Kimi CLI 有何不同？没有

原创 于 2025-11-03 14:00:02 发布 · 1.1k 阅读 · 14 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#Kimi

部署运行你感兴趣的模型镜像

大家好，我是 Ai 学习的老章

市面上 CLI 类 AI 助手太多了，外面有 Claude Code、Codex CLI、Gemini CLI、GitHub Copilot，国内有 Qwen Coder，我之前也写过一些文章：
Gemini_CLI 速查表
Github 的新动作：Copilot
Claude Code 使用教程，对接 DeepSeek-R1 和 Kimi K2
Gemini-CLI 的正确用法，看视频，听播客 ，看论文，做 PPT，做总结，整理文件

Kimi-CLI 出来，正好有空，测试一下怎么样

https://github.com/MoonshotAI/kimi-cli

安装

Kimi CLI 目前只支持 macOS 和 Linux 系统，要求使用 uv 包管理器安装。

uv 我前些天刚好介绍过：Python 新一代包管理神器 uv 上手指南 (附速查表)

#安装 uv
curl -LsSf https://astral.sh/uv/install.sh | sh

#安装 uv 后，安装 Kimi CLI：
uv tool install --python 3.13 kimi-cli

#使用以下命令升级 Kimi CLI：
uv tool upgrade kimi-cli --no-cache

初步感受，Kimi CLI 基于 Python，有点重，86 个依赖

不过我看了一下基于 node 的其他 cli，node_modules 一出手，python 依赖看起来也没那么扎眼了

使用

命令行直接使用前还要配置环境变量

warning: /Users/zz/.local/bin is not on your PATH. To use installed tools, run export PATH="/Users/zz/.local/bin:$PATH" or uv tool update-shell.

首次运行时，Kimi CLI 会提示没有配置模型，需输入 /setup 元命令，进入配置流程：

需要提前准备好 API，三个平台可选，我选的第二个

https://platform.moonshot.cn/

话说，为何这事儿 Kimi 都没统一呢

选模型我们自然选最好的，也是官方推荐的

模型计费单位输入价格
（缓存命中）		输入价格
（缓存未命中）		输出价格模型上下文长度
kimi-k2-0905-preview1M tokens￥1.00￥4.00￥16.00262,144 tokens
kimi-k2-0711-preview1M tokens￥1.00￥4.00￥16.00131,072 tokens
kimi-k2-turbo-preview 推荐1M tokens￥4.00￥16.00￥64.00262,144 tokens

功能

官方介绍有 Shell 模式、Zsh 和 Zed 结合使用，还有 MCP

我是直接 shell 中使用

Kimi CLI 不仅仅是一个编程智能体，还可以通过 Ctrl-K 快捷键切换到 shell 模式。通过该模式，你可以在不离开 Kimi CLI 的情况下，直接执行 shell 命令，方便进行文件操作和查看结果。

单看功能，有点太单薄了：

  • /exit (quit): 退出应用程序
  • /help (h, ?): 显示帮助信息
  • /version: 显示版本信息
  • /release-notes: 显示发布说明
  • /feedback: 提交反馈让 Kimi CLI 变得更好
  • /init: 分析代码库并生成 AGENTS.md 文件
  • /clear (reset): 清除上下文
  • /compact: 压缩上下文
  • /debug: 调试上下文
  • /setup: 设置 Kimi CLI
  • /reload: 重新加载配置

对比一下 Gemini-CLI、Github Coplot、Claude Code

Gemini-CLI

Github Coplot

Claude Code

实测

简单让其总结最近李沐老师关于智能体的演讲并用 svg 生成海报，结果不太理想，有点 bug

让其重新生成并把海报改成 xhs 风格，结果依然不太好

对比我用 Github Copilot 生成的（对应大模型是 Claude Sonnet 4.5），完成度很高

Gemini 可以完成，但是比起 Copilot 还是差点，基模决定一切

最后我想说：若不是官方赠送的 API 额度，我可能都不会测试它，竞品都太强了。

不过暂时还是让它保留在 Terminal 窗口了，后续或许可以同步让其执行一些任务，再观察一下。

话说，我的 terminal 窗口越来越多了

您可能感兴趣的与本文相关的镜像

LobeChat

LobeChat

AI应用

LobeChat 是一个开源、高性能的聊天机器人框架。支持语音合成、多模态和可扩展插件系统。支持一键式免费部署私人ChatGPT/LLM 网络应用程序。

博客
PDF 文件翻译，我有4个方案推荐
12-28 262
本文汇总了4种AI论文PDF翻译方案：1）豆包插件-操作简单但样式损失大；2）沉浸式翻译arXiv版-完美保留HTML排版；3）BabelDOC开源工具-精准还原排版并优化公式处理，支持本地部署；4）PDF2Zh双语对照工具-基于Gradio实现但免费版较慢。各方案在翻译速度、排版保留和适用范围上各有优劣，为科研工作者提供了多样化的英文文献阅读辅助选择。
博客
全模态大模型部署，vLLM-Omni 来了，100%开源
12-28 733
vLLM-Omni是由vLLM团队推出的全新开源框架，专为全模态大模型部署设计。它在原vLLM基础上扩展支持图像、视频、音频等多模态数据处理，并兼容非自回归架构。核心优势包括优化的KV缓存管理、流水线并行执行和灵活资源调度，性能显著优于Hugging Face Transformers。该框架支持主流开源模型如Qwen-Omni，提供OpenAI兼容API，并支持多种并行推理方式。安装可通过uv或Docker完成，支持离线推理和在线API调用，还提供Gradio交互界面。项目由中国开发者主导，未来将发布40
博客
vLLM 帮助文档翻译，模型相关
12-28 180
大家好，我是Ai学习的老章前文我介绍了vLLM部署多模态/全模态大模型的vLLM-Omni简介及安装其中最关键的自然是 ModelConfig（模型的配置选项）相关做个翻译，方便自己学习记忆，也分享给大家。
博客
小米的大模型，就问你快不快吧
12-19 365
📄 技术报告：http://github.com/XiaomiMiMo/MiMo-V2-Flash/blob/main/paper.pdf。📝 博客文章：http://mimo.xiaomi.com/blog/mimo-v2-flash。🤗 模型权重：http://hf.co/XiaomiMiMo/MiMo-V2-Flash。🎨 AI 工坊：http://aistudio.xiaomimimo.com。我看了一下小米这个 MiMo-V2-Flash，也试用了一下，但。
博客
大模型本地部署，小号的vLLM来了
11-18 685
一文中提到 2025 年最热门的项目分布在 AI 基础设施（vllm、ollama、huggingface/transformers）和持久的生态系统（vscode、godot、home-assistant）之间。唯一让我不满的是我在内网用 docker 起 vLLM，它太大了，足足 22 个 GB。这个推理引擎也是我最喜爱的，本号测试部署的 N 多大模型都是用它来部署的。时间关系，我还没有本地跑大参数模型，后续肯定要试一试的。这种小模型，时延更小，吞吐量更大，看起来是很不错的样子。
博客
AI 时代，印度崛起了
11-13 812
GitHub 2025年度开发者趋势报告显示三大关键变化：1）生成式AI成为开发标配，超110万仓库使用LLM SDK；2）TypeScript超越Python成为最受欢迎语言；3）AI正在重塑开发者的工具选择。数据显示GitHub开发者数量突破1.8亿，印度新增520万开发者居首。AI基础设施项目增长最快，vLLM等推理引擎项目贡献者激增。TypeScript贡献者同比增长66%达榜首，Python仍主导AI领域但增速放缓。报告指出AI不仅加速编码，更深刻影响了开发者生态系统的演进方向。
博客
Kimi-K2-Thinking 开源大模型新王，权威测试结果公布
11-12 1289
与此前发布的 Kimi K2 Instruct 使用 FP8 精度不同，K2 Thinking 原生以 INT4 精度发布，结果是，K2 Thinking 仅约 594 GB，而 K2 Instruct 与 K2 Instruct 0905 略超 1 TB——从而在推理与训练中获得效率提升。总而言之，Kimi K2 Thinking 是一款特点鲜明的模型，它以卓越的智能和专业能力为开源领域树-立了新的标杆，证明了开源模型追赶甚至超越闭源模型的可能性。以编码为重点的评估基准，用于评估大型语言模型的性能。
博客
Kimi K2 Thinking 量化之后再量化，模型文件缩水60%，准确率85%，部署教程来了
11-10 539
Kimi K2 Thinking模型通过1-bit量化技术将594GB模型缩减至247GB，大幅降低部署成本。Unsloth团队采用MoE卸载技术，仅需8GB显存即可运行，支持CPU/GPU混合部署。部署流程分三步：编译llama.cpp、下载量化模型、配置MoE卸载参数。推荐使用UD-Q2_K_XL（381GB）版本平衡性能与精度。模型支持OpenAI API格式调用，并具备独特的"思考过程"展示功能。尽管量化后性能有所妥协，但为资源有限场景提供了运行超大模型的可能性。
博客
迄今为止最大的开源模型Kimi K2 Thinking ，硬钢闭源模型
11-07 1125
模型是具有通用 Agentic 能力和推理能力的思考模型，它擅长深度推理，并可通过多步工具调用，帮助解决各类难题。什么让它与众不同：⚡ 原生 INT4 量化 → 2 倍快速推理💾 占用内存减半，无精度损失🎯 256K 上下文，支持 200-300 次工具调用官方释放的基准测试结果：🔹 在 HLE (44.9%) 和 BrowseComp (60.2%) 上达到 SOTA🔹 最多可以执行 200 – 300 个连续的工具调用 无需人工干预。
博客
Ollama，危？llama cpp 的Web UI来了
11-05 549
现在 llama.cpp 迎来重大更新，它也有了自己的 Web UI，我测试了安装部署和自行打包，很多地方确实比 Ollama 还有方便好用。Ollama 背后执行推理的核心技术其实是由 llama.cpp 承担的，GGUF 模型格式也是由 llama.cpp 的作者所开发。目前硬伤是只能浏览器，想打包成 app 也可以，我使用的是 tw93 开发的 pake，一行命令即可，本地服务也可以打包成 app。然后启动 UI，也是命令行，为了快速测试，我调用 Qwen2.5 的 0.5b。
博客
迄今为止最强的中文模型Qwen3-Max，实测，略失望
11-04 675
国产大模型发展迅猛，开源生态繁荣。Kimi、DeepSeek、智谱AI等推出创新模型，阿里成为全球开源模型数量最多的厂商。文章重点测试了阿里Qwen3-Max的表现：在器官分布、3D粒子星系等任务上表现优异，但处理复杂任务如SVG生成、3D动画等时存在不足，几何问题解答也出现错误。整体来看，国产大模型虽进步显著，但在复杂场景下的稳定性和准确性仍需提升。测试表明，当前开源大模型与顶级闭源模型仍存在差距。
博客
最好的大模型训练、微调教程.pdf
11-03 806
它也有PDF版本：https://huggingfacetb-smol-training-playbook.hf.space/the-smol-training-playbook-the-secrets-to-building-world-class-llms.pdf。你不需要从头到尾逐字阅读这篇博客文章，而且从目前来看，一次性读完整篇文章是不现实的（有点吃力）。我本想翻译，但是即便是网页版全文翻也非常慢，token消耗太多了。我是配合使用沉浸式翻译阅读的，之前我介绍过。大家好，我是Ai学习的老章。
博客
MiniMax-M2 开源，更智能、更快、更便宜
10-29 1314
大家好，我是 Ai 学习的老章MiniMax M2 刚刚开源了，感受了一下，十分优秀。
博客
一个强大的开源OCR工具，基于DeepSeek OCR
10-24 1401
DeepSeek OCR App 是一个功能强大、界面美观且易于部署的开源OCR工具。无论你是需要从图片中提取文字、理解图片内容，还是需要从复杂的图表中提取数据，这个项目都为你提供了一个极佳的解决方案。对于希望在本地拥有先进OCR能力的用户和开发者来说，这绝对是一个不容错过的项目。
博客
DeepSeek 最新开源OCR模型，实测，不如百度Paddle
10-24 1310
大家好，我是 Ai 学习的老章。
博客
论文阅读已死，alphaXiv 新功能，彻底颠覆科研工作流
10-23 468
该系统基于一种新颖的 DeepEncoder 架构，搭配 DeepSeek-3B-MoE 解码器，使用显著少于现有方法的视觉标记实现了最先进的 OCR 性能。然后就是 alphaXiv 使用 DeepSeek 最新开源的 OCR 模型，从超过 50 万篇 AI arXiv 论文中的表格/图表中提取了每个数据集，花费了 1000 美元 🚀 ，相比之前使用 Mistral OCR 完成相同任务将花费 7500 美元，处理 PDF 成本下降了 9/10。AI 时代论文暴增，看论文方式也该升级了。
博客
一套完整的 RAG 脚手架，附完整代码，基于LangChain
10-22 1097
简单来说，bRAG-langchain 是一个专注于探索LangChain 框架下 RAG 技术的开源项目。它不仅仅是代码的堆砌，更是一套系统性的学习路径，旨在帮助开发者理解并实践 RAG 的各种高级策略。项目巧妙地将复杂的 RAG 概念拆解成一个个独立的 Jupyter Notebooks，每个 Notebook 都聚焦于一个特定的主题，让你能够循序渐进地掌握 RAG 的精髓。项目为所有希望在 RAG 领域深耕的开发者提供了一个宝贵的资源库。
博客
Ollama 新动作，联网搜索、MCP、云端大模型，更强了
10-17 751
大家好，我是 Ai 学习的老章。Ollama 最近又搞了几个大新闻，不仅在免费云端模型里加入了强大的 Qwen3-VL，还推出了能让大模型联网的网页搜索 API。作为 Ollama 的忠实用户，我必须得带大家深入体验一下。
博客
快手编程大模型真实水平，本地部署，实测
10-16 584
大家好，我是 Ai 学习的老章快手编程大模型 KAT-Dev-72B-Exp 开源了，在 SWE-Bench Verified 基准测试中的得分，开源模型首位。其他几个开源模型得分是：Qwen3-Coder（约 70%）、GLM-4.6（约 70%）、DeepSeek V3.1（约 67%）、Kimi K2（约 67%），能在阿里通义、智谱 AI、DeepSeek 和 Moonshot 的"围剿"下占领榜首，厉害！本文就简单介绍 KAT-Dev-72B-Exp 并本地部署后简单测试性能及水平。
博客
Github 的新动作
10-15 1197
大家好，我是 Ai 学习的老章现在的 AI 编程都在往命令行发展了，Claude Code、Codex CLI、Gemini-CLI、Qwen Coder 等等[[2025-07-18-Claude Code + Kimi K2 & DeepSeek 强强联合]]现在 Github 的 Copilot 也来了——GitHub Copilot CLI将 GitHub Copilot 智能编程助手的强大功能直接引入到终端，可以在本地与理解代码及 GitHub 上下文的 AI 助手进行同步协作。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值