ai-cli

AI 平台统一命令行工具 — 管理任务编排、模型、推理部署与微调。

功能

任务编排管理：创建、停止、查询任务，在任务实例中执行命令
模型管理：模型 CRUD、分支/提交查询、镜像同步
代码仓库管理：创建、查看、删除代码仓库，查看分支/提交/标签与镜像导入
Notebook 部署：创建、查看、停止、删除 Notebook，远程执行命令与日志跟踪
快速开始（exp）：一条命令完成「本地代码推送 → 代码仓库创建/复用 → Notebook 创建/复用 → 远程执行」端到端流程，并缓存项目配置
运行时框架：查看/管理部署、微调、Notebook 可用的运行时框架
技能仓库：浏览、查询、上传、安装、删除平台技能
服务部署：模型部署、状态查询、服务删除
模型微调：提交微调任务
数据洞察：列出数据集、查看数据集详情（STAC Collection）与元数据
EDA 数据探索：浏览 OM 表资产、查看表详情与关联任务、查看 EDA 结果、查询变量 EDA、数据头预览与图表下载（标识自动续接，无需手填内部 id）
集群与资源：查询集群状态、部署/微调/Notebook 可用的 GPU/CPU 资源规格
远程执行：在任务实例或 Notebook 中异步执行命令，支持等待结果与总超时上限
本地状态：task / notebook / exec session 句柄跨命令复用，支持省略 id；本地操作历史审计
多格式输出：table / json / yaml / wide / name / explore / raw
交互式浏览：bubbletea TUI JSON 浏览器
多平台适配：支持 OpenAPI 标准接口，适配器模式可扩展
统一配置：环境变量 / 项目配置 / 全局配置 / exp profile 四级优先级

安装

二进制与安装脚本统一从 public 分发仓库 ai-public/ai-cli-release 匿名下载，无需任何 GitLab token。

一键安装

Linux / macOS / WSL（bash）：

# 默认安装到 ~/.local/bin（无需 sudo），自动写入 PATH
curl -fsSL https://gitlab.insightst.com/ai-public/ai-cli-release/-/raw/main/install.sh | bash

# 安装指定版本
curl -fsSL https://gitlab.insightst.com/ai-public/ai-cli-release/-/raw/main/install.sh | bash -s -- -v v0.0.2

# 自定义安装目录
curl -fsSL https://gitlab.insightst.com/ai-public/ai-cli-release/-/raw/main/install.sh | bash -s -- -d /usr/local/bin

Windows（PowerShell，免管理员，自动加入用户级 PATH）：

# ⚠️ 必须 .TrimStart([char]0xFEFF)：GitLab raw 返回带 BOM，裸 iex 会解析失败
(irm https://gitlab.insightst.com/ai-public/ai-cli-release/-/raw/main/install.ps1).TrimStart([char]0xFEFF) | iex

安装脚本会自动检测平台/架构、下载对应二进制并做 sha256 校验，末尾询问是否预装内置 skill ai-cli 与登录平台（非交互环境默认跳过，可用 --with-skill --agent claude / --login 强制）。

安装后如未在 PATH 中，请重新打开终端，或手动添加：

echo 'export PATH="$HOME/.local/bin:$PATH"' >> ~/.bashrc
source ~/.bashrc

在 Agent 环境中安装

OpenClaw / Claude Code 等 agent 环境一键安装：

curl -fsSL https://gitlab.insightst.com/ai-public/ai-cli-release/-/raw/main/install.sh | bash

安装后登录（交互式或非交互式）：

# 交互式登录
ai-cli login

# 非交互式登录
ai-cli login --api-url https://ai-dev.insightst.com --token <your-token>

登录会保存 api_url、auth_token、current_user 等到 ~/.ai-cli/config.yaml。

更新到最新版本：

ai-cli upgrade

卸载

curl -fsSL https://gitlab.insightst.com/ai-public/ai-cli-release/-/raw/main/install.sh | bash -s -- --uninstall

手动安装

go build -o ai-cli

或使用 Makefile：

make build          # 当前平台
make build-all      # 跨平台编译（darwin/linux/windows, amd64/arm64）
make install        # 安装到 $GOPATH/bin

安装后将二进制文件放到 PATH 中即可使用：

cp ai-cli ~/bin/ai-cli

配置

首次使用前需要配置 API 地址和认证 Token。支持三种方式（优先级从高到低）：

方式一：环境变量

export AI_CLI_TASK_API_URL="https://task.insightst.com"
export AI_CLI_API_URL="https://ai-dev.insightst.com"
export AI_CLI_AUTH_TOKEN="your-token-here"

# 数据洞察平台（与 AI 平台用户体系未打通，使用独立 token）
export AI_CLI_DATA_API_URL="https://data-platform-service.insightst.com/data_platform_api"
export AI_CLI_DATA_TOKEN="your-data-token-here"

# EDA 数据探索（feature-platform-service，X-Auth-Token 裸 token）
export AI_CLI_EDA_API_URL="https://feature-platform-service.insightst.com"
export AI_CLI_EDA_TOKEN="your-eda-token-here"

AI_CLI_TASK_API_URL：任务编排平台 API 地址
AI_CLI_API_URL：AI 模型平台 API 地址
AI_CLI_AUTH_TOKEN：认证 Token（AI/任务平台，Bearer）
AI_CLI_DATA_API_URL：数据洞察平台 API 地址（可选，不配则 dataset 命令不可用）
AI_CLI_DATA_TOKEN：数据洞察平台 Token（X-Auth-Token，与 AI 平台独立）
AI_CLI_EDA_API_URL：EDA 数据探索 API 地址（可选，不配则 dataset explore 命令不可用；指向 feature-platform-service，路径前缀 /api/v1）
AI_CLI_EDA_TOKEN：EDA 数据探索 Token（X-Auth-Token 裸 token，与数据平台认证方式一致）
AI_CLI_GIT_PASSWORD：代码仓库 Git 认证密码/Token（exp / repo 推送时使用）

ai-cli login 登录后会在 ~/.ai-cli/config.yaml 写入 api_url、auth_token、current_user，并覆盖环境变量/全局文件中的同名配置。推荐首次使用先执行 login。

方式二：全局配置文件

mkdir -p ~/.ai-cli
cat > ~/.ai-cli/config.yaml << 'EOF'
task_api_url: https://task.insightst.com
api_url: https://ai-dev.insightst.com
auth_token: your-token-here
data_api_url: https://data-platform-service.insightst.com/data_platform_api
data_token: your-data-token-here
eda_api_url: https://feature-platform-service.insightst.com
eda_token: your-eda-token-here
EOF

方式三：项目配置文件

在实验根目录创建 .ai-cli/<name>.yaml（按实验名命名，收纳在 .ai-cli/ 目录下，采用分组结构）：

common:
  api_url: https://ai-dev.insightst.com
  current_user: insightst_test
  auto_confirm: false
exp:
  notebook:
    resource_id: 2
    runtime_framework_id: 227

项目配置文件分两组：common 放共用字段（api_url / current_user / auto_confirm），exp 放 exp 专用字段（repo / notebook / git 等子分组）。凭据类字段（auth_token / data_token / git_password 等）仍只存全局 ~/.ai-cli/config.yaml，不写入项目配置。

命令

任务管理

命令	说明
`ai-cli task create`	创建新任务（成功后句柄自动落盘本地）
`ai-cli task get [TASK_ID]`	查看任务详情（省略 id 取本地最近 task）
`ai-cli task stop [TASK_ID]`	停止任务（不可逆；默认确认，`--yes` 跳过；成功后清除本地句柄）
`ai-cli task instances [TASK_ID]`	查看任务实例列表（省略 id 取本地最近 task）
`ai-cli task logs [TASK_ID INSTANCE_ID]`	查看任务实例日志（instance id 缺省取最近 exec 实例）
`ai-cli task exec [TASK_ID INSTANCE_ID] --command CMD`	在实例中执行命令（异步）
`ai-cli task exec-result [TASK_ID INSTANCE_ID SESSION_ID]`	查看命令执行结果（三个 id 均可省略回退）
`ai-cli task list-local`	列出本地跟踪的 task（区别于平台的 task list）
`ai-cli task forget [TASK_ID]`	仅从本地移除 task 跟踪（不影响平台资源）

省略 id 语义：task 命令的位置参数均可省略，回退到本地 taskstore（~/.ai-cli/tasks.json）。本地仅有一个 task 时自动选用；多个 task 时报错并提示 task list-local，不自动猜测。显式传 id 时行为与现状一致。本地状态仅为便利，非权威，关键操作仍以平台 API 为准。

task exec --wait 加固：默认 30 分钟总超时（--timeout-total，0 表示不限），超时只退出 CLI 不停远端命令；等待时每轮打印 RUNNING 心跳（--quiet 关闭）。

代码仓库

命令	说明
`ai-cli repo list`	列出代码仓库
`ai-cli repo get <codePath>`	查看代码仓库详情
`ai-cli repo create --namespace NS --name NAME`	创建代码仓库
`ai-cli repo update <codePath>`	更新代码仓库
`ai-cli repo delete <codePath>`	删除代码仓库
`ai-cli repo branches <codePath>`	查看分支
`ai-cli repo commits <codePath>`	查看提交历史
`ai-cli repo tags <codePath>`	查看标签
`ai-cli repo relations <codePath>`	查看关联资源
`ai-cli repo mirror <codePath>`	创建模型/代码镜像导入任务
`ai-cli repo mirror-sync <codePath>`	手动触发镜像同步
`ai-cli repo mirror-progress <codePath>`	查看镜像导入进度

Notebook 部署

命令	说明
`ai-cli exp list`	列出 Notebook 部署
`ai-cli exp get <id>`	查看 Notebook 详情
`ai-cli exp create --name NAME --resource-id ID --runtime-framework-id ID`	创建 Notebook
`ai-cli exp create --name NAME --resource-id ID --image IMAGE`	使用自定义镜像创建 Notebook
`ai-cli exp stop <id>`	停止 Notebook
`ai-cli exp delete [id]`	删除 Notebook（省略 id 取本地最近 notebook）
`ai-cli exp container-logs <id>`	查看 Notebook 日志
`ai-cli exp exec [id] -- COMMAND`	在 Notebook 中执行命令

Notebook delete 支持 --force 跳过确认；exec、delete 均可省略 id，回退到本地最近跟踪的 notebook。

快速开始（exp）

命令	说明
`ai-cli exp run [name]`	一键端到端运行（创建/复用代码仓库与 Notebook、推送代码、远程执行命令）
`ai-cli exp run --list`	列出可选资源/框架候选（JSON），不执行创建
`ai-cli exp logs [RUN_ID]`	重新挂回某次 exp/exec 远程命令的 SSE 日志流（按 PID 过滤、识别结束哨兵）；`--list` 列出当前运行记录，`--log-file` 写文件
`ai-cli exp config list`	列出已保存的 exp 实验
`ai-cli exp config show <name>`	查看实验配置
`ai-cli exp config delete <name>`	删除实验配置
`ai-cli exp metric --experiment NAME`	查询 MLflow 训练指标（不带 `--run` 列实验下所有 run 的最新 metrics；带 `--run` 列指定 metric 历史序列）
`ai-cli exp artifact --experiment NAME --run RUN_ID`	查看 MLflow 训练产物清单，并给出 MLflow Web UI 深链
`--third-party-git keep/migrate/error`	检测到本地实验目录是第三方 Git 仓库时的处理策略：`keep` 保留并使用原仓库/分支、直接推回 `origin`；`migrate` 迁移到平台仓库；`error` 直接报错退出

指定实验名后，配置会保存到 ~/.ai-cli/profiles/<name>.yaml 与实验内 .ai-cli/<name>.yaml；省略实验名时从 .ai-cli/ 目录读取实验配置（唯一配置自动选用，多个时需显式指定）。命令行 flag 优先级最高，覆盖配置文件。

登录提示：exp run 执行前会检查 api_url 与 auth_token。缺省时交互模式会自动提示登录（类似 ai-cli login），非交互模式（-n）会直接报错并提示使用 login --api-url --token 或环境变量 AI_CLI_API_URL / AI_CLI_AUTH_TOKEN。

运行时框架

命令	说明
`ai-cli runtime-framework list`	列出运行时框架
`ai-cli runtime-framework list --deploy-type 5`	列出 Notebook 运行时框架（1=推理，2=微调，5=notebook）
`ai-cli runtime-framework create`	创建运行时框架
`ai-cli runtime-framework update <id>`	更新运行时框架
`ai-cli runtime-framework delete <id>`	删除运行时框架

模型管理

命令	说明
`ai-cli model list`	列出模型
`ai-cli model get <modelPath>`	查看模型详情
`ai-cli model create`	创建模型
`ai-cli model delete <modelPath>`	删除模型（不可逆；默认确认，`--yes` 跳过）
`ai-cli model branches <modelPath>`	查看模型分支
`ai-cli model commits <modelPath>`	查看模型提交历史
`ai-cli model framework <modelPath>`	查看运行时框架
`ai-cli model relations <modelPath>`	查看模型关联资源
`ai-cli model mirror <modelPath>`	创建模型导入任务
`ai-cli model mirror-sync <modelPath>`	手动触发模型同步
`ai-cli model mirror-progress <modelPath>`	查看导入进度

服务部署

命令	说明
`ai-cli serve deploy <modelPath>`	部署模型推理服务
`ai-cli serve status <deployId>`	查看部署状态
`ai-cli serve delete <deployId>`	删除部署实例（不可逆；默认确认，`--yes` 跳过）

模型微调

命令	说明
`ai-cli tune finetune <modelPath>`	提交微调任务

数据洞察

命令	说明
`ai-cli dataset list`	列出所有数据集（records.id 即数据集 id）
`ai-cli dataset get <datasetId>`	查看数据集详情（STAC Collection）
`ai-cli dataset metadata <datasetId>`	查看数据集元数据

数据洞察平台与 AI 平台用户体系未打通，使用独立 token（AI_CLI_DATA_TOKEN，X-Auth-Token）。

EDA 数据探索

命令	说明
`ai-cli dataset explore tables [<service>]`	列出 OM 表资产（`fqn` 即表完全限定名）
`ai-cli dataset explore details <tableFQN>`	查看表详情（字段 schema + `edaTaskId`，写缓存）
`ai-cli dataset explore tasks [<datasetID>]`	查询数据集关联任务（复用 details 缓存）
`ai-cli dataset explore eda [<datasetID>]`	查看 EDA 结果（复用缓存的 dataset_id + task_codes）
`ai-cli dataset explore variables [<datasetID>]`	查询变量 EDA 结果（复用缓存，`--variable` 可多次指定，不传返回全量）
`ai-cli dataset explore preview <datasetPath>`	数据头预览（前 N 行，`--engine` `--limit`）
`ai-cli dataset explore plot <hdfsPath>`	下载 EDA 分析图片（`-o` 输出文件）

EDA 探索链路把 details 回吐的 table_fqn/dataset_id/edaTaskId 缓存到 ~/.ai-cli/eda.json，后续 tasks/eda/variables 命令自动续接，无需手记内部 id。服务根 AI_CLI_EDA_API_URL（feature-platform-service，路径前缀 /api/v1），认证 X-Auth-Token 裸 token（AI_CLI_EDA_TOKEN）。接口契约见 docs/EDA.md 与 docs/datasets_eda.md。

Workflow 编排接口（operator/task/run）暂未接入，留待后续单独设计。

技能仓库

命令	说明
`ai-cli skills list`	列出技能
`ai-cli skills list --only-mine`	仅显示我的技能
`ai-cli skills get <id>`	查看技能详情（含文件列表）
`ai-cli skills create --name NAME --path PATH`	上传技能到平台
`ai-cli skills install <id>`	下载并安装技能到本地（默认 `.skills/<slug>/`）
`ai-cli skills install <id> --dir DIR`	安装到指定目录
`ai-cli skills delete <id>`	删除技能（不可逆；默认确认，`--yes` 跳过）

集群与资源

命令	说明
`ai-cli cluster list`	列出集群及资源状态
`ai-cli resource list`	列出部署/微调可用的 GPU/CPU 资源规格
`ai-cli resource list --deploy-type 2`	查询微调可用资源（1=部署，2=微调，5=notebook）
`ai-cli resource list --cluster-id <ID>`	指定集群（不指定则自动选第一个）

操作历史

命令	说明
`ai-cli log`	列出有历史记录的资源类型及条数
`ai-cli log task`	查看 task 操作历史（create/stop/exec）
`ai-cli log task -n 50`	最近 50 条
`ai-cli log serve --action deploy`	按 action 过滤
`ai-cli log task -o json`	JSON 输出

本地操作历史落盘于 ~/.ai-cli/history/<resource>.jsonl，仅记录操作元信息（资源 id / 动作 / 结果），不记录敏感字段（token、--config 明文等）。覆盖 task/serve/skill/model/tune 的写操作。

版本与升级

命令	说明
`ai-cli version`	查看版本信息
`ai-cli upgrade`	升级到最新版本
`ai-cli upgrade --check`	仅检查是否有新版本
`ai-cli upgrade --list`	列出所有可发布的版本
`ai-cli upgrade --version v0.0.9`	安装指定版本（可降级）

待实现

命令	说明
`ai-cli train`	训练管理（待实现）
`ai-cli eval`	评估管理（待实现）
`ai-cli config`	CLI 配置管理（待实现）
`ai-cli completion`	Shell 补全生成（待实现）

版本与升级

查看版本

# 简略版本（--version）
ai-cli --version

# 详细版本信息
ai-cli version

ai-cli version 输出：

ai-cli v0.1.0
  Commit:    abc1234
  BuildDate: 2026-05-19T10:00:00Z
  GoVersion: go1.24.0
  Platform:  darwin/arm64

升级

# 检查并升级到最新版本
ai-cli upgrade

# 仅检查是否有新版本
ai-cli upgrade --check

# 列出所有可发布的版本
ai-cli upgrade --list

# 安装指定版本（可降级回退到旧版本）
ai-cli upgrade --version v0.0.9
# 也可省略 v 前缀
ai-cli upgrade --version 0.0.9

升级流程：从 GitLab Releases 获取目标版本 → 下载对应平台的二进制 → 验证 → 替换当前可执行文件。

--version 可指定任意已发布版本，包括比当前更旧的版本（降级）。降级时会提示确认（可能丢失新版本功能），用 --yes 跳过确认以适配脚本场景。降级后内置 skill 会用新（即旧版）二进制同步重装，保持 skill 与二进制版本一致。

版本号管理

Makefile 中版本号自动从 git tag 获取：

# 默认：git describe --tags --always --dirty
make build

# 手动指定版本号
make build VERSION=v0.2.0

使用示例

快速开始（exp）

# 1. 准备本地项目
cd my-ai-project

# 2. 设置 git 凭证（可用 AI_CLI_GIT_PASSWORD 环境变量或 --git-password）
export AI_CLI_GIT_PASSWORD=<your-token>

# 3. 首次运行：交互式选择资源/框架
ai-cli exp run my-project \
  --root-dir . \
  --file main.py

# 4. 后续运行：复用已保存配置
ai-cli exp run --file main.py -n

# 非交互式 / CI 一次到位
ai-cli exp run my-project --non-interactive \
  --root-dir . \
  --resource-id 2 \
  --runtime-framework-id 227 \
  --file main.py \
  --log-stream-timeout 30s

# 使用自定义镜像（与 --runtime-framework-id 互斥）
ai-cli exp run my-project --non-interactive \
  --root-dir . \
  --resource-id 2 \
  --image harbor-prod.insightst.com/ai/hub-notebook:ubuntu-22.04-py311-torch2.3.1-ist1.1.0 \
  --file main.py

# 实验目录已是第三方 Git 仓库时，保留并使用原仓库/分支，直接推回 origin
ai-cli exp run my-project --non-interactive \
  --root-dir . \
  --resource-id 2 \
  --runtime-framework-id 227 \
  --file main.py \
  --third-party-git keep

# 实验目录已是第三方 Git 仓库时，迁移到平台仓库
ai-cli exp run my-project --non-interactive \
  --root-dir . \
  --resource-id 2 \
  --runtime-framework-id 227 \
  --file main.py \
  --third-party-git migrate

# 列出可选资源/框架候选
ai-cli exp run my-project --list \
  --root-dir . \
  --file main.py

任务管理

# 创建任务（最简示例）
ai-cli task create \
  --name my-first-task \
  --queue-id b804e130-a56b-4af8-a4db-24192f4a75db \
  --image busybox:latest

# 创建任务（完整配置）
ai-cli task create \
  --name train-job \
  --queue-id b804e130-a56b-4af8-a4db-24192f4a75db \
  --image harbor-dev.insightst.com/ai/pytorch:2.1.0-cuda12.1 \
  --framework-type CUSTOM \
  --gpu 4 --cpu 8 --memory 32 \
  --command "python" --args "train.py" \
  --env DB_HOST=mysql.local \
  --namespace ai \
  --pod-retention ON_FAILURE \
  --timeout 3600

# 查看任务详情
ai-cli task get task-abc123

# 查看任务实例
ai-cli task instances task-abc123

# 查看实例日志
ai-cli task logs task-abc123 inst-001
ai-cli task logs task-abc123 inst-001 --tail 50
ai-cli task logs task-abc123 inst-001 --filter ERROR

# 在实例中执行命令（异步）
ai-cli task exec task-abc123 inst-001 --command "nvidia-smi"
ai-cli task exec task-abc123 inst-001 --command "ls -la /output" --timeout 60

# 在实例中执行命令并等待结果（默认 30 分钟总超时）
ai-cli task exec task-abc123 inst-001 --command "python eval.py" --wait
ai-cli task exec task-abc123 inst-001 --command "python eval.py" --wait --timeout-total 1h
ai-cli task exec task-abc123 inst-001 --command "python eval.py" --wait --quiet   # 关闭心跳

# 查看命令执行结果
ai-cli task exec-result task-abc123 inst-001 exec-session-abc123

# 停止任务
ai-cli task stop task-abc123

# 省略 id：取本地最近跟踪的 task（create 后自动落盘句柄）
ai-cli task get                       # 等价于取最近 task
ai-cli task logs                      # task id 与 instance id 均回退到本地最近
ai-cli task exec-result               # 三个 id 全部回退到本地最近 exec 句柄

# 本地句柄管理
ai-cli task list-local                # 列出本地跟踪的 task
ai-cli task forget task-abc123        # 仅从本地移除跟踪（不影响平台资源）

模型管理

# 列出所有模型
ai-cli model list

# 搜索模型
ai-cli model list --search Qwen

# 按标签筛选
ai-cli model list --tag-category framework --tag-name pytorch

# JSON 格式输出
ai-cli model list -o json

# 仅输出模型路径（适合管道）
ai-cli model list -o name

# 查看模型详情
ai-cli model get insightst_test/XingQue

# 创建模型
ai-cli model create \
  --namespace insightst_test \
  --name my-model \
  --nickname "我的模型" \
  --model-type llm \
  --license apache-2.0

# 删除模型
ai-cli model delete insightst_test/my-model

# 查看模型分支
ai-cli model branches insightst_test/XingQue

# 查看提交历史（支持分页）
ai-cli model commits insightst_test/XingQue
ai-cli model commits insightst_test/XingQue --limit 10

# 查看运行时框架
ai-cli model framework insightst_test/XingQue
ai-cli model framework insightst_test/XingQue --deploy-type 1

# 查看关联资源
ai-cli model relations insightst_test/XingQue

# 导入外部模型
ai-cli model mirror insightst_test/my-model \
  --mirror-source-id 1 \
  --source-url https://modelscope.cn/xxx

# 同步模型
ai-cli model mirror-sync insightst_test/my-model

# 查看导入进度
ai-cli model mirror-progress insightst_test/my-model

代码仓库

# 列出仓库
ai-cli repo list

# 搜索仓库
ai-cli repo list --search my-project

# 查看详情
ai-cli repo get insightst_test/my-repo

# 创建仓库
ai-cli repo create \
  --namespace insightst_test \
  --name my-repo \
  --nickname "我的仓库" \
  --default-branch main

# 删除仓库
ai-cli repo delete insightst_test/my-repo

# 查看分支、提交、标签
ai-cli repo branches insightst_test/my-repo
ai-cli repo commits insightst_test/my-repo
ai-cli repo tags insightst_test/my-repo

Notebook 部署

# 查询 Notebook 资源
ai-cli resource list --deploy-type 5
ai-cli runtime-framework list --deploy-type 5

# 创建 Notebook（通过运行时框架）
ai-cli exp create \
  --name my-notebook \
  --resource-id 2 \
  --runtime-framework-id 227 \
  --save-defaults

# 创建 Notebook（自定义镜像；CLI Server 始终启动，无需指定）
ai-cli exp create \
  --name my-notebook \
  --resource-id 2 \
  --image harbor-prod.insightst.com/ai/hub-notebook:ubuntu-22.04-py311-torch2.3.1-ist1.1.0

# 列出、查看、停止、删除
ai-cli exp list
ai-cli exp get 582
ai-cli exp stop 582
ai-cli exp delete 582 --force

# 在 Notebook 中执行命令
ai-cli exp exec 582 -- python /workspace/my-repo/hello.py

# 查看日志
ai-cli exp container-logs 582

# 重新挂回某次 exp/exec 远程命令的 SSE 日志（流式跟踪中断后继续看同一条命令）
ai-cli exp logs               # 最近一条运行记录
ai-cli exp logs --list        # 列出当前 .running/ 下的运行记录

推理部署

# 部署模型（从命令行传入 JSON 配置）
ai-cli serve deploy insightst_test/XingQue \
  --config '{"framework":"pytorch","gpu":1}'

# 部署模型（从文件读取配置）
ai-cli serve deploy insightst_test/XingQue \
  --config @deploy-config.json

# 查看部署状态
ai-cli serve status <deploy-id>

# 删除部署
ai-cli serve delete <deploy-id>

模型微调

# 提交微调任务
ai-cli tune finetune insightst_test/XingQue \
  --config '{"framework":"pytorch","dataset":"my-data"}'

# 从文件读取微调配置
ai-cli tune finetune insightst_test/XingQue \
  --config @finetune-config.json

# 指定当前用户
ai-cli tune finetune insightst_test/XingQue \
  --config @finetune-config.json \
  --current-user myname

数据洞察

# 列出所有数据集（表格：ID / NAME / TYPE / PATH）
ai-cli dataset list

# JSON 格式输出
ai-cli dataset list -o json

# 查看数据集详情（STAC Collection，默认 JSON）
ai-cli dataset get ASTGTM_003

# 查看数据集元数据（collectionId 即数据集 id）
ai-cli dataset metadata ASTGTM_003

# YAML 输出
ai-cli dataset get ASTGTM_003 -o yaml

# 提取 JSON 子集（如仅取存储路径）
ai-cli dataset get ASTGTM_003 -o raw --transform "detail.path"

数据流向：dataset list 获取数据集列表 → records[].id 即数据集 id → dataset get / dataset metadata 用该 id 查询详情。

EDA 数据探索

# 列出 OM 表资产（fqn 即表完全限定名）
ai-cli dataset explore tables
ai-cli dataset explore tables odsstacstorageservice   # 按数据源服务过滤

# 查看表详情（字段 schema + edaTaskId），成功后写入本地缓存
ai-cli dataset explore details StacStorageService.StacCatalog.DefaultCatalog.ASTGTM_003

# 关联任务：自动复用 details 缓存的 dataset_id
ai-cli dataset explore tasks

# EDA 结果：自动复用缓存的 dataset_id + task_codes
ai-cli dataset explore eda
ai-cli dataset explore eda --task-code task_abc --task-code task_def   # 或手动指定

# 变量 EDA：自动复用缓存的 dataset_id，默认返回全量变量
ai-cli dataset explore variables
ai-cli dataset explore variables --variable t2m --variable time         # 或指定变量

# 数据头预览（前 100 行）
ai-cli dataset explore preview /data/era5/t2m
ai-cli dataset explore preview /data/era5/t2m --engine dask --limit 50

# 下载 EDA 分析图片
ai-cli dataset explore plot /eda/plots/dist.png -o dist.png

数据流向：tables → details <tableFQN>（写入本地 id 缓存）→ tasks（读缓存续接，回写 task_codes）→ eda/variables（读缓存续接）。接口契约见 docs/EDA.md 与 docs/datasets_eda.md。

技能仓库

# 列出所有技能
ai-cli skills list

# 仅显示我的技能
ai-cli skills list --only-mine

# 分页查询
ai-cli skills list --page 2 --per 20

# JSON 格式输出
ai-cli skills list -o json

# 查看技能详情（含文件列表）
ai-cli skills get 4

# 上传技能（目录自动压缩为 ZIP）
ai-cli skills create --name "my-skill" --path ./my-skill/

# 上传技能（指定 ZIP 文件）
ai-cli skills create --name "my-skill" --path ./skill.zip

# 上传为公开技能
ai-cli skills create --name "my-skill" --path ./my-skill/ --visibility PUBLIC

# 安装技能到默认目录（.skills/<slug>/）
ai-cli skills install 4

# 安装技能到指定目录
ai-cli skills install 4 --dir ~/.claude/skills/omc-learned/slack/

# 安装到 Claude Code 全局 skills 目录
ai-cli skills install 4 --agent claude --scope global

# 安装到当前项目的 Codex skills 目录
ai-cli skills install 4 --agent codex --scope project

# 安装到指定项目目录的 Agent skills 目录
ai-cli skills install 4 --agent claude --scope /path/to/project
ai-cli skills install built-in:ai-cli --agent claude --scope D:\test\ai-cli-skills-test

# 安装二进制内置 skill（无需平台连接）
ai-cli skills install built-in:ai-cli --agent claude --scope global
ai-cli skills install built-in:ai-cli --agent codex --scope project

# 删除技能
ai-cli skills delete 4

集群与资源

# 列出集群及资源状态
ai-cli cluster list

# 列出部署可用的资源规格（deploy-type=1，默认）
ai-cli resource list

# 列出微调可用的资源规格（deploy-type=2）
ai-cli resource list --deploy-type 2

# 列出 Notebook 可用资源规格（deploy-type=5）
ai-cli resource list --deploy-type 5

# 指定集群（不指定则自动选第一个可用集群）
ai-cli resource list --cluster-id 8bf035bf-ebbf-45fb-99a5-66214d91f405

# JSON 输出
ai-cli resource list -o json

操作历史

# 列出有历史记录的资源类型及条数
ai-cli log

# 查看 task 操作历史（create/stop/exec）
ai-cli log task

# 最近 50 条
ai-cli log task -n 50

# 按 action 过滤
ai-cli log serve --action deploy

# JSON 输出（适合管道处理）
ai-cli log task -o json

历史落盘于 ~/.ai-cli/history/<resource>.jsonl，仅记操作元信息，不记 --config 明文等敏感字段。

高级：输出格式

# JSON 格式输出
ai-cli task get task-abc123 -o json

# 仅输出名称（管道友好）
ai-cli task instances task-abc123 -o name

# YAML 输出（适合导出配置）
ai-cli task get task-abc123 -o yaml

# 交互式 JSON 浏览器
ai-cli model get insightst_test/XingQue -o explore

# 提取 JSON 子集
ai-cli model list -o json --transform "data.0.name"

# 紧凑 JSON（适合管道处理）
ai-cli model list -o raw | jq .

全局参数

参数	说明
`-o, --output`	输出格式：`table` / `json` / `yaml` / `wide` / `name` / `explore` / `raw`
`--transform`	gjson 路径，提取 JSON 子集后再输出
`-w, --workspace`	指定工作空间
`-v, --version`	版本信息

危险操作确认

不可逆命令（task stop / model delete / serve delete / skills delete）默认在执行前先拉取目标资源摘要并二次确认，避免误删：

$ ai-cli task stop task-abc123
About to stop task "task-abc123":
  Name:         train-job
  Status:       RUNNING
  Image:        pytorch:2.1.0-cuda12.1
Stop? [y/N]

回答 y / yes 执行；其余（含直接回车、Ctrl-D）中止，退出码非零，远端资源不受影响。
-y, --yes 跳过本次确认；或在配置里设 auto_confirm: true（环境变量 AI_CLI_AUTO_CONFIRM=true）全局跳过。
预览拉取失败时降级为无预览确认（打印 warning），不阻断。

技术选型

用途	依赖	版本
CLI 框架	spf13/cobra	v1.8
配置管理	spf13/viper	v1.18
TUI 框架	charmbracelet/bubbletea	v0.25
TUI 组件	charmbracelet/bubbles	v0.18
终端样式	charmbracelet/lipgloss	v0.10
表格输出	olekukonko/tablewriter	v0.0.5
JSON 路径	tidwall/gjson	v1.17
YAML	gopkg.in/yaml.v3	v3.0
测试	stretchr/testify	v1.9

架构设计

Factory 模式 — cmdutil.Factory 统一注入依赖（Config / Platform / IOStreams / Printer / TaskStore / History）
接口抽象 — platform.Platform 接口隔离底层实现，方便切换 AI 平台
多 API 客户端 — 任务编排平台（task_api_url）、模型平台（api_url）、数据洞察平台（data_api_url）、EDA/特征平台（eda_api_url）使用独立客户端，各平台可配置不同认证方式
本地状态层 — internal/taskstore 持久化 task / notebook 句柄（省略 id 复用），internal/edastate 缓存 EDA 探索的 table_fqn/dataset_id/task_codes（details→tasks/eda 续接），internal/history 记录操作审计日志；internal/exp 缓存 profile 配置；均为单机缓存视图，平台 API 为权威
分层结构 — cmd → cmdutil → pkg/platform → pkg/api，职责清晰
预留扩展 — Train / Eval / Config / Completion 为预留 stub

目录结构

ai-cli/
├── main.go                          # 程序入口
│
├── cmd/                             # CLI 命令层（Cobra）
│   ├── root.go                      # 根命令 + Factory 注入 + 全局 flag
│   ├── task.go                      # task 子命令注册
│   ├── task_create.go               # task create（成功后句柄落盘 taskstore）
│   ├── task_get.go                  # task get（支持省略 id）
│   ├── task_stop.go                 # task stop（支持省略 id，成功后清本地句柄）
│   ├── task_instances.go            # task instances（支持省略 id）
│   ├── task_logs.go                 # task logs（支持省略 id，instance 回退 LastExec）
│   ├── task_exec.go                 # task exec（异步执行 + --wait 超时加固 + 心跳）
│   ├── task_exec_result.go          # task exec-result（支持省略 id）
│   ├── task_local.go                # task list-local / task forget（本地句柄管理）
│   ├── taskstore_helpers.go         # 省略 id 兜底 + 历史记录辅助
│   ├── log.go                       # log 子命令（查看本地操作历史）
│   ├── login.go                     # login 子命令
│   ├── model.go                     # model 子命令
│   ├── repo.go                      # repo 子命令（代码仓库 CRUD / 分支 / 提交 / 镜像）
│   ├── exp.go                       # exp 子命令注册
│   ├── exp_create.go                # exp create（支持 --save-defaults）
│   ├── exp_list.go                  # exp list
│   ├── exp_get.go                   # exp get
│   ├── exp_stop.go                  # exp stop
│   ├── exp_delete.go                # exp delete（支持 --force）
│   ├── exp_container_logs.go        # exp container-logs
│   ├── exp_exec.go                  # exp exec（在 Notebook 中执行命令）
│   ├── exp_exec_stop.go             # exp exec-stop（停止远程命令）
│   ├── exp_metric.go                # exp metric（查询 MLflow 训练指标）
│   ├── exp_artifact.go              # exp artifact（查看 MLflow 训练产物清单 + Web UI 深链）
│   ├── exp_mlflow_common.go         # exp metric/artifact 共用：tracking URI 解析
│   ├── exp_run.go                   # exp run（端到端一键流程）
│   ├── exp_logs.go                  # exp logs（重挂某次远程命令的 SSE 日志）
│   ├── exp_config.go                # exp config 管理
│   ├── runtime_framework.go         # runtime-framework 子命令
│   ├── serve.go                     # serve 子命令
│   ├── skill.go                     # skills 子命令（list/get/install/create/delete）
│   ├── tune.go                      # tune 子命令
│   ├── dataset.go                   # dataset 子命令（list/get/metadata，数据洞察平台）
│   ├── dataset_explore.go           # dataset explore 子命令（tables/details/tasks/eda/preview/plot，EDA 探索）
│   ├── cluster.go                   # cluster 子命令（集群查询）
│   ├── resource.go                  # resource 子命令（资源规格查询）
│   ├── stub.go                      # 预留子命令（train/eval/config/completion）
│   ├── version.go                   # version 子命令
│   └── upgrade.go                   # upgrade 子命令
│
├── cmdutil/                         # 依赖注入 & 输出格式化
│   ├── factory.go                   # Factory 接口 + 默认实现（含 TaskStore/History 懒初始化）
│   ├── printer.go                   # Printer 接口 + 7 种输出格式实现
│   ├── flagmeta.go                  # FlagResolver：CLI flag → HTTP 请求映射
│   ├── pager.go                     # AutoPager：自动分页（less -R）
│   └── test_helpers.go              # MockFactory / MockPlatform / 内存版 Store/Logger
│
├── internal/                        # 内部工具包（不可外部引用）
│   ├── config/
│   │   └── config.go                # 配置加载（Viper 四级优先级）+ 持久化 + notebook 默认值
│   ├── taskstore/
│   │   └── store.go                 # 本地 task/notebook 句柄存储（~/.ai-cli/tasks.json，原子写）
│   ├── edastate/
│   │   └── edastate.go              # EDA 探索 id 缓存（~/.ai-cli/eda.json，details→tasks/eda 续接）
│   ├── history/
│   │   └── history.go               # 本地操作历史（~/.ai-cli/history/*.jsonl）
│   ├── exp/
│   │   └── profile.go               # exp 项目 profile 存储（~/.ai-cli/profiles/*.yaml）
│   ├── stream/
│   │   ├── stream.go                # StreamIterator 统一流式接口
│   │   ├── sse.go                   # SSE 事件解析器
│   │   ├── raw.go                   # 原始行解析器
│   │   └── detect.go                # 按 Content-Type 自动选择解析器
│   ├── fileembed/
│   │   └── fileembed.go             # @file 语法（读文件/stdin/base64）
│   └── jsonview/
│       └── model.go                 # bubbletea TUI 交互式 JSON 浏览器
│
├── pkg/                             # 对外可复用包
│   ├── api/                         # HTTP 客户端层
│   │   ├── client.go                # Client 封装（认证/JSON/限流/错误解析/APIResponse解包/multipart上传，支持自定义 auth header）
│   │   ├── task.go                  # Task API + Queue API
│   │   ├── model.go                 # Model API（/hub/api/v1/models/...）
│   │   ├── code.go                  # Code API（代码仓库）
│   │   ├── notebook.go              # Notebook API
│   │   ├── runtime_framework.go     # RuntimeFramework API
│   │   ├── serve.go                 # Serve API（deployments）
│   │   ├── skill.go                 # Skill API（list/get/create/delete/download）
│   │   ├── train.go                 # Train API（finetune）
│   │   └── data.go                  # Data API（数据洞察：datasets/metadata，独立解包）
│   │   └── eda.go                   # EDA API（数据探索：tables/details/tasks/overview/preview/plot，字符串体容错解码）
│   │
│   └── platform/                    # 领域接口 & 适配器
│       ├── interface.go             # Platform/TaskClient/ModelClient/... 接口 + 领域模型
│       └── adapter/
│           └── openapi/             # OpenAPI 适配器实现
│               ├── platform.go                 # Platform 接口实现（多客户端：task + model + code + notebook + data）
│               ├── task_client.go              # TaskClient 适配器
│               ├── queue_client.go             # QueueClient 适配器（内部使用，无 CLI 命令）
│               ├── model_client.go             # ModelClient 适配器
│               ├── code_client.go              # CodeClient 适配器
│               ├── notebook_client.go          # NotebookClient 适配器
│               ├── runtime_framework_client.go # RuntimeFrameworkClient 适配器
│               ├── serve_client.go             # ServeClient 适配器
│               ├── skill_client.go             # SkillClient 适配器
│               ├── train_client.go             # TrainClient 适配器
│               └── data_client.go              # DataClient 适配器（数据洞察平台）
│               └── eda_client.go               # EDAClient 适配器（数据探索 6 端点转发）
│
├── docs/
│   ├── ai_platform.json             # AI 模型平台 OpenAPI 规范
│   ├── task-platform-api.json       # 任务编排平台 API 规范
│   ├── ai-cli-exp-manual.md  # exp 详细使用手册
│   └── cli.md                       # CLI 使用说明
│
├── scripts/
│   ├── build-release.sh             # 本地复刻 CI 构建：6 平台交叉编译 + sha256 + BUILD_INFO
│   ├── publish-public-release.sh    # 发布到 public 仓库 ai-public/ai-cli-release（含同步 install 脚本）
│   ├── install-public.sh            # public 仓库匿名安装脚本（同步到仓库根 install.sh）
│   └── install-public.ps1           # public 仓库 Windows 安装脚本（同步到仓库根 install.ps1）
│
├── Makefile                         # 构建 / 测试 / 交叉编译 / Shell 补全
└── go.mod                           # Go 模块定义

开发

make dev            # 开发模式运行
make test           # 运行测试
make test-coverage  # 测试覆盖率报告
make fmt            # 格式化代码
make vet            # 静态分析
make lint           # 运行 golangci-lint
make mock-server    # 启动模拟 API 服务
make completions    # 生成 Shell 补全脚本

技术栈

Go 1.24

Name		Name	Last commit message	Last commit date
cmd		cmd
cmdutil		cmdutil
docs		docs
internal		internal
pkg		pkg
scripts		scripts
.gitignore		.gitignore
.gitlab-ci.yml		.gitlab-ci.yml
CHANGELOG.md		CHANGELOG.md
Makefile		Makefile
README.md		README.md
go.mod		go.mod
go.sum		go.sum
main.go		main.go

命令	说明
`ai-cli login`	交互式登录 AI 平台
`ai-cli login --api-url URL --token TOKEN`	非交互式登录

Latest commit

History

Folders and files

Repository files navigation

ai-cli

功能

安装

一键安装

在 Agent 环境中安装

卸载

手动安装

配置

方式一：环境变量

方式二：全局配置文件

方式三：项目配置文件

命令

登录

任务管理

代码仓库

Notebook 部署

快速开始（exp）

运行时框架

模型管理

服务部署

模型微调

数据洞察

EDA 数据探索

技能仓库

集群与资源

操作历史

版本与升级

待实现

版本与升级

查看版本

升级

版本号管理

使用示例

登录

快速开始（exp）

任务管理

模型管理

代码仓库

Notebook 部署

推理部署

模型微调

数据洞察

EDA 数据探索

技能仓库

集群与资源

操作历史

高级：输出格式

全局参数

危险操作确认

技术选型

架构设计

目录结构

开发

技术栈

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages