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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00