# Open Interpreter 不是这样的（纯对话）：
你：帮我写一个重命名脚本
AI：好的，这里是一个 Python 脚本，你保存后运行...

#Open Interpreter 是这样的（直接执行）：
你：把 Downloads 里所有 .jpg 按日期重命名
AI：让我看看 Downloads 文件夹...
    运行结果：已重命名 23 个文件 ✅

pip install open-interpreter

interpreter --version
输出示例：Open Interpreter 0.4.3 Developer Preview

export OPENAI_API_KEY="sk-你的API-KEY"
#使用中转地址的还需要设置 API Base
export OPENAI_API_BASE="https://你的中转地址/v1"

echo 'export OPENAI_API_KEY="sk-你的API-KEY"' >> ~/.zshrc
source ~/.zshrc

interpreter

# AI 生成的代码
with open('/Users/你的用户名/Desktop/hello-oi.txt', 'w') as f:
    f.write('Hello from Open Interpreter!')

# 输入以下内容退出（三选一）：
exit
#或按 Ctrl+C
或输入 /exit

python3 --version
期望输出：Python 3.9.x 或更高

# macOS
brew install python@3.11

#Ubuntu / Debian
sudo apt update

sudo apt install python3 python3-pip python3-venv -y

#Windows (WSL2)
sudo apt update

sudo apt install python3 python3-pip python3-venv -y

# macOS / Linux
python3 -m ensurepip --upgrade
#或
python3 -m pip install --upgrade pip

/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

brew install python@3.11

# 创建项目目录和虚拟环境
mkdir -p ~/oi-env
python3.11 -m venv ~/oi-env
source ~/oi-env/bin/activate

pip install open-interpreter

alias oi='source ~/oi-env/bin/activate && interpreter'

sudo apt update
sudo apt install python3 python3-pip python3-venv -y

#创建虚拟环境
python3 -m venv ~/oi-env
source ~/oi-env/bin/activate

#安装 Open Interpreter
pip install open-interpreter

sudo yum install python3 python3-pip -y

#创建虚拟环境
python3 -m venv ~/oi-env
source ~/oi-env/bin/activate

#更新 pip 后安装
pip install --upgrade pip
pip install open-interpreter

echo 'alias oi="source ~/oi-env/bin/activate && interpreter"' >> ~/.bashrc
source ~/.bashrc

wsl --install -d Ubuntu

sudo apt update
sudo apt install python3 python3-pip python3-venv -y

python3 -m venv ~/oi-env
source ~/oi-env/bin/activate
pip install open-interpreter

# 以管理员身份打开 PowerShell
python -m venv $env:USERPROFILE\oi-env
$env:USERPROFILE\oi-env\Scripts\activate
pip install open-interpreter
interpreter

# 拉取官方镜像（基于 Python 3.11）
docker pull python:3.11-slim

#创建 Docker 容器并安装 Open Interpreter
docker run -it --name oi \
  -v $(pwd):/workspace \
  -e OPENAI_API_KEY="sk-你的KEY" \
  python:3.11-slim \
  /bin/bash -c "pip install open-interpreter && interpreter"

# 将当前目录挂载到 /workspace，容器和宿主机共享文件
docker run -it --rm \
  -v $(pwd):/workspace \
  -w /workspace \
  -e OPENAI_API_KEY="sk-你的KEY" \
  python:3.11-slim \
  /bin/bash -c "pip install open-interpreter && interpreter"

interpreter --version
#输出示例：Open Interpreter 0.4.3 Developer Preview

interpreter --help
输出应显示所有可用的命令行参数

# 虚拟环境激活后重新安装
source ~/oi-env/bin/activate  # macOS/Linux
#或 Windows: oi-env\Scripts\activate
pip install open-interpreter
#然后用完整路径运行
~/oi-env/bin/interpreter --version

# OpenAI
export OPENAI_API_KEY="sk-你的KEY"

#如果使用中转地址
export OPENAI_API_BASE="https://你的中转地址/v1"

#如果使用 Anthropic
export ANTHROPIC_API_KEY="sk-ant-你的KEY"

#如果使用 DeepSeek
export DEEPSEEK_API_KEY="sk-你的KEY"
export DEEPSEEK_API_BASE="https://api.deepseek.com/v1"

#如果使用 Groq
export GROQ_API_KEY="gsk-你的KEY"

# 直接用 API Key 启动（不设环境变量时）
interpreter --api_key "sk-你的KEY"

#使用自定义 API Base
interpreter --api_base "https://你的中转地址/v1"

#指定模型
interpreter --model "gpt-4o"
interpreter --model "anthropic/claude-sonnet-4-20250514"
interpreter --model "deepseek/deepseek-chat"

#组合使用
interpreter --model "gpt-4o" --api_key "sk-你的KEY" --temperature 0.3

# 打开 profiles 目录
interpreter --profiles

# 文件名: my-config.yaml
model: gpt-4o
api_key: sk-你的KEY
temperature: 0.2
max_output: 2500
auto_run: false
safe_mode: ask
custom_instructions: 你是一个专业的编程助手，用中文回答，代码优先使用 Python3。

interpreter --profile my-config.yaml

from interpreter import interpreter

interpreter.llm.model = "gpt-4o"
interpreter.llm.api_key = "sk-你的KEY"
interpreter.llm.api_base = "https://你的中转地址/v1"
interpreter.auto_run = True
interpreter.custom_instructions = "请使用中文回答"

interpreter.chat("帮我分析这个CSV文件")

# macOS
brew install ollama

#Linux
curl -fsSL https://ollama.com/install.sh | sh

#Windows
从 https://ollama.com/download 下载安装包

# 拉取 Qwen2.5（7B 参数，中文表现优秀，推荐）
ollama pull qwen2.5:7b

#拉取 Llama 3.1（英文好）
ollama pull llama3.1:8b

#启动 Ollama 服务（新终端窗口）
ollama serve

# 方式 A：使用 --local 快捷方式（自动扫描本地模型）
interpreter --local

#方式 B：手动指定模型
interpreter --model "ollama/qwen2.5:7b" --api_base "http://localhost:11434"

#方式 C：使用 Profile
interpreter --profile local

interpreter --model "gpt-4o" --api_base "http://localhost:1234/v1"

# 快速模式：使用 GPT-4o-mini，便宜快速
#适合日常简单任务、调试、测试
interpreter --fast

#本地模式：自动检测并配置本地模型
#适合离线使用、隐私敏感场景
interpreter --local

#Groq 模式：使用 Groq 免费高速 API
#适合大批量任务，延迟极低
interpreter --groq

#视觉模式：启用图片理解能力
#适合分析图表、截图、图片内容
interpreter --vision

#计算机控制模式：控制鼠标键盘
#适合自动化 GUI 操作（实验功能）
interpreter --os

# 配置 DeepSeek（最推荐，价格极低）
export DEEPSEEK_API_KEY="sk-你的DeepSeekKey"
interpreter --model "deepseek/deepseek-chat"

#使用 通义千问
export DASHSCOPE_API_KEY="sk-你的通义Key"
interpreter --model "qwen/qwen-max"

export OPENAI_API_KEY="sk-中转站给你的Key"
export OPENAI_API_BASE="https://中转站地址/v1"
interpreter

# 安装 Ollama，下载中文模型，完全离线使用
ollama pull qwen2.5:7b
interpreter --model "ollama/qwen2.5:7b" --api_base "http://localhost:11434" --offline

# 直接启动（默认使用环境变量中的 API Key）
interpreter

#指定模型启动
interpreter --model gpt-4o --temperature 0.1

# 任一方式均可退出
exit
#或 /exit
#或 Ctrl+C
或 Ctrl+D

# 基本用法：interpreter 后面直接跟指令
interpreter "查看我的 Python 版本"

#执行完毕后自动退出
interpreter "列出当前目录下的所有文件，按大小排序"

#配合管道使用
echo "帮我找出最大的 3 个文件" | interpreter

#复杂指令要用引号包裹
interpreter "下载 https://example.com/data.csv 到 Downloads 文件夹"

#!/bin/bash
#文件名：daily-report.sh
#每天早上自动运行

interpreter "查看 /var/log/system.log 中昨天的错误信息，汇总到 ~/Desktop/daily-error-report.txt"

interpreter -y
#或
interpreter --auto_run

pip install open-interpreter[safe]

interpreter --safe_mode ask

# 列出所有保存的对话
interpreter --conversations

#选择要恢复的对话（交互式列表）
选择后继续对话

# 对话文件存储在：
#macOS/Linux: ~/.config/open-interpreter/conversations/
#Windows: %USERPROFILE%\.config\open-interpreter\conversations\

ls ~/.config/open-interpreter/conversations/

# 删除所有对话文件
rm -rf ~/.config/open-interpreter/conversations/*

或在交互模式中使用 %reset

# 启动 API 服务器
interpreter --server

#默认监听 http://localhost:8000
#可用端点：
#GET /chat?message=你的指令  （流式返回 SSE）
GET /history                （查看历史消息）

import requests
import json

#发送请求
response = requests.get(
    "http://localhost:8000/chat",
    params={"message": "查看我的磁盘使用情况"},
    stream=True
)

#流式输出结果
for line in response.iter_lines():
    if line:
        print(line.decode('utf-8'))

from interpreter import interpreter

#设置模型
interpreter.llm.model = "gpt-4o"

#单次调用
result = interpreter.chat("查看我的当前目录")
print(result)

#流式输出
for chunk in interpreter.chat("分析 data.csv 的数据", stream=True):
    print(chunk)

#重置对话
interpreter.messages = []

#交互模式（阻塞）
interpreter.chat()

from interpreter import interpreter

#完整配置示例
interpreter.llm.model = "gpt-4o"
interpreter.llm.api_key = "sk-你的KEY"
interpreter.llm.api_base = "https://你的中转地址/v1"
interpreter.llm.max_tokens = 4096
interpreter.llm.context_window = 128000
interpreter.llm.temperature = 0.2

interpreter.auto_run = True
interpreter.offline = False
interpreter.verbose = True

#自定义指令
interpreter.custom_instructions = """
你是一个运维助手，擅长 Linux 系统管理。
每次执行命令前，解释一下你要做什么。
使用中文回答。
"""

#启动交互
interpreter.chat()

from interpreter import AsyncInterpreter
import asyncio

async def main():
    interpreter = AsyncInterpreter()
    interpreter.llm.model = "gpt-4o"
    interpreter.auto_run = True
    
    async for chunk in interpreter.chat("查看系统负载", stream=True):
        print(chunk)

asyncio.run(main())

interpreter --custom_instructions "请始终使用 Shell 命令而非 Python 执行系统操作，代码执行前先解释作用"

from interpreter import interpreter

interpreter.custom_instructions = """
你是我的专业编程助手。

规则：
1. 所有代码用 Python 3 编写
2. 文件操作时先用 os.path 检查路径是否存在
3. 安装库前先检查是否已安装
4. 每次生成代码后，简要说明代码的作用
5. 使用中文回答
6. 优先使用标准库，避免不必要的第三方依赖
"""

interpreter.chat()

# my-assistant.yaml
model: gpt-4o
temperature: 0.1
auto_run: false
custom_instructions: |
  你是专业的 DevOps 助手。
  1. 优先使用 Shell 命令而非 Python
  2. 所有关键操作前先检查状态
  3. 使用中文回答
  4. 如果某个操作有风险，先发出警告

interpreter --profile my-assistant.yaml

# 查看并打开 profiles 目录
interpreter --profiles

# 文件名: coding-assistant.yaml
model: gpt-4o
temperature: 0.1
max_tokens: 4096
context_window: 128000
max_output: 2500
api_base: https://api.openai.com/v1
auto_run: false
safe_mode: ask
offline: false
custom_instructions: |
  你是专业的编程助手。
  1. 生成代码时添加完整注释
  2. 使用 Python 3.10+ 语法
  3. 每次运行前解释代码功能
  4. 包含错误处理

# --fast → 相当于使用 GPT-4o-mini
#--local → 相当于使用本地 Ollama 模型
#--groq → 相当于使用 Groq 的 Llama3 模型
#--codestral → 相当于使用 Codestral 模型
#--llama3 → 相当于使用 Llama3 模型
--os → 相当于启用计算机控制模式

# 日常快速任务
alias oi-fast="interpreter --profile my-fast.yaml"

#代码开发
alias oi-code="interpreter --profile coding-assistant.yaml"

#数据分析
alias oi-data="interpreter --profile data-analysis.yaml"

from interpreter import interpreter

#定义一个函数
def get_weather(city: str):
    """
    获取指定城市的天气信息。
    
    参数:
        city (str): 城市名称，如 "北京"、"上海"
    
    返回:
        str: 天气信息字符串
    """
    # 实际可从天气 API 获取
    import requests
    resp = requests.get(f"https://wttr.in/{city}?format=%C+%t+%w")
    return resp.text

#注册到 interpreter
interpreter.register_function(get_weather)

#AI 现在知道可以使用这个函数
interpreter.chat("北京今天天气怎么样？")

from interpreter import interpreter

#数据库查询函数
def query_database(sql: str):
    """执行 SQL 查询并返回结果"""
    import sqlite3
    conn = sqlite3.connect("business.db")
    cursor = conn.cursor()
    cursor.execute(sql)
    results = cursor.fetchall()
    columns = [desc[0] for desc in cursor.description]
    conn.close()
    return {"columns": columns, "rows": results}

#Slack 通知函数
def send_slack_message(channel: str, message: str):
    """发送消息到 Slack 频道"""
    import requests
    webhook_url = "https://hooks.slack.com/services/你的Webhook地址"
    requests.post(webhook_url, json={"channel": channel, "text": message})
    return "已发送"

#注册多个函数
interpreter.register_function(query_database)
interpreter.register_function(send_slack_message)

#AI 可以自主调用这些函数
interpreter.chat("查询数据库中昨天的订单总量，然后发到 Slack general 频道")

# 需要额外的依赖
pip install open-interpreter[os]

#使用 Anthropic Claude 作为模型（推荐）
export ANTHROPIC_API_KEY="sk-ant-你的KEY"
interpreter --os --model "anthropic/claude-sonnet-4-20250514"

#或使用 OpenAI
interpreter --os

# 创建环境
python3 -m venv ~/oi-env

#激活
source ~/oi-env/bin/activate  # macOS/Linux
#或 Windows: oi-env\Scripts\activate

#安装 Open Interpreter
pip install open-interpreter

#启动
interpreter

pip install setuptools==69.5.1

# --fast 模式使用 gpt-4o-mini，价格是 gpt-4o 的 1/30
interpreter --fast

# 简单需求用本地模型
interpreter --local

#复杂需求切换到云端
interpreter --model gpt-4o

# DeepSeek 价格仅为 GPT-4o 的 1/20
interpreter --model "deepseek/deepseek-chat"

# 限制每次输出的 token 数
interpreter --max_tokens 1024

#限制上下文窗口（减少重复发送历史消息）
interpreter --context_window 32000

# Dockerfile
cat > Dockerfile.oi << 'EOF'
FROM python:3.11-slim

RUN pip install open-interpreter

ENV OPENAI_API_KEY="sk-你的KEY"
ENV OPENAI_API_BASE="https://api.openai.com/v1"

WORKDIR /workspace

CMD ["interpreter"]
EOF

#构建镜像
docker build -t open-interpreter -f Dockerfile.oi .

#运行（挂载当前目录到 /workspace）
docker run -it --rm \
  -v $(pwd):/workspace \
  open-interpreter

# ❌ 错误做法：API Key 会出现在 shell 历史中
interpreter --api_key "sk-..."

#✅ 正确做法：使用环境变量
export OPENAI_API_KEY="sk-..."
interpreter

# .env 文件
OPENAI_API_KEY="sk-xxx"
OPENAI_API_BASE="https://xxx/v1"

# 加载 .env
export $(grep -v '^#' .env | xargs)
interpreter

# key_rotator.py - API Key 轮换器
import os
import random

keys = [
    "sk-key1",
    "sk-key2",
    "sk-key3",
]

os.environ["OPENAI_API_KEY"] = random.choice(keys)

# 每天早上 9 点运行数据报告
crontab -e
#添加以下行：
0 9 * * * cd /path/to/project

interpreter "分析昨天的销售数据，生成日报并保存到 reports/$(date +\%Y\%m\%d).md"

#!/bin/bash
#batch-process.sh - 批量处理脚本

echo "=== 开始批量处理 ==="

#步骤 1：整理文件
interpreter "把 Downloads 中昨天的截图移动到 Screenshots/archive/"

#步骤 2：生成报告
interpreter "读取 data.csv，计算各分类汇总，输出到 report.csv"

#步骤 3：备份
interpreter "将 project/ 目录压缩成 backup-$(date +%Y%m%d).zip"

echo "=== 处理完成 ==="

#!/usr/bin/env python3
#daily_pipeline.py

from interpreter import interpreter

interpreter.llm.model = "gpt-4o-mini"
interpreter.auto_run = True
interpreter.offline = False

steps = [
    "检查磁盘使用量，如果超过 80% 则清理 /tmp 目录",
    "检查是否有安全更新需要安装",
    "生成系统运行报告，保存到 ~/Desktop/system-report.md"
]

for step in steps:
    print(f"\n>>> 执行: {step}")
    for chunk in interpreter.chat(step, stream=True, display=False):
        print(chunk, end="")
    print("\n")

print("✅ 每日巡检完成")

# Ollama 提供本地推理
#Open Interpreter 调用 Ollama 的 API
#二者配合实现完全离线
ollama serve  # 后台运行
interpreter --model "ollama/qwen2.5:7b" --api_base "http://localhost:11434"

# Open Interpreter：数据分析、文件处理
#Claude Code：复杂代码编写和重构
#先用 OI 处理数据，再用 Claude Code 写核心逻辑
interpreter "分析 data.csv，提取关键指标，保存到 summary.json"
cd /project

claude "根据 summary.json 实现一个数据分析 API"

# Hermes Agent：多平台消息网关 + 技能系统 + Cron
#Open Interpreter：本地代码执行能力
可以将 OI 作为 Hermes 的代码执行后端

# 原因 1：pip 过旧
python3 -m pip install --upgrade pip

#原因 2：Python 版本过低
python3 --version  # 需要 3.9+
brew install python@3.11  # macOS 升级 Python

#原因 3：网络问题（国内用户）
pip install open-interpreter -i https://pypi.tuna.tsinghua.edu.cn/simple

#原因 4：权限问题
pip install --user open-interpreter

# 虚拟环境未激活
source ~/oi-env/bin/activate

#或用完整路径
~/oi-env/bin/interpreter

#或重新安装确保加入 PATH
pip install --force-reinstall open-interpreter

pip install setuptools==69.5.1

# 检查是否正确设置了环境变量
echo $OPENAI_API_KEY  # 应该显示你的 Key
#如果为空，说明未设置或 shell 配置未重新加载
source ~/.zshrc  # 或重启终端

#检查 Key 格式是否正确（应该以 sk- 开头）
检查是否在 Key 前后有意外空格

# 使用 --model 参数指定完整模型名
interpreter --model "gpt-4o"  # ✅ 正确
interpreter --model "gpt4"    # ❌ 不正确的名称

#查看可用模型列表
interpreter --model "gpt-4o" # 尝试不同类型的模型名

#对于本地模型
ollama list  # 检查已下载的模型
ollama pull qwen2.5:7b  # 重新拉取

# 原因 1：模型本身慢（GPT-4o 比 GPT-4o-mini 慢 3-5 倍）
interpreter --fast  # 切换到快速模型

#原因 2：网络延迟（国内连 OpenAI）
#使用国内中转或 DeepSeek

#原因 3：上下文太长
interpreter --context_window 32000  # 缩小上下文

#原因 4：生成内容太多
interpreter --max_tokens 1024  # 限制输出长度

# 在交互模式中直接指出错误
> 你生成的代码有语法错误，第 3 行括号没有闭合，修正一下

AI 会自动识别错误并重新生成修正版本

# 使用自定义指令设定明确的规则
interpreter --custom_instructions "不要使用 os.system()，用 subprocess.run()"

#或者直接在对话中纠正
> 下次请用 pandas 而不是 csv 模块来处理数据

# 方案 1：使用国产模型
export DEEPSEEK_API_KEY="sk-你的KEY"
interpreter --model "deepseek/deepseek-chat"

#方案 2：使用 API 中转
export OPENAI_API_BASE="https://你的中转站地址/v1"
interpreter

#方案 3：使用本地模型（完全离线）
ollama pull qwen2.5:7b
interpreter --model "ollama/qwen2.5:7b" --api_base "http://localhost:11434" --offline

# 配置国内镜像源
export OLLAMA_HOST="http://localhost:11434"
某些国内镜像可以加速下载，具体搜索 "ollama 国内镜像"

# 1. 缺少第三方库
#直接让 AI 安装
> 安装必要的依赖
#或者手动安装
pip install pandas requests matplotlib openpyxl

#2. 文件路径错误
#让 AI 先检查路径存在
> 先检查这个文件是否存在，然后再操作

#3. 权限不足
#检查文件/目录权限
> 先检查这个目录的权限

#4. 文件正在被其他程序占用
关闭相关程序后重试

# 立即按 Ctrl+C 终止
#然后重置对话
%reset
重新开始，这次仔细检查 AI 生成的代码再确认执行

# =====================
#安装与验证
#=====================
pip install open-interpreter
pip install open-interpreter[os]
pip install open-interpreter[safe]
interpreter --version
interpreter --help

#=====================
#启动方式
#=====================
interpreter
interpreter "你的指令"
interpreter -y
interpreter --fast
interpreter --local
interpreter --groq
interpreter --os
interpreter --vision
interpreter -v

#=====================
#模型与 API 配置
#=====================
interpreter --model "gpt-4o"
interpreter --model "gpt-4o-mini"
interpreter --model "anthropic/claude-sonnet-4-20250514"
interpreter --model "deepseek/deepseek-chat"
interpreter --model "ollama/qwen2.5:7b"
interpreter --model "gpt-4o" --api_base "http://localhost:1234/v1"
interpreter --temperature 0.1
interpreter --max_tokens 4096
interpreter --context_window 64000

#=====================
#配置文件
#=====================
interpreter --profiles
interpreter --profile my-config.yaml
interpreter --custom_instructions "用中文回答"
interpreter --offline

#=====================
#安全控制
#=====================
interpreter --safe_mode ask
interpreter --safe_mode auto
interpreter -y

#=====================
#对话管理
#=====================
interpreter --conversations
#交互模式中:
%reset
%undo
%verbose true
%tokens 你的指令

#=====================
#服务模式
#=====================
interpreter --server
#GET /chat?message=你的指令

#=====================
#Python API 集成
#=====================
from interpreter import interpreter
interpreter.llm.model = "gpt-4o"
interpreter.chat("指令")
interpreter.chat()
interpreter.messages = []

#=====================
#常用环境变量
#=====================
export OPENAI_API_KEY="sk-xxx"
export OPENAI_API_BASE="https://api.openai.com/v1"
export ANTHROPIC_API_KEY="sk-ant-xxx"
export DEEPSEEK_API_KEY="sk-xxx"
export GROQ_API_KEY="gsk-xxx"

#=====================
#排错常用命令
#=====================
pip install --upgrade pip
pip install setuptools==69.5.1
pip install open-interpreter -i https://pypi.tuna.tsinghua.edu.cn/simple
ollama pull qwen2.5:7b
ollama serve
source ~/oi-env/bin/activate