OpenWhisk CLI 技术文档
1. 安装指南
1.1 下载已发布的二进制文件
OpenWhisk CLI 提供了适用于多种操作系统和架构的二进制文件,用户可以直接从项目的 GitHub releases 页面下载。
支持的操作系统和架构组合如下:
| 操作系统 | 架构 |
|---|---|
| Linux | i386, AMD64, ARM, ARM64, PPC64 (Power), S/390 和 IBM Z |
| macOS (Darwin) | 386, AMD64 |
| Windows | 386, AMD64 |
注意:macOS 的 32 位 (386) 版本在 Go 1.15 及以上版本中不再提供。
1.2 从源码构建
1.2.1 GoLang 环境设置
OpenWhisk CLI 是一个 GoLang 程序,因此首先需要在本地机器上安装 GoLang。建议使用 Go 1.15 或更高版本。确保 $GOPATH 环境变量已正确配置。
1.2.2 下载源码
使用 git clone 命令从 GitHub 下载源码:
git clone git@github.com:apache/openwhisk-cli
如果需要特定版本的代码,可以使用 --branch <tag> 标志指定版本标签。例如,下载 1.1.0 版本的源码:
git clone --branch 1.1.0 git@github.com:apache/openwhisk-cli
1.2.3 使用 go build 构建
进入项目目录并使用 go build 命令构建二进制文件:
go build -o wsk
这将生成一个名为 wsk 的可执行文件,适用于当前操作系统和架构。
1.2.4 使用 Gradle 构建
项目包含一个 Gradle Wrapper,可以通过 ./gradlew 命令进行构建。首先需要安装 Java JDK 8 或更高版本。
克隆项目后,进入项目目录并运行以下命令以构建所有支持的操作系统和架构的二进制文件:
./gradlew goBuild
构建成功后,wsk 二进制文件将位于 build/<os>-<architecture>/ 目录下。
2. 项目使用说明
2.1 运行 wsk CLI
将 wsk 二进制文件复制到任意文件夹,并将其路径添加到系统的 PATH 环境变量中,即可在系统任意位置运行 OpenWhisk CLI 命令。
获取 CLI 命令帮助信息:
wsk --help
获取调试信息:
wsk --debug
3. 项目 API 使用文档
OpenWhisk CLI 提供了丰富的命令行接口,用于与 OpenWhisk 服务进行交互。以下是一些常用命令的示例:
-
列出所有动作:
wsk action list -
创建新动作:
wsk action create myAction myAction.js -
调用动作:
wsk action invoke myAction --blocking -
获取动作详情:
wsk action get myAction -
删除动作:
wsk action delete myAction
更多命令和详细用法可以通过 wsk --help 查看。
4. 项目安装方式
4.1 直接下载二进制文件
用户可以直接从 GitHub releases 页面下载适用于其操作系统和架构的二进制文件,并将其添加到系统的 PATH 环境变量中。
4.2 从源码构建
用户可以通过以下步骤从源码构建 OpenWhisk CLI:
- 安装 GoLang 并配置
$GOPATH。 - 使用
git clone命令下载源码。 - 使用
go build或./gradlew命令构建二进制文件。
构建完成后,生成的 wsk 二进制文件即可用于与 OpenWhisk 服务进行交互。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0212
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0137
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03