执行摘要

• 一句话：新增 Harbor E2B 沙箱端到端测试，验证 agentic 路径完整链路，为 CI 自动化铺路。
• 推荐动作：本 PR 值得精读，尤其是测试脚本的设计和演进。它展示了如何为复杂的 agentic 路径构建端到端测试，包括环境预检、资源准备、执行和结果验证的清晰分离。其中关于解决 Qwen3 模型特定问题、处理陈旧状态和增强预检逻辑的迭代过程（通过提交历史可见）具有学习价值。最终的 --debug-rollout-only 方法巧妙地降低了测试的资源需求（仅需 2 GPU）。对于从事 agentic 系统、沙箱集成或端到端测试开发的工程师，此 PR 提供了实用的模式参考。

功能与动机

为了验证 Harbor 在真实 E2B 沙箱上的完整端到端流程，因为现有的沙箱 smoke 测试（scripts/sandbox_smoke）无法覆盖 launcher 接线到 rollout workers、session server + TITO 使用真实模型、terminus-2 驱动沙箱以及奖励回流的完整训练路径。PR body 中明确说明，此前的训练路径形状（一个 GRPO 步骤）因 Qwen3-0.6B 模型的退化输出需要严格门控的豁免，而当前变更通过仅运行 rollout 并使用更强的模型（GLM-4.7-Flash）解决了此问题。

实现拆解

1. 新增端到端测试脚本：在 tests/e2e/agentic/test_harbor_e2b_rollout.py 创建了完整的测试脚本。它定义了 preflight()（快速检查环境变量、密钥和网络连接）、prepare()（准备模型、任务数据集和提示数据）、harbor_worker_env()（构建 rollout workers 的 Harbor 环境变量）、execute()（组装并执行训练参数，使用 --debug-rollout-only 仅运行 rollout）和 check_trials()（验证至少有一个 Harbor 试验成功完成并获得奖励）。该脚本被注册为禁用状态，需要手动运行。
2. 注册 CI 标签：在 tests/ci/labels.py 的 KNOWN_LABELS 字典中添加了新的 agentic 标签，描述为“需要沙箱服务路由和密钥的 Agentic 沙箱端到端测试”，用于在 CI 系统中识别此类测试。
3. 更新 CI 评论命令策略：在 .github/workflows/policies/comment-command-access.json 的 allowed_labels 列表中添加了 run-ci-agentic，允许通过评论命令触发带有该标签的 CI 测试。

关键文件：

• tests/e2e/agentic/test_harbor_e2b_rollout.py（模块 端到端测试；类别 test；类型 test-coverage；符号 preflight, prepare, harbor_worker_env, execute）: 核心测试文件，实现了 Harbor E2B 沙箱端到端测试的完整流程，是验证 agentic 路径的关键。
• tests/ci/labels.py（模块 CI 标签；类别 test；类型 configuration）: CI 标签注册表，新增 'agentic' 标签以在 CI 系统中识别此类测试。
• .github/workflows/policies/comment-command-access.json（模块 CI 策略；类别 infra；类型 infrastructure）: CI 评论命令策略文件，授权通过评论命令触发带有 'agentic' 标签的 CI 测试。

关键符号：preflight, prepare, harbor_worker_env, execute, check_trials

关键源码片段

tests/e2e/agentic/test_harbor_e2b_rollout.py

核心测试文件，实现了 Harbor E2B 沙箱端到端测试的完整流程，是验证 agentic 路径的关键。

# 端到端测试脚本的核心执行流程
if __name__ == "__main__":
    preflight() # 1. 快速失败检查：环境变量、密钥文件、网络连通性、harbor 库
    prepare() # 2. 准备资源：清理旧试验目录、下载模型、克隆任务仓库、生成提示数据
    # 清除代理变量，确保 rollout workers 直接访问沙箱服务
    for proxy_var in ("http_proxy", "https_proxy", "HTTP_PROXY", "HTTPS_PROXY"):
        os.environ.pop(proxy_var, None)
    execute() # 3. 执行训练（仅 rollout）：组装参数并调用 execute_train
    check_trials() # 4. 验证结果：检查试验目录存在且至少有一个试验无异常
​
# preflight() 函数：关键预检逻辑
def preflight():
    """Fail fast with instructions instead of failing every trial later."""
    api_url = os.environ.get("E2B_API_URL", "").strip()
    if not api_url:
        sys.exit("set E2B_API_URL (and E2B_SANDBOX_URL) to your E2B-compatible service; see the module docstring")
    key_file = Path(os.environ.get("E2B_API_KEY_FILE", "~/.config/e2b/api_key")).expanduser()
    # 镜像真实检查 (credentials.sandbox_key_supply)：空占位符文件必须在此失败
    file_has_key = key_file.is_file() and bool(key_file.read_text().strip())
    if not os.environ.get("E2B_API_KEY", "").strip() and not file_has_key:
        sys.exit(f"no e2b credential: set E2B_API_KEY or put a non-empty key at {key_file}")
    try:
        request = urllib.request.Request(f"{api_url}/nodes", headers={"X-API-Key": "preflight"})
        urllib.request.urlopen(request, timeout=10).read()
    except urllib.error.HTTPError:
        pass # 401 仍然证明控制平面有响应
    except OSError as e:
        sys.exit(f"sandbox service unreachable at {api_url} ({e}); does this machine have a route to it?")
    try:
        import harbor # noqa: F401
    except ImportError:
        sys.exit("harbor is not importable; see the module docstring for the install line")

评论区精华

Review 讨论主要由 claude[bot] 发起，集中于测试脚本的健壮性和正确性。核心争议点包括：

• 陈旧试验目录：claude[bot] 指出 prepare() 未清理 TRIALS_DIR，可能导致旧的成功试验掩盖当前运行的失败。作者 nblintao 在后续提交中通过在 prepare() 开头添加 shutil.rmtree(TRIALS_DIR, ignore_errors=True) 修复了此问题。
• 预检密钥文件检查：claude[bot] 发现 preflight() 仅检查密钥文件是否存在（is_file()），但实际运行时会检查内容是否非空，这可能导致空占位文件通过预检但在训练深处失败。作者在后续提交中更新了检查逻辑为 key_file.is_file() and bool(key_file.read_text().strip())。
• TITO 严格门控豁免范围：claude[bot] 提出 --ci-disable-tito-strict-checker 标志会禁用所有三种不匹配类型的断言，而不仅仅是 Qwen3 的 special_token_count 误报，可能掩盖其他 bug。此评论指向的是被重写为仅 rollout 的旧版本测试（test_harbor_e2b_training.py），在最终合并的版本中，由于采用了 GLM-4.7-Flash 模型和正确的解析器配置，该标志已被移除，此问题不再存在。
• 试运行超时设置：claude[bot] 发现 harbor_worker_env() 中的 AGENT_TRIAL_TIMEOUT 设置可能因环境变量条件而不生效。作者在后续提交中将其改为无条件设置（使用 os.environ.setdefault）。

所有讨论均以作者修复代码或问题因架构重写而不再存在告终，无未解决疑虑。

• 陈旧试验目录可能掩盖测试失败 (correctness): 作者在后续提交中修复了此问题，在 prepare() 开头添加了 shutil.rmtree(TRIALS_DIR, ignore_errors=True)。
• 预检密钥文件检查不充分 (correctness): 作者在后续提交中更新了检查逻辑为 key_file.is_file() and bool(key_file.read_text().strip())。
• TITO 严格门控豁免范围过宽 (correctness): 此评论针对的是旧版本测试（包含训练步骤）。最终合并的版本采用仅 rollout 模式和 GLM-4.7-Flash 模型，移除了该标志，问题不再存在。
• 试运行超时设置可能不生效 (correctness): 作者在后续提交中将 AGENT_TRIAL_TIMEOUT 的设置改为无条件（使用 os.environ.setdefault）。

风险与影响

• 风险：
  1. 测试有效性风险：测试脚本注册为 disabled，依赖手动在特定开发机上运行，缺乏 CI 自动化，可能无法及时发现回归。虽然 PR 旨在为 CI 自动化铺路，但启用取决于 runner 配置就绪。
  2. 环境依赖风险：测试强依赖外部 E2B 兼容服务的网络路由和 API 密钥。preflight() 函数已尽力提前验证，但网络环境变化仍可能导致测试失败。
  3. 模型特定风险：测试固定使用 GLM-4.7-Flash 模型和特定的 TITO 家族（glm47），验证范围限于该组合。其他模型或配置的兼容性未覆盖。
  4. 代码演进风险：从提交历史看，该 PR 经历了从包含训练步骤到仅 rollout 的重大重写。最终版本移除了对 Qwen3-0.6B 的支持以及相关的严格门控豁免逻辑，这简化了代码，但也意味着针对特定模型问题的修复可能被后续引入。
     - 影响：对用户的直接影响很小，因为这是一个测试变更。它增强了对 Harbor agentic 路径（特别是 E2B 沙箱集成）的端到端验证能力，为团队在集成和发布新功能时提供了更高的信心。引入的 agentic CI 标签为后续自动化测试奠定了基础。对系统的影响主要在于测试基础设施的扩展，增加了对 agentic 场景的覆盖。对团队的影响是提供了一个可复用的、结构清晰的手动测试模板，用于验证类似的 agentic 滚动更新路径。
     - 风险标记：测试依赖外部服务, CI 自动化待启用, 模型特定验证, 手动运行易出错

关联脉络

• PR #2868 smoke: manual golden episodes on real sandbox APIs: 同为沙箱相关测试，本 PR 的测试覆盖了更完整的 rollout 路径，是其上层集成验证。
• PR #2837 examples: launcher for the in-process Harbor path: 本 PR 测试的 launcher 接线和环境变量构建逻辑来源于该 PR 引入的 launch_common 模块。
• PR #3113 fix: chunk true-on-policy logprob computation: PR body 中提及 Qwen3-0.6B 模型的退化 turn 问题与 #3113 的分析相关，本 PR 最终通过更换模型解决了该问题。
• PR #3167 docs(tito): explain abnormal Qwen3 endoftext output: 评论中 guapisolo 提及了 Qwen3 模型的异常 EOS 输出行为，本 PR 的演进过程（从 Qwen3 到 GLM）与此背景相关。