一句话简介：月之暗面推出的 AI 助手，以长文本处理见长。

主流功能：长程代码、知识工作、Agent 群体、海外开发者 API

可用性：国内可直接使用，无需特殊网络。

适用人群：长文档/论文/报告分析用户、开发者、有服务器资源想本地跑开源权重的团队

前置条件：

• 网络：普通国内网络
• 账号：使用 API 需在 Kimi 开放平台（platform.moonshot.cn）注册，创建 API Key，按量充值
• 费用：网页/App 基础使用免费
• 硬件（本地）：Kimi K3 完整版 2.8T 参数不可在家用电脑运行（MXFP4 权重约 1.56 TB，需数据中心级 GPU）

---

教程 A：Kimi 网页/App 使用（长文本是强项）

步骤 1：注册登录

1. 浏览器访问 kimi.moonshot.cn，或手机应用商店下载"Kimi" App。
2. 手机号/微信登录即可开始对话。

步骤 2：长文档分析（Kimi 核心用法）

1. 点击输入框旁的附件/上传按钮，上传 PDF、Word、TXT（支持几十万字长文档）。
2. 输入指令，例如："你是行业分析师。吃透这篇报告，然后：1. 提炼 3 个最核心的观点；2. 找出 2 个最大的风险点；3. 总结 100 字摘要给老板看；4. 全部用清单体呈现。"
3. Kimi 会基于文档全文作答，并标注引用位置，可追问"第 5 页那个数据再展开讲讲"。

步骤 3：其它常用场景

• 读视频/扒稿：粘贴视频链接或逐字稿，"提炼黄金 3 分钟讲了什么，总结 3 个金句"。
• 对比分析：粘贴两篇文章，"找出共同论点、3 处矛盾、哪篇论证更严谨，用表格呈现"。
• 数据分析：粘贴数据，"找出最反常的趋势、分析可能原因、给 3 个行动建议"。

教程 B：开源权重本地部署

方案一（家用电脑）：K2 GGUF 量化版 + llama.cpp/Ollama

GitCode 托管了 HF 镜像，国内下载快：

# 国内镜像下载 Kimi-K2-Instruct-GGUF（按需选量化版本，UD-Q2_K_XL 约 381GB）
git clone https://gitcode.com/hf_mirrors/unsloth/Kimi-K2-Instruct-GGUF

# 编译 llama.cpp（有 NVIDIA GPU 加 -DGGML_CUDA=ON）
git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON -DLLAMA_CURL=ON
cmake --build llama.cpp/build --config Release -j

运行（MoE 卸载是关键，把专家层卸到 CPU/内存以省显存）：

./llama.cpp/build/bin/llama-cli \
  --model unsloth/Kimi-K2-Instruct-GGUF/UD-Q2_K_XL/Kimi-K2-Thinking-UD-Q2_K_XL-00001-of-00008.gguf \
  --n-gpu-layers 99 --temp 0.6 --ctx-size 16384 \
  -ot ".ffn_.*_exps.=CPU"

也可用 llama-server 把本地模型封装成 OpenAI 兼容服务（端口 8080），再用 Cherry Studio 等客户端连接。

方案二（服务器）：K3 完整权重 + vLLM/SGLang

官方 README 建议用 vLLM、SGLang 或 TokenSpeed 部署。HuggingFace 官方仓库为 MoonshotAI/Kimi-K3（MXFP4 格式，约 1.56TB）。国内下载建议：

# 方式一：huggingface_hub 走镜像站
export HF_ENDPOINT=https://hf-mirror.com
pip install -U huggingface_hub
huggingface-cli download MoonshotAI/Kimi-K3 --local-dir ./Kimi-K3

再按官方 README 的 vLLM/SGLang 部署命令启动服务（需多卡 GPU 服务器，个人电脑跳过本方案）。

方案三（最省事）：Ollama 直接拉取

ollama run kimi-k2:1t-cloud   # 云端满血版（需网络，Ollama 账号）
# 或从魔搭/ModelScope 找 Kimi GGUF：ollama pull modelscope.cn/<组织>/<Kimi-GGUF模型>

教程 C：Kimi 开放平台 API 接入

步骤 1：创建 API Key

1. 访问 platform.moonshot.cn 注册登录。
2. 进入「API Keys」页面（console/api-keys），点击创建，Key 只展示一次，立即复制保存，建议存入环境变量。

步骤 2：OpenAI 兼容调用

export MOONSHOT_API_KEY="sk-你的Kimi密钥"

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["MOONSHOT_API_KEY"],
    base_url="https://api.moonshot.cn/v1",   # Kimi 官方文档地址
)
resp = client.chat.completions.create(
    model="kimi-k3",   # 当前旗舰；其它模型名见开放平台模型列表
    messages=[
        {"role": "system", "content": "你是 Kimi，由月之暗面打造的 AI 助手。"},
        {"role": "user", "content": "用一句话介绍 Kimi K3。"},
    ],
)
print(resp.choices[0].message.content)

步骤 3：文件接口（长文本场景）

# 先上传文件，再引用 file_id 提问
file_resp = client.files.create(file=open("report.pdf", "rb"), purpose="file-extract")
resp = client.chat.completions.create(
    model="kimi-k3",
    messages=[{"role": "user", "content": f"解析文件 {file_resp.id}，提取财务数据并生成对比表格"}],
)

常见问题

1. K3 权重 1.56TB，普通电脑能跑吗？ 不能。家用电脑请用 K2 的 GGUF 量化版（245GB 起）或直接调 API；完整 K3 需要服务器级多卡 GPU。
2. 开源权重能商用吗？ Kimi K 系列用自有许可（含 revenue 分享条款），不是 MIT/Apache 2.0——商用前务必读 HuggingFace 模型页的 LICENSE。
3. API 报 401？ 检查 Key 是否复制完整、环境变量是否生效；base_url 必须是 https://api.moonshot.cn/v1。
4. 下载权重太慢？ 走 GitCode HF 镜像（gitcode.com/hf_mirrors）或设置 HF_ENDPOINT=https://hf-mirror.com；GitCode 需先注册登录。
5. 网页版和 API 的模型是同一个吗？ 网页版默认最新模型；API 的 model 参数按开放平台模型列表填写（如 kimi-k3），两者版本可能不同步，以文档为准。

---