การติดตั้ง¶

OpenJarvis รันบนฮาร์ดแวร์ของคุณทั้งหมด เลือก interface ที่เหมาะกับเวิร์กโฟลว์ของคุณ

แอปในเบราว์เซอร์¶

รัน UI แชทแบบเต็มรูปแบบในเบราว์เซอร์ของคุณ ทุกอย่างอยู่ในเครื่อง — backend รันบน เครื่องของคุณ และ frontend เชื่อมต่อผ่าน localhost

ตั้งค่าด้วยคำสั่งเดียว¶

git clone https://github.com/open-jarvis/OpenJarvis.git
cd OpenJarvis
./scripts/quickstart.sh

สคริปต์นี้จัดการทุกอย่างให้:

ตรวจสอบ Python 3.10+ และ Node.js 18+
ติดตั้ง Ollama หากยังไม่มี และดึงโมเดลเริ่มต้น
ติดตั้ง dependency ของ Python และ frontend
เริ่มเซิร์ฟเวอร์ API ฝั่ง backend และ dev server ฝั่ง frontend
เปิด http://localhost:5173 ในเบราว์เซอร์ของคุณ

ตั้งค่าด้วยตนเอง¶

หากคุณต้องการรันแต่ละขั้นตอนด้วยตนเอง:

ขั้นตอนที่ 1: Clone และติดตั้งขั้นตอนที่ 2: เริ่ม Ollamaขั้นตอนที่ 3: เริ่ม Backendขั้นตอนที่ 4: เริ่ม Frontend

git clone https://github.com/open-jarvis/OpenJarvis.git
cd OpenJarvis
uv sync --extra desktop
uv run maturin develop -m rust/crates/openjarvis-python/Cargo.toml
cd frontend && npm install && cd ..

สิ่งที่ต้องมีก่อน

ต้องมี Rust (curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh) บน Python 3.14+ ให้ตั้งค่า PYO3_USE_ABI3_FORWARD_COMPATIBILITY=1 ก่อนรันคำสั่ง maturin

# Install from https://ollama.com if not already installed
ollama serve &
ollama pull qwen3:0.6b

uv run jarvis serve --port 8000

cd frontend
npm run dev

จากนั้นเปิด http://localhost:5173

แอปเดสก์ท็อป¶

แอปเดสก์ท็อปคือหน้าต่างเนทีฟสำหรับ UI แชทของ OpenJarvis การอนุมานและการประมวลผลฝั่ง backend ทั้งหมดเกิดขึ้นบนเครื่องของคุณเอง — แอปจะเชื่อมต่อกับ backend ที่คุณเริ่มไว้ในเครื่อง

การตั้งค่า¶

ขั้นตอนที่ 1. เริ่ม backend (เหมือนกับแอปในเบราว์เซอร์):

git clone https://github.com/open-jarvis/OpenJarvis.git
cd OpenJarvis
./scripts/quickstart.sh

ขั้นตอนที่ 2. ดาวน์โหลดและเปิดแอปเดสก์ท็อป:

แพลตฟอร์ม	ดาวน์โหลด
macOS (Universal)	OpenJarvis.dmg
Windows (64-bit)	OpenJarvis-setup.exe
Linux (DEB)	OpenJarvis.deb
Linux (RPM)	OpenJarvis.rpm
Linux (AppImage)	OpenJarvis.AppImage

แอปจะเชื่อมต่อ http://localhost:8000 โดยอัตโนมัติ

macOS: \"app is damaged\"

หาก macOS แจ้งว่าแอปเสียหาย ให้ล้าง flag กักกันของ Gatekeeper:

xattr -cr /Applications/OpenJarvis.app

เป็นเรื่องปกติสำหรับแอป open-source ที่แจกจ่ายนอก App Store

ทุก Release

ดูทุกเวอร์ชันได้ที่หน้า GitHub Releases

Build จาก Source¶

git clone https://github.com/open-jarvis/OpenJarvis.git
cd OpenJarvis/desktop
npm install
npm run tauri build

ตัวติดตั้งที่ build เสร็จจะอยู่ที่ frontend/src-tauri/target/release/bundle/

CLI¶

Command-line interface คือวิธีที่เร็วที่สุดในการโต้ตอบกับ OpenJarvis แบบเชิงโปรแกรม ทุกฟีเจอร์เข้าถึงได้จากเทอร์มินัล

ติดตั้ง¶

git clone https://github.com/open-jarvis/OpenJarvis.git
cd OpenJarvis
uv sync
uv run maturin develop -m rust/crates/openjarvis-python/Cargo.toml

ต้องมี Rust บน Python 3.14+ ให้ตั้งค่า PYO3_USE_ABI3_FORWARD_COMPATIBILITY=1 ก่อนรันคำสั่ง maturin

ตรวจสอบ¶

jarvis --version
# jarvis, version 0.1.0

คำสั่งแรกๆ¶

jarvis ask "What is the capital of France?"

jarvis ask --agent orchestrator --tools calculator "What is 137 * 42?"

jarvis serve --port 8000

jarvis doctor

jarvis model list

jarvis chat

ต้องมี Inference Backend

CLI ต้องการ inference backend ที่กำลังรันอยู่ (เช่น Ollama) ดู การตั้งค่า inference backend ด้านล่าง

Python SDK¶

สำหรับการเข้าถึงเชิงโปรแกรม คลาส Jarvis มี API แบบ sync ระดับสูงให้ใช้งาน

ติดตั้ง¶

git clone https://github.com/open-jarvis/OpenJarvis.git
cd OpenJarvis
uv sync
uv run maturin develop -m rust/crates/openjarvis-python/Cargo.toml

ต้องมี Rust บน Python 3.14+ ให้ตั้งค่า PYO3_USE_ABI3_FORWARD_COMPATIBILITY=1 ก่อนรันคำสั่ง maturin

ตัวอย่างเบื้องต้น¶

from openjarvis import Jarvis

j = Jarvis()
print(j.ask("Explain quicksort in two sentences."))
j.close()

ใช้ร่วมกับ Agent และ Tools¶

result = j.ask_full(
    "What is the square root of 144?",
    agent="orchestrator",
    tools=["calculator", "think"],
)
print(result["content"])       # "12"
print(result["tool_results"])  # tool invocations
print(result["turns"])         # number of agent turns

เลเยอร์การประกอบระบบ (Composition Layer)¶

หากต้องการควบคุมแบบเต็มรูปแบบ ใช้ SystemBuilder:

from openjarvis import SystemBuilder

system = (
    SystemBuilder()
    .engine("ollama")
    .model("qwen3:8b")
    .agent("orchestrator")
    .tools(["calculator", "web_search", "file_read"])
    .enable_telemetry()
    .enable_traces()
    .build()
)

result = system.ask("Summarize the latest AI news.")
system.close()

ดู คู่มือ Python SDK สำหรับเอกสารอ้างอิง API แบบเต็ม

ข้อกำหนดของระบบ¶

สิ่งที่ต้องมี	เวอร์ชัน	ติดตั้ง	หมายเหตุ
Python	3.10–3.13	python.org	จำเป็น ยังไม่รองรับ 3.14+ (dependency หลักตัวหนึ่งยังไม่มี wheel สำหรับ 3.14)
uv	เวอร์ชันล่าสุด	`curl -LsSf https://astral.sh/uv/install.sh \\| sh` หรือ `brew install uv` (macOS)	ตัวจัดการแพ็กเกจและโปรเจกต์ของ Python
Git	เวอร์ชันใดก็ได้	git-scm.com หรือ `brew install git` (macOS)	จำเป็น
Rust	stable	`curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs \\| sh`	จำเป็นสำหรับ Rust extension
Inference backend	เวอร์ชันใดก็ได้	ดู ด้านล่าง	ต้องมีอย่างน้อยหนึ่งใน Ollama, vLLM, llama.cpp, SGLang หรือ cloud API
Node.js	18+	nodejs.org หรือ `brew install node` (macOS)	จำเป็นสำหรับ browser UI; ต้องใช้ 22+ สำหรับ channel bridge ของ WhatsApp Baileys

สำหรับผู้ใช้ macOS

ดู คู่มือติดตั้งบน macOS สำหรับขั้นตอนแบบละเอียดครบถ้วน ครอบคลุม Homebrew, uv, Rust, llama.cpp และปัญหาที่พบบ่อย

Extra เสริม¶

OpenJarvis ใช้ extra เสริมเพื่อให้การติดตั้งพื้นฐานยังคงเบาอยู่

Inference Backend¶

Extra	คำสั่งติดตั้ง	คำอธิบาย
`inference-cloud`	`uv sync --extra inference-cloud`	API ของ OpenAI และ Anthropic
`inference-google`	`uv sync --extra inference-google`	Google Gemini API

Ollama, vLLM และ llama.cpp เป็นแบบ HTTP-based

engine เหล่านี้ไม่มี Python dependency เพิ่มเติม — OpenJarvis สื่อสารผ่าน HTTP คุณยังต้องรันซอฟต์แวร์ของ engine นั้นบนเครื่องของคุณเองอยู่ดี

Memory Backend¶

Extra	คำสั่งติดตั้ง	คำอธิบาย
`memory-faiss`	`uv sync --extra memory-faiss`	FAISS vector store
`memory-colbert`	`uv sync --extra memory-colbert`	ColBERTv2 late-interaction retrieval
`memory-bm25`	`uv sync --extra memory-bm25`	BM25 sparse retrieval

SQLite memory ใช้งานได้เสมอ

memory backend เริ่มต้นแบบ SQLite/FTS5 ไม่ต้องการ dependency เพิ่มเติมใดๆ

Server และอื่นๆ¶

Extra	คำสั่งติดตั้ง	คำอธิบาย
`desktop`	`uv sync --extra desktop`	เซิร์ฟเวอร์ Desktop/API พร้อมอินพุตเสียงในเครื่อง
`server`	`uv sync --extra server`	เซิร์ฟเวอร์ API ที่เข้ากันได้กับ OpenAI (`jarvis serve`)
`dev`	`uv sync --extra dev`	เครื่องมือพัฒนาและทดสอบ
`docs`	`uv sync --extra docs`	เครื่องมือ build เอกสาร

รวม extra หลายตัว:

uv sync --extra desktop --extra memory-faiss --extra inference-cloud

การตั้งค่า Inference Backend¶

OpenJarvis ต้องการ inference backend อย่างน้อยหนึ่งตัว เลือกตัวที่ตรงกับฮาร์ดแวร์ของคุณ

Ollama (แนะนำ)¶

วิธีที่ง่ายที่สุดในการเริ่มต้น จัดการการดาวน์โหลดและให้บริการโมเดลโดยอัตโนมัติ

ติดตั้งจาก ollama.com
เริ่มเซิร์ฟเวอร์และดึงโมเดล:
```
ollama serve
ollama pull qwen3:0.6b
```
ตรวจสอบ: jarvis model list

เหมาะกับ: Mac ที่ใช้ Apple Silicon, GPU NVIDIA ระดับผู้ใช้ทั่วไป, ระบบที่มีแค่ CPU

vLLM¶

การให้บริการแบบ throughput สูง ที่ปรับแต่งมาสำหรับ GPU ระดับ datacenter

ติดตั้งตาม คู่มืออย่างเป็นทางการ
เริ่ม: vllm serve Qwen/Qwen2.5-7B-Instruct
ตรวจจับอัตโนมัติที่ http://localhost:8000

เหมาะกับ: GPU NVIDIA ระดับ datacenter (A100, H100), GPU AMD

llama.cpp¶

การอนุมานที่มีประสิทธิภาพทั้งบน CPU และ GPU ด้วยโมเดล GGUF แบบ quantized

Build จาก github.com/ggerganov/llama.cpp
เริ่ม: llama-server -m /path/to/model.gguf --port 8080
ตรวจจับอัตโนมัติที่ http://localhost:8080

Cloud API¶

uv sync --extra inference-cloud --extra inference-google
export OPENAI_API_KEY="sk-..."
export ANTHROPIC_API_KEY="sk-ant-..."

ขั้นตอนถัดไป¶

Quick Start — รันคำถามแรกของคุณ
Configuration — ปรับแต่ง engine host, การจัดเส้นทางโมเดล, memory และอื่นๆ