Open Interpreter：让大模型在本地运行代码与操控电脑的开源 Agent｜部署与使用全指南

部署定位：让大模型在本地终端直接编写并运行 Python / JavaScript / Shell 代码、操作文件与浏览器，实现本地自动化、数据分析与电脑操控。 适配版本：本指南以 Python 经典版（Classic） 的部署模型撰写（pip 安装、--server 服务模式、interpreter 配置对象、OPEN_INTERPRETER_* 环境变量、profiles 配置），这是本指南第 5–7 章命令所对应的版本。

〇、2026 现状速读（必读，避免装错版本）

截至 2026 年，Open Interpreter 项目发生了一次重大分叉，部署前务必分清你要装的是哪一个：

关键结论：

1. 本任务要求的部署方式（pip 安装、Python 版本要求、--server 服务模式、interpreter 配置对象、profiles、OPEN_INTERPRETER_* 环境变量）——全部属于「Python 经典版」。当前官方主仓库（Rust）已不包含这些命令，请按本指南安装 Python 经典版。

2. 许可证并非 MIT。官方 Rust 版是 Apache-2.0；Python 经典版是 AGPL-3.0（原项目于 2023-11 由维护者改为 AGPL，PyPI 0.4.3 徽章亦标注 AGPL）。商用 SaaS 场景需特别注意 AGPL 的强 copyleft（详见第十一章）。

3. Demo：项目没有官方公开托管的在线 Demo。README 提供的是本地运行的演示截图（见下文配图），需自行安装后在本地体验。

一、项目简介与适用场景

Open Interpreter 是一款让大语言模型（LLM）在你自己的机器上直接运行代码的终端 Agent。安装后，在终端输入 interpreter 即可进入一个类 ChatGPT 的交互式 REPL：你用自然语言下达指令，模型会生成 Python / JavaScript / Shell 等代码，经你确认（或自动）后在本地真实进程里执行，并把运行结果（文本、图片、文件）反馈给模型继续迭代，直到任务完成。

与 ChatGPT Code Interpreter 的最大区别：后者在云端隔离容器里运行受限 Python；而 Open Interpreter 直接在你的操作系统权限下运行，拥有完整的文件系统、网络与本地应用访问能力。

适用场景

• 本地数据分析：读取本地 CSV/Excel/PDF，清洗、统计、绘图并保存结果。

• 文件与系统自动化：批量重命名、压缩日志、整理下载目录、定时巡检脚本。

• 浏览器自动化：用 Playwright 驱动 Chromium 完成网页 research、表单填写、截图。

• 电脑操控（OS 模式）：在 --os 模式下控制鼠标键盘，操作原生应用（"New Computer" 能力）。

• 教学与原型：自然语言转可执行脚本，适合快速验证想法、写小工具。

• 私有化离线运行：配合本地模型（Ollama / LM Studio）完全离线，数据不出本机。

不适用 / 需谨慎的场景

• 把 --server 模式裸奔暴露到公网（无鉴权，任意请求可执行本机代码）。

• 在存有重要数据的生产机上开启 auto_run / safe_mode: off。

• 直接面向不可信用户输入的公开服务（见第十一章合规风险）。

二、核心功能逐条拆解

下图展示了经典版的「New Computer / OS 模式」：模型可操作文件管理器与浏览器完成多步任务。

三、全套官方链接

四、硬件与环境前置要求

最小可行环境：一台能跑 Python 3.10 的普通笔记本 + 一个 OpenAI / DeepSeek / 本地 Ollama 的 API 接入即可。

五、多平台部署实战

以下均以 Python 经典版 为准。最新稳定发布版为 0.4.3（PyPI 最后版本）；若要获取社区分支的新修复（如 reasoning_effort、DeepSeek 适配），可从 git 安装。

5.1 通用前置：创建虚拟环境（强烈推荐）

# Linux / macOS
python3 -m venv .venv
source .venv/bin/activate

# Windows (PowerShell)
python -m venv .venv
.venv\Scripts\Activate.ps1

5.2 Windows 部署

# 1) 安装 Python 3.10+（从 python.org 或 Microsoft Store，勾选 "Add to PATH"）
# 2) 建立并激活虚拟环境（见上）
# 3) 安装（锁定 0.4.3 稳定版）
pip install --upgrade pip
pip install open-interpreter==0.4.3

# 4) 验证
interpreter --version
interpreter   # 进入交互式 REPL

若 PowerShell 报「禁止运行脚本」，先执行：Set-ExecutionPolicy -Scope CurrentUser RemoteSigned。

5.3 Linux 部署

# Debian/Ubuntu 示例
sudo apt update
sudo apt install -y python3.10 python3.10-venv python3-pip

python3 -m venv .venv && source .venv/bin/activate
pip install --upgrade pip
pip install open-interpreter==0.4.3

# 浏览器自动化（Playwright）所需系统库（可选）
sudo apt-get install -y libnss3 libatk1.0-0 libatk-bridge2.0-0 \
  libcups2 libxcomposite1 libxdamage1 libxrandr2 libgbm1 libxkbcommon0
interpreter   # 验证

5.4 macOS 部署

# 推荐用 Homebrew 安装 Python
brew install python@3.11

python3 -m venv .venv && source .venv/bin/activate
pip install --upgrade pip
pip install open-interpreter==0.4.3
interpreter --version

5.5 源码安装（社区分支 / 开发版）

# 克隆社区维护分支（含最新修复）
git clone https://github.com/endolith/open-interpreter.git
cd open-interpreter

python3 -m venv .venv && source .venv/bin/activate
pip install --upgrade pip

# 可编辑安装；[server] 额外装 FastAPI 等（用于 --server 模式）
pip install -e ".[server,dev]"

# 或仅基础安装
pip install -e .

interpreter --version

若只想拉取某一分支（如 classic/develop）：

pip install "git+https://github.com/endolith/open-interpreter.git@classic/develop"

5.6 安装验证清单

• interpreter --version 能输出版本号（应为 0.4.3 或社区分支 commit）。

• 运行 interpreter 后出现 > 提示符，输入 你好，列出当前目录文件 能正常对话（需先配 API Key，见第八章）。

• which interpreter（Linux/macOS）或 where interpreter（Windows）能定位到可执行文件。

六、配置文件参数全解

Open Interpreter 的配置有 三种层级（后者覆盖前者）：CLI 参数 ＞ 环境变量 ＞ Profile / 默认值。可在 Python 里以 interpreter 对象属性配置，也可在命令行 / 环境变量 / YAML 配置。

6.1 Python interpreter 对象核心属性

from interpreter import interpreter

# —— 模型与供应商 ——
interpreter.llm.model          # 模型名，如 "gpt-4o"、"claude-3-5-sonnet-20241022"、"ollama/llama3:8b"
interpreter.llm.api_key        # API Key（云端供应商）
interpreter.llm.api_base       # 自定义/本地 OpenAI 兼容端点，如 "http://localhost:11434"
interpreter.llm.api_version    # 部分供应商所需 API 版本
interpreter.llm.context_window # 上下文窗口（token），如 3000
interpreter.llm.max_tokens     # 单次回复最大 token，如 1000
interpreter.llm.temperature    # 采样温度

# —— 行为控制 ——
interpreter.system_message     # 系统提示词（可 += 追加指令）
interpreter.auto_run           # True 时跳过代码确认（危险，谨慎）
interpreter.safe_mode          # "off" / "ask" / "auto"
interpreter.offline            # True 关闭所有在线能力（纯本地模型）
interpreter.os                 # True 启用电脑操控（OS）模式
interpreter.verbose            # True 打印调试/详细日志

# —— 语言与消息 ——
interpreter.computer.languages # 限制可执行语言，如 ["python"]
interpreter.messages           # 对话历史列表，赋值 [] 可重置

# 运行
interpreter.chat("你的指令")        # 单条指令
interpreter.chat()                  # 进入交互式会话
for chunk in interpreter.chat(msg, stream=True, display=False):
    print(chunk)                    # 流式输出

6.2 常用命令行参数（CLI）

6.3 环境变量

除了标准供应商变量（OPENAI_API_KEY、ANTHROPIC_API_KEY 等），经典版支持以 OPEN_INTERPRETER_ 为前缀的环境变量覆盖配置：

示例：

export OPENAI_API_KEY="sk-..."
export OPEN_INTERPRETER_SAFE_MODE="ask"
export OPEN_INTERPRETER_MODEL="gpt-4o"
interpreter

6.4 Profiles（YAML 配置）

运行 interpreter --profiles 会打开配置目录（经典版默认 ~/.interpreter/），其中 default.yaml 为默认配置。用 --profile xxx.yaml 指定，或 --profile xxx（自动补 .yaml）。

典型 ~/.interpreter/default.yaml：

model: gpt-4o
temperature: 0
api_key: sk-...            # 也可只用环境变量，勿把密钥硬编码进仓库
system_message: |
  你是一个运行在本地服务器上的 AI 助手，偏好高效、可投产的代码。
  把重要输出保存到 /workspace/。
safe_mode: ask             # 推荐 ask；auto_run 默认 false
auto_run: false
verbose: false

配置目录位置提示：不同历史版本可能落在 ~/.interpreter/（profiles）或 ~/.config/Open Interpreter/config.yaml（旧配置），以及 Rust 版使用 ~/.openinterpreter。经典版以 ~/.interpreter/ 的 profiles 为主。

七、启动 / 后台常驻 / 开机自启 / 改端口教程

7.1 普通 CLI 启动

interpreter                 # 交互式 REPL（需先配置 API Key）
interpreter "分析当前目录的 .py 文件行数"   # 单条指令后退出

7.2 --server 服务模式与改端口

经典版内置 FastAPI 服务，可用于 Web UI / 远程调用：

# 默认监听 127.0.0.1:8000
interpreter --server

# 改端口（例如 8080）并允许局域网/公网访问
interpreter --server --port 8080 --host 0.0.0.0

• 默认端口：8000。

• 改端口：用 --port <端口号>。

• HTTP 接口：提供 /run（执行代码块）、/chat（对话）等端点。

• ⚠️ 安全警告：--host 0.0.0.0 会把「可在你机器上执行代码」的能力暴露到网络。切勿在无鉴权、无 VPN/隧道的情况下公网暴露。正确做法是配合反向代理鉴权、SSH 隧道或仅监听 127.0.0.1 再用隧道转发。

7.3 后台常驻运行

# 方式一：nohup（Linux/macOS）
nohup interpreter --server --port 8000 > /var/log/open-interpreter.log 2>&1 &

# 方式二：tmux（推荐，可随时attach查看）
tmux new -s oi
interpreter --server --port 8000
# Ctrl+B D 分离

# 查看日志
tail -f /var/log/open-interpreter.log

7.4 Linux systemd 开机自启

创建 /etc/systemd/system/open-interpreter.service：

[Unit]
Description=Open Interpreter Server
After=network.target

[Service]
Type=simple
User=root                       # 建议改为专有权限的低权限用户
WorkingDirectory=/workspace
Environment=OPENAI_API_KEY=sk-your-key
Environment=OPEN_INTERPRETER_SAFE_MODE=ask
ExecStart=/opt/open-interpreter/bin/interpreter --server --port 8000 --host 127.0.0.1
Restart=on-failure
RestartSec=10

[Install]
WantedBy=multi-user.target

启用：

sudo systemctl daemon-reload
sudo systemctl enable open-interpreter
sudo systemctl start open-interpreter
sudo systemctl status open-interpreter

7.5 Windows 开机自启（计划任务）

# 以管理员 PowerShell 注册开机启动（机器启动、无论是否登录都运行）
schtasks /Create /TN "OpenInterpreter" /TR "C:\path\to\.venv\Scripts\interpreter.exe --server --port 8000" /SC ONSTART /RU SYSTEM

或在「任务计划程序」图形界面中新建：触发器=「计算机启动时」，操作=启动 interpreter.exe --server --port 8000。

7.6 macOS 开机自启（launchd）

编写 ~/Library/LaunchAgents/com.openinterpreter.plist，RunAtLoad 设为 true，ProgramArguments 指向虚拟环境中的 interpreter 与参数，再用 launchctl load ~/Library/LaunchAgents/com.openinterpreter.plist 加载。

八、功能实操教程

8.1 本地运行：第一个任务

# 激活虚拟环境后
export OPENAI_API_KEY="sk-..."
interpreter
# 出现 > 提示符后输入：
# > 列出当前目录下所有 .py 和 .md 文件，按大小排序

模型会生成代码并在执行前请你确认（见 8.5 安全机制）。

8.2 连接云端 LLM API（OpenAI 示例）

from interpreter import interpreter

interpreter.llm.model = "gpt-4o"
interpreter.llm.api_key = "sk-..."      # 或依赖环境变量 OPENAI_API_KEY
interpreter.chat("下载 example.csv，画一张按月份的销售柱状图并保存为 sales.png")

命令行等价：interpreter --model gpt-4o --api_key sk-...。其它供应商（Anthropic、DeepSeek、Gemini）通过 --model 指定对应模型名并配置对应 XXX_API_KEY 即可（经 LiteLLM 路由）。

8.3 连接本地模型（Ollama / LM Studio）

Ollama（默认端点 http://localhost:11434）：

ollama pull qwen2.5-coder:7b     # 编码能力较强的本地模型
interpreter --model ollama/qwen2.5-coder:7b
# 或持久化到 profile：
interpreter --model ollama/llama3:8b --profile

LM Studio（OpenAI 兼容，默认 http://localhost:1234/v1）：

from interpreter import interpreter

interpreter.offline = True                 # 关闭在线能力
interpreter.llm.model = "openai/x"         # 以 OpenAI 格式发送
interpreter.llm.api_key = "fake_key"       # LiteLLM 要求占位
interpreter.llm.api_base = "http://localhost:1234/v1"
interpreter.chat()

纯本地模型 + offline=True 可做到完全离线、数据不出本机。

8.4 自动化示例

> 找出 ~/Downloads 里本周修改过的所有 PDF，提取文本，生成包含
  文件名、页数和前 200 字的 summary.csv

> 写一个每 5 秒监控 CPU 温度、超过 85°C 就报警的 Python 脚本并运行

模型会：写代码 →（ask 模式下）等你批准 → 执行 → 读输出 → 继续，直到完成。建议先在测试目录（非重要数据）跑这类任务。

8.5 安全确认机制（重点）

Open Interpreter 默认执行任何生成的代码前都会请你确认。三态 safe_mode：

• 跳过确认（自动化）：-y 或 interpreter.auto_run = True。

• 强烈建议：日常保持 ask；把 auto_run / safe_mode: off 当作自动化开关，而不是日常默认值。在让模型动手改文件前，先让它「只做 dry-run 并打印将要执行的命令」核对影响范围。

九、全套报错故障排查（≥8 条）

1. 依赖冲突 / 安装失败

• 现象：pip install 报版本冲突、ResolutionImpossible、或 poetry install 失败（历史已知 issue #465）。

• 解决：使用干净虚拟环境（python -m venv）；优先 pip install open-interpreter==0.4.3 而非旧 Poetry 工作流；社区分支已弃用 Poetry，改用 hatchling，直接用 pip install -e .。

2. API Key 缺失或无效

• 现象：启动即报 Incorrect API key、401、或不断要求输入 key。

• 解决：确认已 export OPENAI_API_KEY=...（或对应供应商变量）；检查 key 是否复制完整、是否过期、账户是否有额度；可用 echo $OPENAI_API_KEY 验证变量已导出。

3. 沙箱 / 权限被阻止（safe_mode）

• 现象：代码被拦截、提示需批准，或你误以为「卡住」。

• 解决：在 ask 模式下输入 y 批准；确认 safe_mode 设置。仅在可信环境谨慎使用 --safe_mode false 或 safe_mode: off。注意 --server 模式同样受 safe_mode 约束。

4. 代码执行报错（Python 版本 / 缺包）

• 现象：模型代码因 SyntaxError（Python 版本不符）、ModuleNotFoundError 失败。

• 解决：确认 Python 在 3.9–3.12；先 pip install 缺失的第三方库再让模型重试；把运行环境固定到与模型训练时相近的 Python 版本（推荐 3.10/3.11）。

5. 中文编码 / 乱码问题

• 现象：中文路径、中文输出乱码，Windows 上 UnicodeEncodeError 或 GBK 报错。

• 解决：终端与文件系统统一 UTF-8；Linux/macOS 设 export LANG=C.UTF-8；Windows 在 PowerShell 执行 chcp 65001 并选用 UTF-8 字体；让模型读写文件时显式指定 encoding="utf-8"。

6. --server 端口被占用

• 现象：启动报 Address already in use 或连接 Connection refused。

• 解决：ss -tlnp | grep 8000（Linux）/ netstat -ano | findstr 8000（Windows）查占用；换端口 interpreter --server --port 8080；检查防火墙 ufw allow 8000/tcp（仅限受信任网络）。

7. 本地模型连接失败

• 现象：Ollama/LM Studio 连不上、Connection refused、返回空。

• 解决：确认本地服务已启动（ollama serve 默认 11434；LM Studio 开启 Server 并记端口）；api_base 指向正确端点；offline=True 时不要用需联网的模型；减小 context_window（如 4096）降低本地显存压力。

8. 浏览器 / Playwright 依赖缺失

• 现象：OS 模式或网页自动化时报 Chromium 启动失败、缺 .so 库。

• 解决：pip install playwright && playwright install chromium && playwright install-deps（Linux 需上述 apt 系统库）；容器内注意授予 --no-sandbox 等价权限。

9. interpreter: command not found

• 现象：装完却找不到命令。

• 解决：确认虚拟环境已激活（source .venv/bin/activate）；which interpreter / where interpreter 检查 PATH；或全局安装 pip install --user open-interpreter。

10. 上下文 / Token 超限

• 现象：长会话后报上下文超限、回复截断。

• 解决：用 %reset 重置；降低 --context_window；把大文件切分处理；或在系统提示中要求模型「只读必要字段」。

十、升级 / 回滚 / 卸载教程

10.1 升级

# PyPI 官方最后版本即 0.4.3；如需社区分支的新修复：
pip install --upgrade pip
pip install "git+https://github.com/endolith/open-interpreter.git@classic/develop"

# 仅更新已装经典版（若日后有新 PyPI 发布）
pip install --upgrade open-interpreter

注意：官方主仓库（Rust）走独立安装脚本，与 Python 经典版互不影响；二者控制台脚本都叫 interpreter / i，不要在同一环境混装，以免命令指向错误版本。

10.2 回滚到指定版本

# 回滚到具体 PyPI 版本
pip install open-interpreter==0.4.2

# 社区分支回滚到某次提交
pip install "git+https://github.com/endolith/open-interpreter.git@<commit-hash>"

10.3 卸载

pip uninstall open-interpreter
# 清理残留配置目录（按需，会删除你的 profiles 与历史）
rm -rf ~/.interpreter
rm -rf ~/.config/"Open Interpreter"
rm -rf ~/.openinterpreter

十一、商用许可与合规风险提示

11.1 许可证（非 MIT，请注意）

• 官方 Rust 主版本：Apache-2.0——宽松许可证，商用友好，仅需保留版权与声明。

• Python 经典版（本指南部署对象）：AGPL-3.0——强 copyleft。关键点：AGPL 的「网络条款」规定，如果你把基于它的软件以网络服务形式提供给用户（即用户通过网络与之交互），你必须向这些用户提供完整的对应源代码。这意味着把经典版包装成 SaaS 对外提供服务时，有公开源码的义务。

• 本任务信息中标注的「MIT」与项目实际许可证不符，部署与分发前请以仓库 LICENSE 文件为准（Apache-2.0 / AGPL-3.0）。

11.2 本地代码执行的安全风险

Open Interpreter 会在你的操作系统权限下执行模型生成的任意代码。风险包括：

• 模型误解指令，误删 / 覆盖重要文件；

• auto_run / safe_mode: off 下无确认地执行破坏性命令；

• --server 公网暴露后，任意请求可在你机器上执行代码（远程代码执行）；

• 提示注入：若让模型读取网页 / 邮件 / 不可信文件后执行，可能被诱导执行恶意代码。

11.3 防范措施（务必落实）

1. 隔离运行：生产 / 自动化场景放入 Docker 容器或虚拟机，仅挂载专用工作目录（如 -v $(pwd)/workspace:/workspace），让模型无法触及 home 目录。

2. 保持 safe_mode: ask：避免 auto_run / off 作为默认；确需自动化时，先把动作范围限制在只读/统计类无副作用命令。

3. 最小权限用户：systemd / 计划任务用低权限专用账户，而非 root/Administrator。

4. 不裸暴露服务：--server 不要直接 --host 0.0.0.0 上公网；用 SSH 隧道（ssh -L 8000:localhost:8000 user@host -N）、反向代理 + 鉴权（如带密钥的 Nginx/Cloudflare Access）访问。

5. 审计输入：不要让它自动执行来自不可信来源（网页、邮件、外部文件）的内容；长任务先让其 dry-run 并汇报。

6. 限制语言：interpreter.computer.languages = ["python"] 收束可执行面。

7. 备份：在含重要数据的机器上运行前先备份。

总结：Open Interpreter 是把 LLM 变成「本地终端 Agent」的利器，但「能力越大责任越大」。请分清 Rust 官方版与 Python 经典版、认清 AGPL/Apache 许可证差异，并在隔离环境与确认机制下使用，方能安全释放其自动化价值。