● Open Interpreter

Get early access to the desktop app‎ ‎ |‎ ‎ Documentation

**Open Interpreter** 让 LLM 在本地运行代码（Python、Javascript、Shell 等）。安装后，只需运行 `$ interpreter`，即可在终端通过类似 ChatGPT 的界面与 Open Interpreter 聊天。 这为您的计算机的通用功能提供了自然语言接口： - 创建和编辑照片、视频、PDF 等。 - 控制 Chrome 浏览器进行研究 - 绘制、清理和分析大型数据集 - ……等。 **⚠️ 注意：代码运行前会请求您的批准。**
## 演示 [演示视频](https://github.com/OpenInterpreter/open-interpreter/assets/63927363/37152071-680d-4423-9af3-64836a6f7b60) ### Google Colab 上也提供了交互式演示 [](https://colab.research.google.com/drive/1WKmRXZgsErej2xUriKzxrEAXdxMSgWbb?usp=sharing) ### 以及受 _Her_ 启发的语音界面示例 [](https://colab.research.google.com/drive/1NojYGHDgxH6Y1G1oxThEBBb2AtyODBIK) ## 快速开始 ### 安装 ``` pip install git+https://github.com/OpenInterpreter/open-interpreter.git ``` ### 终端 安装后，只需运行 `interpreter`： ``` interpreter ``` Open Interpreter 默认使用 OpenAI 的 **GPT-4o**，并会要求您输入密钥，您可以从 [OpenAI 的 API 密钥页面](https://platform.openai.com/api-keys) 获取。关于其他提供商或本地模型，请参见下文。 ### Python ``` from interpreter import interpreter interpreter.chat("Plot AAPL and META's normalized stock prices") # Executes a single command interpreter.chat() # Starts an interactive chat ``` ### GitHub Codespaces 在此存储库的 GitHub 页面上按 `,` 键以创建 codespace。片刻之后，您将获得一个预装了 open-interpreter 的云虚拟机环境。然后，您可以直接开始与之交互，自由地确认其执行系统命令，而不必担心损坏系统。 ## 与 ChatGPT 的 Code Interpreter 的比较 OpenAI 发布的搭载 GPT-4 的 [Code Interpreter](https://openai.com/blog/chatgpt-plugins#code-interpreter) 为通过 ChatGPT 完成现实世界任务提供了一个绝佳的机会。 然而，OpenAI 的服务是托管的、闭源的，并且受到严重限制： - 无法访问互联网。 - [预装的包数量有限](https://wfhbrian.com/artificial-intelligence/mastering-chatgpts-code-interpreter-list-of-python-packages/)。 - 最大上传 100 MB，120.0 秒运行时间限制。 - 当环境消亡时，状态会被清除（以及任何生成的文件或链接）。 Open Interpreter 通过在您的本地环境中运行来克服这些限制。它可以完全访问互联网，不受时间或文件大小的限制，并且可以使用任何包或库。 这将 GPT-4 的 Code Interpreter 的强大功能与您本地开发环境的灵活性结合在了一起。 ## 命令 ### 交互式聊天 要在终端启动交互式聊天，可以通过命令行运行 `interpreter`： ``` interpreter ``` 或者在 .py 文件中运行 `interpreter.chat()`： ``` interpreter.chat() ``` **您还可以流式传输每个块：** ``` message = "What operating system are we on?" for chunk in interpreter.chat(message, display=False, stream=True): print(chunk) ``` ### 编程式聊天 为了进行更精确的控制，您可以直接将消息传递给 `.chat(message)`： ``` interpreter.chat("Add subtitles to all videos in /videos.") # ... 将输出流传输到你的 terminal，完成任务 ... interpreter.chat("These look great but can you make the subtitles bigger?") # ... ``` ### 开始新对话 在 Python 中，Open Interpreter 会记住对话历史记录。如果您想重新开始，可以将其重置： ``` interpreter.messages = [] ``` ### 保存和恢复聊天 `interpreter.chat()` 返回一个消息列表，可以通过 `interpreter.messages = messages` 使用该列表来恢复对话： ``` messages = interpreter.chat("My name is Killian.") # Save messages to 'messages' interpreter.messages = [] # Reset interpreter ("Killian" will be forgotten) interpreter.messages = messages # Resume chat from 'messages' ("Killian" will be remembered) ``` ### 自定义系统消息 您可以检查和配置 Open Interpreter 的系统消息，以扩展其功能、修改权限或为其提供更多上下文。 ``` interpreter.system_message += """ Run shell commands with -y so the user doesn't have to confirm them. """ print(interpreter.system_message) ``` ### 更改您的语言模型 Open Interpreter 使用 [LiteLLM](https://docs.litellm.ai/docs/providers/) 连接到托管的语言模型。 您可以通过设置 model 参数来更改模型： ``` interpreter --model gpt-3.5-turbo interpreter --model claude-2 interpreter --model command-nightly ``` 在 Python 中，在对象上设置模型： ``` interpreter.llm.model = "gpt-3.5-turbo" ``` [在此处为您的语言模型找到相应的 "model" 字符串。](https://docs.litellm.ai/docs/providers/) ### 在本地运行 Open Interpreter #### 终端 Open Interpreter 可以使用兼容 OpenAI 的服务器在本地运行模型（如在 LM Studio、Jan.ai、Ollama 等中） 只需使用您推理服务器的 `api_base` URL 运行 `interpreter` 即可（对于 LM Studio，默认为 `http://localhost:1234/v1`）： ``` interpreter --api_base "http://localhost:1234/v1" --api_key "fake_key" ``` 或者，您也可以在无需安装任何第三方软件的情况下运行 Llamafile，只需执行： ``` interpreter --local ``` 如需更详细的指南，请查看 [Mike Bird 制作的此视频](https://www.youtube.com/watch?v=CEs51hGWuGU&si=cN7f6QhfT4edfG5H) **如何在后台运行 LM Studio。** 1. 下载 [LM Studio](https://lmstudio.ai/) 然后启动它。 2. 选择一个模型然后点击 **↓ Download**。 3. 点击左侧的 **↔️** 按钮（在 💬 下方）。 4. 在顶部选择您的模型，然后点击 **Start Server**。 一旦服务器运行起来，您就可以开始与 Open Interpreter 进行对话了。 #### Python 我们的 Python 包让您可以更好地控制每个设置。要复制并连接到 LM Studio，请使用以下设置： ``` from interpreter import interpreter interpreter.offline = True # Disables online features like Open Procedures interpreter.llm.model = "openai/x" # Tells OI to send messages in OpenAI's format interpreter.llm.api_key = "fake_key" # LiteLLM, which we use to talk to LM Studio, requires this interpreter.llm.api_base = "http://localhost:1234/v1" # Point this at any OpenAI compatible server interpreter.chat() ``` #### 上下文窗口与最大 Token 数 您可以修改本地运行模型的 `max_tokens` 和 `context_window`（以 token 为单位）。 对于本地模式，较小的上下文窗口将使用较少的 RAM，因此如果失败或速度缓慢，我们建议尝试短得多的窗口（~1000）。请确保 `max_tokens` 小于 `context_window`。 ``` interpreter --local --max_tokens 1000 --context_window 3000 ``` ### 详细模式 为了帮助您检查 Open Interpreter，我们提供了一个用于调试的 `--verbose` 模式。 您可以通过使用其标志（`interpreter --verbose`）或在聊天过程中激活详细模式： ``` $ interpreter ... > %verbose true <- Turns on verbose mode > %verbose false <- Turns off verbose mode ``` ### 交互模式命令 在交互模式下，您可以使用以下命令来增强您的体验。以下是可用命令的列表： **可用命令：** - `%verbose [true/false]`：切换详细模式。不带参数或带 `true` 时进入详细模式。带 `false` 时退出详细模式。 - `%reset`：重置当前会话的对话。 - `%undo`：从消息历史记录中删除上一条用户消息和 AI 的回复。 - `%tokens [prompt]`：（*实验性*）计算作为上下文随下一个 prompt 发送的 token 数量并估算其成本。如果提供了 `prompt`，可选择计算该 prompt 的 token 数量和估算成本。依赖于 [LiteLLM 的 `cost_per_token()` 方法](https://docs.litellm.ai/docs/completion/token_usage#2-cost_per_token) 进行成本估算。 - `%help`：显示帮助消息。 ### 配置 / 配置文件 Open Interpreter 允许您使用 `yaml` 文件设置默认行为。 这提供了一种灵活的方式来配置解释器，而无需每次都更改命令行参数。 运行以下命令打开配置文件目录： ``` interpreter --profiles ``` 您可以在那里添加 `yaml` 文件。默认的配置文件名为 `default.yaml`。 #### 多配置文件 Open Interpreter 支持多个 `yaml` 文件，允许您在不同的配置之间轻松切换： ``` interpreter --profile my_profile.yaml ``` ## FastAPI 服务器示例 生成器更新使得 Open Interpreter 能够通过 HTTP REST 端点进行控制： ``` # server.py from fastapi import FastAPI from fastapi.responses import StreamingResponse from interpreter import interpreter app = FastAPI() @app.get("/chat") def chat_endpoint(message: str): def event_stream(): for result in interpreter.chat(message, stream=True): yield f"data: {result}\n\n" return StreamingResponse(event_stream(), media_type="text/event-stream") @app.get("/history") def history_endpoint(): return interpreter.messages ``` ``` pip install fastapi uvicorn uvicorn server:app --reload ``` 您还可以通过简单地运行 `interpreter.server()` 来启动一个与上述相同的服务器。 ## Android 有关在您的 Android 设备上安装 Open Interpreter 的分步指南，可以在 [open-interpreter-termux 存储库](https://github.com/MikeBirdTech/open-interpreter-termux) 中找到。 ## 安全提示 由于生成的代码是在您的本地环境中执行的，它可以与您的文件和系统设置进行交互，这可能导致意想不到的结果，如数据丢失或安全风险。 **⚠️ Open Interpreter 在执行代码前会请求用户确认。** 您可以运行 `interpreter -y` 或设置 `interpreter.auto_run = True` 来绕过此确认，在这种情况下： - 在请求修改文件或系统设置的命令时要谨慎。 - 像关注自动驾驶汽车一样关注 Open Interpreter，并准备好通过关闭终端来结束进程。 - 考虑在受限制的环境（如 Google Colab 或 Replit）中运行 Open Interpreter。这些环境更加隔离，降低了执行任意代码的风险。 我们提供对[安全模式](https://github.com/OpenInterpreter/open-interpreter/blob/main/docs/SAFE_MODE.md)的**实验性**支持，以帮助缓解一些风险。 ## 它是如何工作的？ Open Interpreter 为一个[函数调用语言模型](https://platform.openai.com/docs/guides/function-calling)配备了一个 `exec()` 函数，该函数接受一个 `language`（如 "Python" 或 "JavaScript"）以及要运行的 `code`。 然后，我们将模型的消息、代码以及您系统的输出以 Markdown 格式流式传输到终端。 ## 离线访问文档 无需连接互联网，即可随时随地访问完整的[文档](https://docs.openinterpreter.com/)。 [Node](https://nodejs.org/en) 是先决条件： - 版本 18.17.0 或任何更高版本的 18.x.x。 - 版本 20.3.0 或任何更高版本的 20.x.x。 - 从 21.0.0 起的任何版本，未指定上限。 安装 [Mintlify](https://mintlify.com/)： ``` npm i -g mintlify@latest ``` 进入 docs 目录并运行相应的命令： ``` # 假设你位于项目的根目录 cd ./docs # 运行文档服务器 mintlify dev ``` 此时应该会打开一个新的浏览器窗口。只要文档服务器在运行，就可以在 [http://localhost:3000](http://localhost:3000) 访问该文档。 ## 贡献 感谢您对贡献的关注！我们欢迎社区的参与。 请参阅我们的[贡献指南](https://github.com/OpenInterpreter/open-interpreter/blob/main/docs/CONTRIBUTING.md)，了解有关如何参与的更多详细信息。 ## 路线图 访问[我们的路线图](https://github.com/OpenInterpreter/open-interpreter/blob/main/docs/ROADMAP.md)以预览 Open Interpreter 的未来。 **注意**：本软件与 OpenAI 无关。 

标签：AGPL, CMS安全, Cutter, DLL 劫持, JavaScript, LLM, Open Interpreter, Petitpotam, Python, RPA, Shell, Unmanaged PE, 人工智能, 代码示例, 代码解释器, 大语言模型, 开源, 数据分析, 数据可视化, 数据清洗, 无后门, 本地代码执行, 用户模式Hook绕过, 电脑控制, 系统自动化, 终端工具, 网络调试, 自动写代码, 自动化, 逆向工具