iven/zclaw_openfang
1
0
Fork 0
Code Issues Pull Requests Actions 1 Packages Projects Releases Wiki Activity

docs: add setup guides and error notification component

Browse Source 
- Add OpenFang Kernel configuration guide (docs/setup/OPENFANG-SETUP.md)
- Add Chinese models configuration guide (docs/setup/chinese-models.md)
- Add quick start guide (docs/quick-start.md)
- Add quick start scripts for Windows and Linux/macOS
- Add ErrorNotification component for centralized error display

These additions help users:
- Quickly set up development environment
- Configure OpenFang backend correctly
- Configure Chinese LLM providers (GLM, Qwen, Kimi, MiniMax)
- See error notifications in a consistent UI

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
This commit is contained in:
iven
2026-03-21 00:17:44 +08:00
parent c5d91cf9f0
commit d3a4de2480
6 changed files with 1931 additions and 0 deletions
Download Patch File Download Diff File Expand all files Collapse all files

512
docs/setup/OPENFANG-SETUP.md Normal file
View File

@@ -0,0 +1,512 @@
# OpenFang Kernel 配置指南
> 本文档帮助你正确配置 OpenFang Kernel，作为 ZCLAW 的后端执行引擎。
## 概述
OpenFang 是一个用 Rust 构建的生产级 Agent 操作系统（Agent Operating System）。与传统的聊天机器人框架不同，OpenFang 采用"主动执行"范式：Agent 能够按计划自主唤醒、完成任务并报告结果，而无需用户持续提示。
### 核心特性
- **高性能**：冷启动 < 200ms，空闲内存 ~40MB
- **Hands 机制**：7 个预构建的自主能力包，即插即用
- **40+ 渠道适配器**：支持 Telegram、Discord、飞书、钉钉等
- **27+ LLM 提供商**：包括中文模型（智谱、通义千问、Kimi、MiniMax）
- **16 层安全防护**：WASM 沙箱、Merkle 审计追踪、Ed25519 签名等
---
## 前置要求
### 系统要求
| 要求 | 最低配置 | 推荐配置 |
|------|----------|----------|
| **操作系统** | Windows 10 / macOS 10.15 / Linux | Windows 11 / macOS 13+ / Ubuntu 22.04+ |
| **CPU 架构** | x86_64 或 ARM64 | x86_64 |
| **内存** | 64MB | 256MB+ |
| **磁盘空间** | 100MB | 500MB+ |
### 依赖项
OpenFang 是一个独立的单二进制文件（~32MB），无外部依赖。但以下工具可能对某些功能必要：
- **FFmpeg**：视频处理 Hand (Clip) 需要
- **yt-dlp**：YouTube 视频下载需要
---
## 安装步骤
### 方式一：官方安装脚本（推荐）
#### Windows
```powershell
# 使用 PowerShell
iwr -useb https://openfang.sh/install.ps1 | iex
```
#### macOS / Linux
```bash
curl -fsSL https://openfang.sh/install.sh | bash
```
### 方式二：手动下载
1. 访问 [GitHub Releases](https://github.com/RightNow-AI/openfang/releases)
2. 下载对应平台的二进制文件
3. 将文件放入 PATH 目录
#### Windows
```powershell
# 下载后移动到用户目录
move openfang.exe C:\Users\<你的用户名>\.local\bin\
```
#### macOS / Linux
```bash
chmod +x openfang
sudo mv openfang /usr/local/bin/
```
### 方式三：从源码编译
```bash
git clone https://github.com/RightNow-AI/openfang.git
cd openfang
cargo build --release
# 编译产物位于 target/release/openfang
```
---
## 配置说明
### 1. 初始化配置
首次使用需要初始化配置文件：
```bash
openfang init
```
这将在 `~/.openfang/` 目录下创建以下结构：
```
~/.openfang/
├── config.toml # 主配置文件
├── openfang.db # SQLite 数据库
├── data/ # 数据目录
│ ├── agents/ # Agent 配置
│ ├── skills/ # 自定义技能
│ └── hands/ # Hand 配置
└── logs/ # 日志文件
```
### 2. 配置文件结构
编辑 `~/.openfang/config.toml`：
```toml
# OpenFang 主配置文件
[general]
# 默认语言
language = "zh-CN"
# 日志级别: trace, debug, info, warn, error
log_level = "info"
# 数据目录
data_dir = "~/.openfang/data"
[model]
# 默认模型提供商
provider = "zhipu"
# 默认模型
model = "glm-4-flash"
# API Key 环境变量名（不直接写 Key）
api_key_env = "ZHIPU_API_KEY"
# 可选：自定义 API 端点
# base_url = "https://open.bigmodel.cn/api/paas/v4"
[api]
# API 服务端口
port = 50051
# 绑定地址（0.0.0.0 允许外部访问）
bind = "127.0.0.1"
# 启用 OpenAI 兼容 API
openai_compat = true
[security]
# 启用能力门控
capability_gates = true
# 启用审计追踪
audit_trail = true
# 启用 WASM 沙箱
wasm_sandbox = true
[memory]
# 会话保留天数
session_retention_days = 30
# 向量嵌入模型
embedding_model = "text-embedding-3-small"
```
### 3. 配置 API Key
**重要**：永远不要在配置文件中直接写入 API Key，使用环境变量：
#### Windows (PowerShell)
```powershell
# 临时设置（当前会话）
$env:ZHIPU_API_KEY = "your-api-key-here"
$env:DASHSCOPE_API_KEY = "your-dashscope-key" # 通义千问
$env:MOONSHOT_API_KEY = "your-moonshot-key" # Kimi
# 永久设置（写入配置文件）
[Environment]::SetEnvironmentVariable("ZHIPU_API_KEY", "your-api-key", "User")
```
#### macOS / Linux
```bash
# 临时设置（当前会话）
export ZHIPU_API_KEY="your-api-key-here"
export DASHSCOPE_API_KEY="your-dashscope-key"
export MOONSHOT_API_KEY="your-moonshot-key"
# 永久设置（写入 shell 配置文件）
echo 'export ZHIPU_API_KEY="your-api-key"' >> ~/.bashrc
source ~/.bashrc
```
### 4. 配置中文模型
在 `config.toml` 中配置中文模型提供商：
```toml
# 智谱 GLM
[model.zhipu]
provider = "zhipu"
model = "glm-4-flash"
api_key_env = "ZHIPU_API_KEY"
base_url = "https://open.bigmodel.cn/api/paas/v4"
# 通义千问
[model.qwen]
provider = "openai-compat"
model = "qwen-turbo"
api_key_env = "DASHSCOPE_API_KEY"
base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1"
# Kimi (Moonshot)
[model.kimi]
provider = "openai-compat"
model = "moonshot-v1-8k"
api_key_env = "MOONSHOT_API_KEY"
base_url = "https://api.moonshot.cn/v1"
# MiniMax
[model.minimax]
provider = "openai-compat"
model = "abab6.5-chat"
api_key_env = "MINIMAX_API_KEY"
base_url = "https://api.minimax.chat/v1"
```
### 5. 启动服务
#### 前台运行（调试用）
```bash
openfang start
```
#### 后台守护进程
```bash
# 启动守护进程
openfang daemon start
# 查看状态
openfang status
# 停止守护进程
openfang daemon stop
```
#### 检查健康状态
```bash
openfang doctor
```
---
## 与 ZCLAW 集成
### 配置 ZCLAW 连接 OpenFang
编辑 ZCLAW 配置文件 `~/.zclaw/config.toml`：
```toml
[gateway]
# OpenFang API 端点
endpoint = "http://127.0.0.1:50051"
# WebSocket 端点
ws_endpoint = "ws://127.0.0.1:50051/ws"
# 连接超时（秒）
timeout = 30
[model]
# 使用 OpenFang 的模型路由
use_gateway_routing = true
```
### 验证连接
```bash
# 启动 OpenFang
openfang start
# 在另一个终端启动 ZCLAW
cd desktop && pnpm tauri dev
```
---
## 常见问题
### 1. 端口被占用
**错误信息**：`Address already in use: 0.0.0.0:50051`
**解决方案**：
```bash
# 查找占用端口的进程
# Windows
netstat -ano | findstr :50051
# macOS / Linux
lsof -i :50051
# 修改配置文件中的端口
[api]
port = 50052
```
### 2. API Key 无效
**错误信息**：`Authentication failed` 或 `Invalid API key`
**排查步骤**：
1. 确认环境变量已设置：
```bash
# Windows
echo $env:ZHIPU_API_KEY
# macOS / Linux
echo $ZHIPU_API_KEY
```
2. 确认 API Key 格式正确（无多余空格或引号）
3. 确认 API Key 未过期
### 3. 内存不足
**错误信息**：`Out of memory` 或系统卡顿
**解决方案**：
1. 关闭不必要的服务
2. 降低并发 Agent 数量
3. 增加系统交换空间
### 4. 模型调用失败
**错误信息**：`Model not found` 或 `Provider error`
**排查步骤**：
1. 检查模型名称是否正确
2. 确认 API 端点可访问
3. 检查网络连接和代理设置
```bash
# 测试 API 连通性
curl -I https://open.bigmodel.cn/api/paas/v4/models
```
### 5. 中文乱码
**解决方案**：
确保系统 locale 设置正确：
```bash
# Windows
chcp 65001
# macOS / Linux
export LANG=zh_CN.UTF-8
```
### 6. 从 OpenClaw 迁移
如果你之前使用 OpenClaw，可以使用迁移工具：
```bash
# 迁移所有内容：代理、记忆、技能、配置
openfang migrate --from openclaw
# 从特定路径迁移
openfang migrate --from openclaw --path ~/.openclaw
# 先试运行查看变更
openfang migrate --from openclaw --dry-run
```
---
## 进阶配置
### 配置 Hands
Hands 是 OpenFang 的核心创新，每个 Hand 是一个预构建的自主能力包：
```toml
# ~/.openfang/data/hands/researcher.toml
[hand]
name = "researcher"
description = "深度研究助手"
enabled = true
[hand.schedule]
# 执行模式：continuous, periodic, manual
mode = "manual"
# 定时执行（cron 表达式）
# cron = "0 9 * * *" # 每天早上 9 点
[hand.config]
# 最大搜索深度
max_depth = 5
# 输出格式
output_format = "markdown"
# 引用格式
citation_style = "apa"
```
### 配置 MCP 服务器
```toml
# ~/.openfang/config.toml
[[mcp_servers]]
name = "filesystem"
command = "mcp-filesystem"
args = ["--root", "/path/to/allowed/dir"]
[[mcp_servers]]
name = "postgres"
command = "mcp-postgres"
env = { DATABASE_URL = "postgresql://localhost/mydb" }
```
### 配置渠道适配器
```toml
# ~/.openfang/config.toml
[[channels]]
type = "feishu"
enabled = true
[channels.config]
app_id = "cli_xxx"
app_secret_env = "FEISHU_APP_SECRET"
# 加密密钥（可选）
encrypt_key_env = "FEISHU_ENCRYPT_KEY"
```
---
## 性能调优
### 内存优化
```toml
[memory]
# 会话压缩阈值（token 数）
compaction_threshold = 80000
# 保留最近消息数
keep_recent = 20
# 向量嵌入缓存大小
embedding_cache_size = 1000
```
### 并发优化
```toml
[runtime]
# 最大并发工具调用
max_concurrent_tools = 10
# 工具执行超时（秒）
tool_timeout = 60
# Agent 循环最大迭代
max_iterations = 50
```
---
## 日志与监控
### 查看日志
```bash
# 实时日志
openfang logs -f
# 按级别过滤
openfang logs --level error
# 按时间范围
openfang logs --since "2024-01-01" --until "2024-01-02"
```
### 监控指标
```bash
# 系统状态
openfang status
# 详细健康检查
openfang doctor --verbose
# 使用统计
openfang usage --daily
```
---
## 相关链接
- [OpenFang 官方文档](https://openfang.sh/)
- [GitHub 仓库](https://github.com/RightNow-AI/openfang)
- [中文模型配置](./chinese-models.md)
- [ZCLAW 主文档](../../README.md)
---
## 获取帮助
- **命令行帮助**：`openfang --help` 或 `openfang <command> --help`
- **GitHub Issues**：https://github.com/RightNow-AI/openfang/issues
- **社区讨论**：https://deepseek.club/t/topic/996

472
docs/setup/chinese-models.md Normal file
View File

@@ -0,0 +1,472 @@
# 中文模型配置指南
> 本文档详细介绍 OpenFang Kernel 支持的中文大语言模型，以及如何获取和配置 API Key。
---
## 支持的中文模型
OpenFang 通过 OpenAI 兼容 API 支持所有主流中文模型提供商：
| 提供商 | 模型系列 | 特点 | 定价 |
|--------|----------|------|------|
| **智谱 AI** | GLM-4 | 国产领先，多模态支持 | 免费 + 付费 |
| **阿里云** | 通义千问 (Qwen) | 性价比高，企业级 | 按量计费 |
| **月之暗面** | Kimi | 长上下文（200K） | 按量计费 |
| **MiniMax** | 海螺 AI | 语音能力强 | 按量计费 |
| **百度** | 文心一言 | 企业应用广泛 | 按量计费 |
| **DeepSeek** | DeepSeek | 编程能力强，低价 | 极低价格 |
| **百川智能** | Baichuan | 中文优化 | 按量计费 |
| **上海 AI Lab** | 书生浦语 | 开源模型 | 免费 |
---
## 1. 智谱 GLM
### 模型列表
| 模型 | 上下文 | 特点 | 适用场景 |
|------|--------|------|----------|
| `glm-4-flash` | 128K | 快速响应，免费额度 | 日常对话、快速问答 |
| `glm-4` | 128K | 旗舰模型 | 复杂任务、推理 |
| `glm-4-plus` | 128K | 增强版 | 专业应用 |
| `glm-4-air` | 128K | 轻量版 | 简单任务 |
| `glm-4v` | 8K | 多模态（图像理解） | 图像分析 |
| `glm-4-long` | 1M | 超长上下文 | 长文档处理 |
### API Key 获取
1. 访问 [智谱开放平台](https://open.bigmodel.cn/)
2. 注册/登录账号
3. 进入「API Keys」页面
4. 点击「创建 API Key」
**免费额度**：新用户赠送 1000 万 tokens
### 配置示例
```toml
[model.zhipu]
provider = "zhipu"
model = "glm-4-flash"
api_key_env = "ZHIPU_API_KEY"
base_url = "https://open.bigmodel.cn/api/paas/v4"
```
```bash
# 设置环境变量
export ZHIPU_API_KEY="your-zhipu-api-key"
```
---
## 2. 通义千问 (Qwen)
### 模型列表
| 模型 | 上下文 | 特点 | 适用场景 |
|------|--------|------|----------|
| `qwen-turbo` | 8K | 快速版 | 快速问答 |
| `qwen-plus` | 32K | 增强版 | 复杂任务 |
| `qwen-max` | 32K | 旗舰版 | 高质量输出 |
| `qwen-max-longcontext` | 200K | 长上下文 | 长文档 |
| `qwen-vl-plus` | 8K | 多模态 | 图像理解 |
| `qwen-vl-max` | 8K | 多模态增强 | 高精度图像 |
### API Key 获取
1. 访问 [阿里云百炼](https://dashscope.console.aliyun.com/)
2. 登录阿里云账号
3. 开通「灵积模型服务」
4. 获取 API Key
**免费额度**：部分模型有免费试用
### 配置示例
```toml
[model.qwen]
provider = "openai-compat"
model = "qwen-turbo"
api_key_env = "DASHSCOPE_API_KEY"
base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1"
```
```bash
# 设置环境变量
export DASHSCOPE_API_KEY="your-dashscope-api-key"
```
---
## 3. Kimi (Moonshot)
### 模型列表
| 模型 | 上下文 | 特点 | 适用场景 |
|------|--------|------|----------|
| `moonshot-v1-8k` | 8K | 基础版 | 日常对话 |
| `moonshot-v1-32k` | 32K | 长上下文 | 中等文档 |
| `moonshot-v1-128k` | 128K | 超长上下文 | 长文档分析 |
### API Key 获取
1. 访问 [Moonshot AI 开放平台](https://platform.moonshot.cn/)
2. 注册/登录账号
3. 进入「API Key 管理」
4. 创建新的 API Key
**免费额度**：新用户赠送 15 元体验金
### 配置示例
```toml
[model.kimi]
provider = "openai-compat"
model = "moonshot-v1-8k"
api_key_env = "MOONSHOT_API_KEY"
base_url = "https://api.moonshot.cn/v1"
```
```bash
# 设置环境变量
export MOONSHOT_API_KEY="your-moonshot-api-key"
```
---
## 4. MiniMax
### 模型列表
| 模型 | 上下文 | 特点 | 适用场景 |
|------|--------|------|----------|
| `abab6.5-chat` | 8K | 旗舰对话 | 通用对话 |
| `abab6.5s-chat` | 8K | 快速版 | 快速响应 |
| `abab6.5g-chat` | 8K | 通用版 | 平衡场景 |
| `abab5.5-chat` | 16K | 经典版 | 日常使用 |
| `abab5.5s-chat` | 16K | 轻量版 | 简单任务 |
### API Key 获取
1. 访问 [MiniMax 开放平台](https://www.minimaxi.com/)
2. 注册/登录账号
3. 进入「账户管理」->「API Key」
4. 创建 API Key
**注意**：MiniMax 需要同时配置 Group ID
### 配置示例
```toml
[model.minimax]
provider = "openai-compat"
model = "abab6.5-chat"
api_key_env = "MINIMAX_API_KEY"
base_url = "https://api.minimax.chat/v1"
[model.minimax.headers]
# MiniMax 需要 Group ID
"x-minimax-group-id" = "your-group-id"
```
```bash
# 设置环境变量
export MINIMAX_API_KEY="your-minimax-api-key"
```
---
## 5. DeepSeek
### 模型列表
| 模型 | 上下文 | 特点 | 适用场景 |
|------|--------|------|----------|
| `deepseek-chat` | 64K | 通用对话 | 日常使用 |
| `deepseek-coder` | 16K | 代码专精 | 编程任务 |
| `deepseek-reasoner` | 64K | 深度推理 | 复杂推理 |
### API Key 获取
1. 访问 [DeepSeek 开放平台](https://platform.deepseek.com/)
2. 注册/登录账号
3. 进入「API Keys」页面
4. 创建 API Key
**定价优势**：极低价格，性价比高
### 配置示例
```toml
[model.deepseek]
provider = "openai-compat"
model = "deepseek-chat"
api_key_env = "DEEPSEEK_API_KEY"
base_url = "https://api.deepseek.com"
```
```bash
# 设置环境变量
export DEEPSEEK_API_KEY="your-deepseek-api-key"
```
---
## 6. 百度文心一言
### 模型列表
| 模型 | 上下文 | 特点 | 适用场景 |
|------|--------|------|----------|
| `ernie-4.0-8k` | 8K | 旗舰版 | 复杂任务 |
| `ernie-3.5-8k` | 8K | 标准版 | 日常使用 |
| `ernie-speed-8k` | 8K | 快速版 | 快速响应 |
| `ernie-lite-8k` | 8K | 轻量版 | 简单任务 |
### API Key 获取
1. 访问 [百度智能云千帆平台](https://console.bce.baidu.com/qianfan/)
2. 登录百度账号
3. 创建应用，获取 API Key 和 Secret Key
**注意**：文心一言使用 access_token 认证，需要额外处理
### 配置示例
```toml
[model.wenxin]
provider = "openai-compat"
model = "ernie-4.0-8k"
api_key_env = "WENXIN_ACCESS_TOKEN"
base_url = "https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/completions"
```
---
## 7. 百川智能
### 模型列表
| 模型 | 上下文 | 特点 | 适用场景 |
|------|--------|------|----------|
| `Baichuan4` | 128K | 旗舰版 | 复杂任务 |
| `Baichuan3-Turbo` | 32K | 快速版 | 日常使用 |
| `Baichuan3-Turbo-128k` | 128K | 长上下文 | 长文档 |
### API Key 获取
1. 访问 [百川智能开放平台](https://platform.baichuan-ai.com/)
2. 注册/登录账号
3. 获取 API Key
### 配置示例
```toml
[model.baichuan]
provider = "openai-compat"
model = "Baichuan4"
api_key_env = "BAICHUAN_API_KEY"
base_url = "https://api.baichuan-ai.com/v1"
```
---
## 8. 本地模型 (Ollama)
如果你想在本地运行开源中文模型：
### 支持的开源模型
| 模型 | 参数量 | 内存需求 | 特点 |
|------|--------|----------|------|
| `qwen2:7b` | 7B | 8GB | 通用对话 |
| `qwen2:14b` | 14B | 16GB | 高质量输出 |
| `glm4:9b` | 9B | 12GB | 智谱开源版 |
| `deepseek-coder:6.7b` | 6.7B | 8GB | 代码专精 |
### 安装 Ollama
```bash
# macOS / Linux
curl -fsSL https://ollama.com/install.sh | sh
# Windows
# 访问 https://ollama.com/download 下载安装包
```
### 下载模型
```bash
# 下载通义千问
ollama pull qwen2:7b
# 下载 GLM4
ollama pull glm4:9b
```
### 配置示例
```toml
[model.ollama]
provider = "openai-compat"
model = "qwen2:7b"
base_url = "http://localhost:11434/v1"
# 本地模型无需 API Key
api_key_env = ""
```
---
## 多模型配置
OpenFang 支持同时配置多个模型，并自动路由：
```toml
# ~/.openfang/config.toml
[model]
# 默认模型
provider = "zhipu"
model = "glm-4-flash"
# 备选模型
[[model.alternates]]
name = "coding"
provider = "deepseek"
model = "deepseek-coder"
api_key_env = "DEEPSEEK_API_KEY"
[[model.alternates]]
name = "long-context"
provider = "kimi"
model = "moonshot-v1-128k"
api_key_env = "MOONSHOT_API_KEY"
[[model.alternates]]
name = "local"
provider = "openai-compat"
model = "qwen2:7b"
base_url = "http://localhost:11434/v1"
# 模型路由规则
[model.routing]
# 编程任务使用 DeepSeek Coder
coding = ["deepseek-coder", "glm-4"]
# 长文档使用 Kimi
long_context = ["moonshot-v1-128k", "glm-4-long"]
# 快速响应使用 Flash 或本地模型
fast = ["glm-4-flash", "qwen2:7b"]
```
---
## 价格对比
| 模型 | 输入价格 (元/百万 tokens) | 输出价格 (元/百万 tokens) |
|------|---------------------------|---------------------------|
| GLM-4-Flash | 免费 | 免费 |
| GLM-4 | 100 | 100 |
| 通义千问-Turbo | 2 | 6 |
| 通义千问-Max | 40 | 120 |
| Kimi-8K | 12 | 12 |
| DeepSeek-Chat | 1 | 2 |
| DeepSeek-Coder | 1 | 2 |
*价格仅供参考，以官方最新公告为准*
---
## 最佳实践
### 1. 模型选择建议
| 场景 | 推荐模型 | 理由 |
|------|----------|------|
| 日常对话 | GLM-4-Flash | 免费且速度快 |
| 编程任务 | DeepSeek-Coder | 专业代码能力 |
| 长文档分析 | Kimi-128K | 超长上下文 |
| 复杂推理 | GLM-4 / Qwen-Max | 高质量输出 |
| 离线使用 | Ollama + Qwen2 | 本地运行 |
### 2. API Key 安全
- 永远不要在代码或配置文件中硬编码 API Key
- 使用环境变量存储敏感信息
- 定期轮换 API Key
- 为不同项目使用不同的 API Key
- 设置 API Key 使用额度限制
### 3. 成本控制
```toml
[metering]
# 每日最大花费（美元）
daily_budget = 5.0
# 每个 Agent 每小时最大 tokens
hourly_token_limit = 100000
# 超限行为：reject（拒绝）或 downgrade（降级）
on_limit = "downgrade"
# 降级到的模型
fallback_model = "glm-4-flash"
```
---
## 常见问题
### Q: 如何测试 API Key 是否有效？
```bash
# 使用 curl 测试智谱 API
curl -X POST https://open.bigmodel.cn/api/paas/v4/chat/completions \
-H "Authorization: Bearer $ZHIPU_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model": "glm-4-flash", "messages": [{"role": "user", "content": "你好"}]}'
```
### Q: 多个模型如何切换？
在 Agent 配置中指定：
```toml
[agent.my-agent]
[model]
provider = "deepseek"
model = "deepseek-coder"
```
### Q: 如何查看用量？
```bash
# 查看今日用量
openfang usage --today
# 查看本月用量
openfang usage --month
# 按模型分组
openfang usage --group-by model
```
### Q: API Key 泄露了怎么办？
1. 立即在对应平台撤销泄露的 Key
2. 生成新的 API Key
3. 更新环境变量
4. 检查账单是否有异常使用
---
## 相关链接
- [智谱开放平台](https://open.bigmodel.cn/)
- [阿里云百炼](https://dashscope.console.aliyun.com/)
- [Moonshot 平台](https://platform.moonshot.cn/)
- [MiniMax 开放平台](https://www.minimaxi.com/)
- [DeepSeek 平台](https://platform.deepseek.com/)
- [Ollama 官网](https://ollama.com/)
---
*最后更新：2026 年 3 月*