NEAR AI 命令行工具全面指南:从入门到精通
2025-06-19 16:21:08作者:裘旻烁
前言
NEAR AI 命令行工具(CLI)是开发者与 NEAR AI 生态系统交互的核心工具。本文将全面介绍该工具的功能、安装方法以及各类操作命令,帮助开发者高效地创建、部署和管理 AI 代理与模型。
环境准备
系统要求
- Python 3.9-3.11(不支持 3.12 及以上版本)
- NEAR 账户(用于身份验证)
虚拟环境配置
为避免依赖冲突,强烈建议使用虚拟环境。以下是三种主流虚拟环境工具的配置方法:
使用 uv 工具
uv venv --python 3.11
source .venv/bin/activate
使用 Conda
conda create -n nearai python=3.11
conda activate nearai
使用 pyenv
pyenv install 3.11
pyenv local 3.11
python -m venv .venv
source .venv/bin/activate
安装 NEAR AI CLI
通过 pip 安装
pip install nearai
本地安装(开发模式)
git clone 项目仓库地址
cd nearai
pip install -e .
账户管理
登录流程
- 确保已创建 NEAR 账户
- 执行登录命令:
nearai login
- 按照提示完成浏览器认证流程
高级登录选项
- 使用已有账户 ID 登录:
nearai login --accountId name.near
- 使用认证密钥登录:
nearai login --accountId name.near --authKey key
- 仅显示远程登录 URL:
nearai login --remote
账户状态检查
nearai login status
退出登录
nearai logout
代理开发
创建新代理
nearai agent create --name my_agent --description "我的第一个AI代理"
本地开发模式
nearai agent dev
代理交互测试
nearai agent interactive --agent=namespace/agent_name/1.0.0
代理任务执行
nearai agent task namespace/agent_name/1.0.0 "执行特定任务"
代理上传
nearai agent upload --local_path=./my_agent --bump
注册表管理
查看注册表项信息
nearai registry info namespace/item_name/1.0.0
生成元数据模板
nearai registry metadata-template --local_path=./my_agent
列出注册表内容
nearai registry list --category=agent --total=10
下载注册表项
nearai registry download namespace/item_name/1.0.0
模型操作
运行基准测试
nearai benchmark run my_dataset my_solver --max_concurrent=4
与模型交互
nearai hub chat --query="AI是什么?" --model=gpt-3.5-turbo
启动本地推理服务
nearai vllm run
模型微调
nearai finetune start
配置管理
查看配置
nearai config show
设置配置项
nearai config set api_url https://api.example.com
最佳实践
- 版本控制:始终在虚拟环境中工作,避免系统级依赖冲突
- 增量更新:上传代理时使用
--bump参数进行小版本更新 - 性能优化:基准测试时合理设置
--max_concurrent参数 - 安全实践:避免在命令行中直接使用认证密钥,考虑使用环境变量
常见问题解答
Q: 为什么需要特定 Python 版本? A: NEAR AI 依赖的某些库对 Python 版本有严格要求,3.9-3.11 能确保最佳兼容性。
Q: 如何查看所有可用命令?
A: 直接运行 nearai 或使用 nearai --help 查看完整命令列表。
Q: 上传代理时版本号如何管理?
A: 使用 --bump、--minor_bump 或 --major_bump 参数控制版本号增量。
通过本指南,您应该已经掌握了 NEAR AI 命令行工具的核心功能。建议从创建第一个代理开始实践,逐步探索更高级的功能。
登录后查看全文
热门项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.88 K
暂无简介
Dart
671
155
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
React Native鸿蒙化仓库
JavaScript
260
322
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
661
310
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.19 K
653
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
15
1