先看一个 Agent 样本的任务生命周期

以下总览对应固定版本 coding_agent_rl 示例的正常任务路径：外层 generate() 组织一个样本，Harness 准备并启动 CLI，CLI 请求 Adapter，由 SGLang 提供模型生成。先看任务顺序，再进入各动作的具体数据流。

CLI 运行在沙箱内，Adapter HTTP 服务运行在 Slime 侧；图中的嵌套表示任务与请求的包含关系，连接它们的是 HTTP 请求。

一个 Agent 样本的任务生命周期：准备、启动、CLI 模型请求循环与收尾

放大生命周期总览

generate()：整次任务
  ├─ 准备模型入口、会话、沙箱和题目
  ├─ Harness.run()：准备配置、启动 CLI、等待结束
  │    └─ CLI 运行：请求模型、执行工具、继续工作
  │         └─ Adapter._run_turn()：一次模型请求
  │              ├─ 2：Translate & Forward
  │              ├─ 3：Generate Tokens
  │              └─ 3.5：响应返回与本轮轨迹记录
  └─ 收集 diff、评分、导出结果、清理资源

每个动作页先标出在这个生命周期中的位置，再展开本章负责的交接。 Manage Sandbox 的环境能力贯穿准备、运行和回收；Exec Commands 展开 CLI 进程的启动与完成等待。

从哪里读这部分回答什么
4. Launch Agent启动参数从哪里来，怎样形成 CLI 配置、命令与环境
5. Manage Sandbox怎样提供和操作任务的执行环境
6. Exec Commands怎样启动 CLI、接收输出、等待退出与处理预算耗尽
7. Make API CallsCLI 怎样回连 Adapter，HTTP 路由怎样接收请求
2. Translate & Forward请求中的消息与工具怎样交给共享处理流程
3. Generate Tokens怎样准备输入并向 SGLang 请求生成
3.5. 完成一次模型请求怎样返回客户端响应并保存本轮模型轨迹

CodeWiki 原图用于组件导航，箭头编号不是任务执行顺序。本例没有独立的 External Platforms 实现：直接 HTTP 客户端是沙箱中的 CLI，Anthropic / OpenAI 表示适配的协议。 原图动作 1 的请求接收与动作 7 一起定位；动作 8 的响应返回在 3.5 展开。模型请求不是经由 Adapter 转发给 Anthropic / OpenAI 服务，而是交给本例的 SGLang 后端生成。

总览依据源码 8c17b676cb57af1d17ee4402e91e9209af84b60b 的 examples/coding_agent_rl/generate.py 与 slime/agent/。Slime 的训练后端、分布式编排与其他示例继续按下面的原始目录阅读。

面向项目实践的阅读路线

Slime 源码阅读顺序 先按模块职责快速浏览任务、模型与上下文、策略与评测、Trace、并发恢复、资源部署和训练交接，再选择关键链路深入源码。

Slime 全仓代码复用与项目路线 从整个仓库梳理 Agent 执行、批量评测、Trace、数据队列、Kubernetes 适配、自部署模型和训练能力，区分可以直接复用的代码与需要适配的边界。

原始章节目录

从下面的章节或左侧导航继续。编号与原始章节顺序一致；各节保留原图和对应阅读入口。

查看全部原始材料