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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
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
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00