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。
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