강점
- 256K 토큰 컨텍스트
- 텍스트, 이미지, 비디오 입력
- 다단계 도구 호출
- 초당 약 180토큰의 고속 버전
적합한 용도
- 긴 코딩 작업
- 에이전트형 코딩
- 수학과 추론
EDDI에서 실행하기
가장 빠른 방법은 EDDI 매니저입니다: 에이전트 위저드나 Platform Operator를 열고 프로바이더와 모델을 선택하세요. 직접 구성하려면 원하는 프로바이더에 대해 아래 단계를 따르세요.
Moonshot AI · type: "moonshot"
모델 ID: kimi-k2.7-code, kimi-k2.7-code-highspeed
1. 자격 증명 저장
프로바이더의 API 키를 EDDI 매니저의 시크릿 볼트나 PUT /secretstore/secrets/default/moonshot-key를 통해 아래에서 사용하는 이름으로 추가하세요. 구성에서는 ${vault:…}로 참조하므로 키가 평문으로 나타나지 않습니다.
${vault:moonshot-key}2. LLM 태스크 구성
이것을 에이전트 워크플로우의 langchain.json으로 사용하거나, EDDI 매니저의 LLM 편집기에 파라미터를 붙여 넣으세요.
{
"tasks": [
{
"actions": [
"send_message"
],
"id": "chat",
"type": "moonshot",
"parameters": {
"apiKey": "${vault:moonshot-key}",
"modelName": "kimi-k2.7-code",
"systemMessage": "You are a helpful assistant",
"addToOutput": "true"
}
}
]
}또는 한 번의 호출로 에이전트 전체 생성
setup_agent는 규칙, LLM 구성, 워크플로우를 작성한 다음 에이전트를 배포합니다. MCP 또는 POST /administration/agents/setup으로 호출하세요.
setup_agent(
agentName: "My kimi-k2.7-code agent",
systemPrompt: "You are a helpful assistant.",
provider: "moonshot",
model: "kimi-k2.7-code",
apiKey: "${vault:moonshot-key}"
)EDDI 사용 시 참고 사항
- 이 프로바이더는 도구 루프 동안 모델의 추론 내용을 다시 보내야 합니다. EDDI의 프리셋이 이를 대신 처리하므로
returnThinking과sendThinking은 기본값으로 두세요. - Moonshot은 kimi-k2.7-code와 kimi-k2.6의 temperature를 고정하므로, 이 모델들에서는
temperature를 설정하지 마세요.
관련 모델
출처
이 페이지의 정보는 벤더 문서를 바탕으로 2026-09-30에 확인한 것입니다. 모델은 빠르게 바뀌므로 한도에 의존하기 전에 벤더에게 확인하세요. 가격은 여기에 표시하지 않습니다: 벤더의 가격 페이지를 참조하세요.