编辑。长期运行的智能体可以分离，继续在平台中运行，并且稍后可以被消息或重新连接。 wmo run < agent-id > -u . --detach wmo run --send "现在运行完整的测试套件" wmo run --attach wmo run --end E2B 沙箱中的运行时智能体和优化器 WMO 可以在隔离的 E2B 沙箱内运行真实的 pi worker，同时世界模型提供环境。优化和评估的推出并行进行，模型凭据保持在沙箱外部。 wmo optimize harness my-agent my-environment --tasks tasks.jsonl --backend e2b wmo eval tasks.jsonl --mode closed-loop --harness my-agent --harness-backend e2b 优化器可以改变提示、工具、策略、技能和运行时代码。每个候选项都针对相同的模拟任务进行测量，并且只有那些通过评估门的更改才会成为新的版本化冠军构架。 开发 由 uv 管理；使用 ruff 进行 linting/格式化；使用 ty 进行类型检查。约定记录在 AGENTS.md 中。 uv sync --extra dev # 环境 + 开发工具 uv run ruff check . # 检查 lint uv run ruff format . # 格式化 uv run ty check # 类型检查 uv run pytest -q # 测试 使用遥测 wmo 使用匿名使用遥测来跟踪使用量。遥测仅为元数据。它从不包括提示、痕迹、动作、观察、文件路径、模型名称、提供者凭据或原始用户内容。遥测默认启用。要为项目选择退出： uv run wmo config telemetry disable 这将写入 .wmo/settings.toml 。您可以通过 uv run wmo config telemetry enable 重新启用它，使用 uv run wmo config telemetry status 检查当前设置，或者通过 DO_NOT_TRACK=1 或 WMO_TELEMETRY=0 禁用它。