add comments

Author: binary-husky

ajet/copilot/job.py

@@ -46,6 +46,7 @@ class AgentJetJob:
         experiment_dir: Directory where experiment outputs will be saved.
         project_name: Name of the project for organizing experiments.
         experiment_name: Unique name for this specific experiment run.
+        logging: "swanlab", "tensorboard", etc
         n_gpu: Number of GPUs to use per node for training.
         model: Path or identifier of the model to train.
         algorithm: Advantage estimator algorithm (e.g., 'gae', 'vtrace').

docs/en/swarm_intro_blog_zh.md

@@ -90,17 +90,16 @@ AgentJet具备全分布式蜂群训练（Swarm Training）能力，
 
 ## 蜂群 Agentic RL 框架核心优势
 
-| 特性 | 经典训练框架 | AgentJet 蜂群框架 |
+| 特性 | 经典LLM RL训练框架 | AgentJet 蜂群框架 |
 |------|-------------|------------------|
-| **多模型异构训练** | ❌ 所有智能体共享同一模型 | ✅ 支持多个不同规模模型同时训练 |
+| **多模型异构训练** |  所有智能体共享同一可训练模型 | ✅ 支持多个不同规模模型同时训练 |
 | **训练推理解耦** | ❌ 采样与训练紧耦合 | ✅ Server 训练，Client 采样，完全解耦 |
 | **运行环境限制** | ❌ 受训练服务器环境限制 | ✅ Client 可在任意设备运行（笔记本/服务器） |
-| **动态节点管理** | ❌ 无法动态添加/移除节点 | ✅ 训练中随时添加/移除 Client 节点 |
+| **动态节点管理** | ❌ 不支持边训练，边Debug | ✅ 训练中随时添加/移除 Client 节点 |
 | **调试迭代速度** | ❌ 修改代码需重启训练（每次15分钟+） | ✅ 仅重启 Client（秒级），无需重载模型 |
-| **容错能力** | ❌ 外部依赖故障导致训练中断 | ✅ Client 崩溃不影响训练，自动恢复 |
-| **多任务混合训练** | ❌ 所有任务共享同一运行环境 | ✅ 不同 Client 运行不同任务环境 |
-| **Agent 框架兼容** | ❌ 需适配特定训练框架 | ✅ 兼容任何 OpenAI API 协议框架 |
-| **本地开发体验** | ❌ 必须在训练服务器上调试 | ✅ 本地 IDE 调试，连接远程训练 |
+| **容错能力** | ❌ 外部故障导致训练中断会丢失进度 | ✅ Client 崩溃不影响训练，自动恢复 |
+| **多任务混合训练** |  所有任务共享同一运行环境 | ✅ 不同 Client 运行不同任务环境 |
+| **本地开发体验** |  在训练服务器上调试 | ✅ 本地 IDE 调试，连接远程训练 |
 
 ## 灵活的蜂群训练模式
 

tutorial/opencode_build_openclaw_agent/README.md

@@ -84,11 +84,13 @@ This starts the training proxy on `http://localhost:8090`.
 
 ### Step 3: Configure OpenClaw to Use Training Endpoint
 
-OpenClaw needs to connect to the fake vLLM endpoint. Configure it to use `http://localhost:8090` as the LLM backend.
+OpenClaw needs to connect to the fake vLLM endpoint.
+
+Configure it to use `http://localhost:8090` as the LLM backend.
 
 ### Step 4: Send Training Requests
 
-Option A - Manual testing via OpenClaw CLI:
+Option A - Manual testing via OpenClaw Web / Cli:
 
 ```bash
 openclaw agent --message "What are your thoughts on Paris?" --thinking high

tutorial/opencode_build_openclaw_agent/fake_vllm_endpoint.py

@@ -42,8 +42,9 @@
     project_name="openclaw-extraversion",
     experiment_name="extraversion_training",
     n_gpu=8,
-    model='/mnt/data_cpfs/model_cache/modelscope/hub/Qwen/Qwen/Qwen2.5-3B-Instruct',
+    model='/mnt/data_cpfs/model_cache/modelscope/hub/Qwen/Qwen/Qwen2___5-7B-Instruct',
     batch_size=32,
+    logging="swanlab",
     num_repeat=NUM_REPEAT,
     max_prompt_length=16000,    # at least 16000
     max_response_length=8000,