Janito项目CLI命令行选项完全指南
项目概述
Janito是一个功能强大的命令行工具,它通过与AI模型的交互来执行各种任务。本文将全面解析Janito提供的所有命令行选项,帮助开发者更好地控制工具行为,实现高效的AI交互体验。
CLI选项基础概念
命令行选项(CLI Options)是用户在运行Janito时可以通过终端传递的参数,它们能够临时覆盖配置文件中的设置,但不会永久修改配置。这种设计非常适合以下几种场景:
- 一次性测试运行
- 自动化脚本执行
- 参数调优实验
- 特定场景下的临时配置
核心选项详解
模型控制选项
--model或-m:指定本次会话使用的AI模型名称。例如,可以指定使用"gpt-4.1"等不同版本的模型。这个选项会覆盖配置文件中的设置,但不会永久保存。
--max-tokens:控制模型响应生成的最大token数量。token是AI模型处理文本的基本单位,这个参数直接影响响应长度。默认值为32000,适用于大多数场景。
--temperature或-t:设置采样温度,范围通常在0.0到2.0之间。数值越高,输出越随机;数值越低,输出越确定和保守。
系统提示配置
--system或-s:直接提供系统提示文本,指导模型的行为方式。例如:"你是一个专业的编程助手"。
--system-file:从指定文件中读取系统提示内容。这个选项会覆盖--system参数。
--role或-r:为默认系统提示提供角色描述,简化提示配置过程。
工具控制选项
--max-tools:限制单次会话中工具调用的最大次数。默认无限制。
--no-tools或-n:完全禁用工具调用功能。
--trust-tools或-T:信任工具模式,仅显示工具输出文件位置,不显示详细内容。
--list-tools:列出所有已注册的工具后退出,方便开发者了解可用工具集。
调试与日志选项
--verbose-http:启用详细的HTTP请求日志,有助于API调用调试。
--verbose-response:完整打印响应对象,方便开发者分析模型返回结构。
--verbose-tools:打印工具调用参数和结果,调试工具集成时特别有用。
高级配置选项
运行时配置管理
--set-local-config:设置本地配置键值对,格式为"key=val"。
--set-global-config:设置全局配置键值对,同样使用"key=val"格式。
--run-config:设置仅本次运行有效的内存配置,可重复使用多次。
会话管理
--continue-session:从上次保存的对话继续,实现持久化会话。
--max-rounds:限制每个提示的代理轮数,默认50轮,防止无限循环。
特殊模式
--vanilla或-V:纯净模式,禁用工具、系统提示和温度设置。
--web:启动Janito网页服务器而非CLI界面。
实用技巧与最佳实践
-
模型选择策略:根据任务复杂度选择模型,简单任务可使用轻量级模型,复杂任务选择功能更强大的模型。
-
温度参数调整:创造性任务可提高温度值(如1.0-1.5),需要确定性输出的任务降低温度(如0.2-0.7)。
-
工具使用建议:对于自动化流程,合理设置--max-tools防止无限工具调用。
-
调试技巧:结合使用多个--verbose选项可以全面监控工具调用流程。
-
系统提示设计:通过--system或--system-file提供明确的角色定义能显著改善模型表现。
典型使用示例
基础查询示例:
janito "请解释量子计算的基本原理" --model gpt-4.1 --max-tokens 500
工具集成调试:
janito "获取当前天气" --verbose-tools --verbose-reason
系统提示定制:
janito "帮我优化这段代码" --system "你是一个资深Python开发专家"
纯净模式使用:
janito "简单回答:Python中的列表和元组有什么区别" -V
注意事项
-
某些复杂任务可能需要多次交互才能完成,如果模型表现不符合预期,可以尝试在提示后添加"; just do it"来鼓励直接行动。
-
CLI选项仅影响当前会话,不会永久修改配置文件。如需持久化更改,请使用--set-local-config或--set-global-config选项。
-
使用--verbose系列选项会产生大量日志输出,建议仅在调试时启用。
-
工具调用功能默认启用,但在某些简单场景下禁用工具(--no-tools)可能获得更直接的响应。
通过熟练掌握这些命令行选项,开发者可以充分发挥Janito项目的潜力,在各种场景下实现高效的AI交互体验。建议从简单命令开始,逐步尝试更复杂的选项组合,以找到最适合特定使用场景的配置。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCRDeepSeek-OCR是一款以大语言模型为核心的开源工具,从LLM视角出发,探索视觉文本压缩的极限。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Jinja00
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00