Agnitra AI是一个面向生产级 LLM 推理的开源「信任层」框架——为每个模型输出签名、为每项优化提供可验证证明。它采用 Apache 2.0 许可，欢迎 PR，并且明确鼓励社区对基准测试套件做对抗性评审。本指南带你走完从跑测试到提交 PR、再到基准评审的完整贡献路径。

先花 5 分钟认识 Agnitra AI

贡献前建议先建立全局认知，这样选 PR 方向时更有针对性：

• agnitra/— 核心 SDK（优化器、trust 签名清单、集成层、运行时）
• cli/— 命令行入口（agnitra optimize、agnitra doctor等）
• tests/— PyTest 测试套件，无需 GPU 即可运行
• benchmarks/llama3_h100/— 可复现的 H100 基准，含 5 条接入路径
• docs/— 官方文档（Mintlify 站点源码）

项目还包含面向企业 SDK、B2B SaaS、按推理量计费等多条产品线的优化平台，整体业务结构如下图所示：

核心贡献规范都写在 AGENTS.md 里，建议收藏。

第一步：搭好本地开发环境

克隆仓库并安装可编辑版本即可开始：

git clone https://gitcode.com/gh_mirrors/ag/Agnitraai cd Agnitraai pip install -e .[openai,rl]

然后做三件小事验证环境：

测试无需 GPU，依赖tmp_path、monkeypatch等 PyTest fixture 完成隔离，参考 reports/testing-report.md 可看到一次标准测试快照的完整输出形态。

第二步：写出符合规范的第一份 PR

社区对「好 PR」的三条硬性标准（来自 AGENTS.md 与 README.md）：

1. 一个 PR 只解决一件事— bug fix 只修一个 bug，feature 只加一个功能
2. 新行为必须有测试— 直接复用现有测试中的 monkeypatched-optimizer 模式作为模板
3. 用户可见的变更要更新 CHANGELOG.md 和文档

编码与提交约定速查：

• Python 3.8+，4 空格缩进，PEP 8；函数snake_case、类PascalCase
• 测试放在tests/test_*.py，模块路径与agnitra/目录镜像对应
• Commit 使用祈使句（如Add profiler），标题 ≤72 字符，正文说明 Why/What/How，并关联 issue（Closes #123）
• 不要提交密钥，敏感配置走环境变量（如OPENAI_API_KEY）

PR 描述建议包含：清晰的动机说明、可复现的使用示例、新行为的测试，以及涉及 CLI 交互变化时的输出截图。

第三步：参与对抗性基准评审

这是 Agnitra AI 社区最有特色的贡献方式。基准套件位于 benchmarks/llama3_h100/，固定工作负载（Llama-3-8B-Instruct，512→128 tokens）+ 固定硬件（H100 80GB），对比 HuggingFace、torch.compile、vLLM、TensorRT-LLM 与 Agnitra AI 五条 runner。

官方态度非常直接：如果你发现某个配置让 Agnitra AI「削弱」了竞争对手，请开 issue 或 PR 提出具体的配置修改——社区把它当作信号而非批评。

参与路径：

• 🐛 发现基线配置不公平 → 开 issue 并附具体配置变更建议
• 🔧 想新增基准套件 → 按 benchmarks/README.md 的五步流程：复制目录为<workload>_<gpu>/、只改workload.py（不要动common.py/_hf_base.py的测量管线）、重新生成RESULTS.md与raw/原始 JSON 后一并提交
• ⚙️ 注意 CI 门禁：.github/workflows/benchmark.yml会在每个 release tag 重跑llama3_h100/run.sh，若吞吐量较上一版本回退超过 5% 即构建失败

完整方法论（TTFT、decode TPS、warmup 与 percentile 计算方式）见 benchmarks/llama3_h100/README.md，已发布数据见 benchmarks/llama3_h100/RESULTS.md。

遇到问题去哪里求助

• 💬Discussions— "how do I…" 类问题与设计提案
• 🐛Issues— bug、feature 请求、基准「削弱对手」报告
• ⚠️安全漏洞— 请邮件security@agnitra.ai，不要直接开公开 issue
• 📖文档— docs/index.mdx，快速上手脚本见 examples/quickstart.py

小结

参与 Agnitra AI 开源社区的门槛并不高：一条pytest -q验证本地，三条 PR 原则对齐社区期望，一次基准配置质疑就能成为有效的对抗性评审。从跑通测试，到提交首个 PR，再到挑战已发布数据——每一步都有明确的入口和模板，欢迎现在就开工。