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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00