1、api_key可以为空

2、环境命令补充

README.md

@@ -68,7 +68,7 @@ packaging/
 - 实现人工确认入口：`confirm --decision approve|reject` 只处理待确认回滚。
 - 实现 checkpoint 自动保存和 `resume` 续跑：全局步骤、成功 IP、单 IP 已完成 action 会跳过。
 - 实现 LLM structured output 骨架：意图识别、参数抽取、部署计划生成。
-- 实现 OpenAI-compatible 真实 LLM client，支持 `base_url` / `api_key` / `model` 配置。
+- 实现 OpenAI-compatible 真实 LLM client，支持 `base_url` / `model` 配置，`api_key` 可为空。
 - 固化真实 LLM 提示词：意图识别、参数抽取、部署计划生成均要求 JSON structured output。
 - 增加规则 fallback `RuleBasedLlmClient`，用于本地开发和测试。
 - 增加 LLM 输出 guardrails，禁止计划中出现可执行脚本命令和非法 action。
@@ -90,11 +90,12 @@ packaging/
 
 ## LLM 配置
 
-默认不配置 LLM 时，`analyze` 使用本地规则 fallback。配置真实 LLM 后，会走 OpenAI-compatible `/chat/completions`：
+默认不配置 LLM 时，`analyze` 使用本地规则 fallback。配置真实 LLM 后，会走 OpenAI-compatible `/chat/completions`。
+
+`base_url` 和 `model` 必填；`api_key` 可为空。如果模型服务不需要鉴权，不配置 `PAM_LLM_API_KEY` 或不传 `--llm-api-key` 即可，Agent 不会发送 `Authorization` 请求头。
 
 ```powershell
 $env:PAM_LLM_BASE_URL="https://your-llm.example.com/v1"
-$env:PAM_LLM_API_KEY="your-api-key"
 $env:PAM_LLM_MODEL="your-model-name"
 
 python -m pam_deploy_graph.cli analyze --config doc_scripts/config.txt.example --text "请用 MCP 预演部署 HET PAM Node 版本 2.0.5，不要动环境"
@@ -107,12 +108,17 @@ python -m pam_deploy_graph.cli analyze \
   --config doc_scripts/config.txt.example \
   --text "请用 MCP 预演部署 HET PAM Node 版本 2.0.5，不要动环境" \
   --llm-base-url https://your-llm.example.com/v1 \
-  --llm-api-key your-api-key \
   --llm-model your-model-name
 ```
 
 真实 LLM 调用位置在 `pam_deploy_graph/llm/openai_compatible.py`，提示词在 `pam_deploy_graph/llm/prompts.py`。发送给 LLM 的 `base_params` 会脱敏，`CLIENT_SECRET` 不会进入 prompt；本地生成计划后仍会执行 guardrails 校验。
 
+如果服务需要鉴权，再补充：
+
+```bash
+export PAM_LLM_API_KEY="your-api-key"
+```
+
 ## MCP Client 配置
 
 CLI/chat 已支持通过 `--mcp-config` 直接加载 MCP 配置。常用场景只需要配置 MCP `server_url` 和独立鉴权信息；Agent 会连接 MCP server，调用 `list_tools` 自动发现 server 暴露的 tools，再按 action 名自动匹配。
@@ -183,6 +189,24 @@ agent = PamDeployAgent(mcp_runner=runner)
 
 ## 使用方式
 
+开发项目迁移到新环境后，推荐先安装完整开发依赖：
+
+```bash
+python -m venv .venv
+source .venv/bin/activate
+python -m pip install --upgrade pip setuptools wheel
+python -m pip install -e ".[mcp,chat,test]"
+pytest -q
+```
+
+Windows PowerShell 激活虚拟环境使用：
+
+```powershell
+.\.venv\Scripts\Activate.ps1
+```
+
+基础要求：Python 3.11+。如果要执行 Linux 脚本 action，运行环境还需要 `bash` 和 `curl`；如果要构建 Linux 解压即用包，请在 Linux x86_64 构建机上执行打包脚本。
+
 整体逻辑结构流程图：
 
 ```text

pam_deploy_graph/llm/factory.py

@@ -26,8 +26,6 @@ def build_llm_client(
     missing = []
     if not actual_base_url:
         missing.append("base_url")
-    if not actual_api_key:
-        missing.append("api_key")
     if not actual_model:
         missing.append("model")
     if missing:

pam_deploy_graph/llm/openai_compatible.py

@@ -43,8 +43,6 @@ class OpenAICompatibleLlmClient:
         """保存连接参数、模型参数和可替换的 HTTP transport。"""
         if not base_url:
             raise ValueError("必须配置 LLM base_url")
-        if not api_key:
-            raise ValueError("必须配置 LLM api_key")
         if not model:
             raise ValueError("必须配置 LLM model")
         self.base_url = base_url.rstrip("/")
@@ -178,12 +176,12 @@ class OpenAICompatibleLlmClient:
                 },
             ],
         }
+        headers = {"Content-Type": "application/json"}
+        if self.api_key:
+            headers["Authorization"] = f"Bearer {self.api_key}"
         response = self.transport(
             _chat_completions_url(self.base_url),
-            {
-                "Authorization": f"Bearer {self.api_key}",
-                "Content-Type": "application/json",
-            },
+            headers,
             request_payload,
             self.timeout_sec,
         )

tests/test_llm_structured.py

@@ -2,6 +2,7 @@ from dataclasses import asdict
 
 from pam_deploy_graph.agent import PamDeployAgent
 from pam_deploy_graph.checkpoint_store import redact_mapping
+from pam_deploy_graph.llm.factory import build_llm_client
 from pam_deploy_graph.llm.openai_compatible import OpenAICompatibleLlmClient
 from pam_deploy_graph.llm.rule_based import RuleBasedLlmClient
 from pam_deploy_graph.llm.validators import validate_deploy_plan
@@ -110,6 +111,45 @@ def test_openai_compatible_client_uses_base_url_api_key_and_prompt():
     assert "只输出一个 JSON 对象" in calls[0][2]["messages"][0]["content"]
 
 
+def test_openai_compatible_client_allows_empty_api_key():
+    calls = []
+
+    def transport(url, headers, payload, timeout_sec):
+        calls.append((url, headers, payload, timeout_sec))
+        return {
+            "choices": [
+                {
+                    "message": {
+                        "content": (
+                            '{"intent":"deploy","mode_preference":"未指定",'
+                            '"strategy_preference":"fake","confidence":0.8}'
+                        )
+                    }
+                }
+            ]
+        }
+
+    client = OpenAICompatibleLlmClient(
+        base_url="https://llm.example/v1",
+        api_key="",
+        model="model-a",
+        transport=transport,
+    )
+
+    result = client.understand_request("部署")
+
+    assert result.intent == "deploy"
+    assert "Authorization" not in calls[0][1]
+    assert calls[0][1]["Content-Type"] == "application/json"
+
+
+def test_llm_factory_allows_empty_api_key_with_base_url_and_model():
+    client = build_llm_client(base_url="https://llm.example/v1", model="model-a")
+
+    assert isinstance(client, OpenAICompatibleLlmClient)
+    assert client.api_key == ""
+
+
 def test_openai_compatible_client_does_not_send_base_secret():
     calls = []