入门

用 Simon Willison 的 llm 命令行工具把 AI 接进终端（零基础编程 Agent 入门）

2026.07.23· 7 个步骤 · 16 分钟阅读· 💻 llm CLI

你有没有过这种体验：正在终端里干活，突然想让 AI 解释一段代码、改个提交信息、总结一段日志，却要切到浏览器开 ChatGPT、粘贴、复制、再切回来？llm 是 Datasette 作者 Simon Willison 打造的命令行工具——一条命令就能在终端里直接调 30+ 个大模型（OpenAI、Claude、Gemini、本地 Ollama 等），自动把每次对话存进本地 SQLite，还能直接出代码。它也是「在终端里跑一个轻量编程 Agent」的最低门槛入口。本教程零基础带你跑起来。

💻 本教程适合：几乎所有人——开发者、运维、学生、爱用命令行的效率控。你只要会打开终端、能装个 Python 包、有一个大模型 API Key 就行，不需要会编程也能跟着做。

先搞懂：llm 是什么、能干什么？

用一句话理解：llm 是「终端里的万能 AI 客户端」——同一句 llm "你的问题" 语法，背后可以是 OpenAI、Claude 或本地模型，换模型只换一个参数。它的几个超能力正好解决日常痛点：

能力	对你意味着什么
一条命令对话	不用开网页，终端里直接问
自动存 SQLite 日志	所有问答本地可追溯，还能用 Datasette 翻看
管道喂文件	`cat 文件 \| llm` 让 AI 处理任意文本
直接出代码	`--code` 只吐代码、去掉解释
插件扩厂商	一行 `llm install` 加新模型

它不是「重框架」：llm 定位是「趁手的 CLI + 轻量 Agent 雏形」，不是 LangGraph 那种编排框架。想做复杂多智能体系统，请看本中心其他进阶教程；想「把 AI 融进日常命令」，llm 是首选。

Step 1：安装 llm

1 任选一种安装方式

# 方式一：pip（最通用）
pip install llm

# 方式二：pipx（隔离环境，推荐）
pipx install llm

# 方式三：uv
uv tool install llm

# 方式四：Homebrew（macOS）
brew install llm

# 验证
llm --help

💡 2026 年 llm 已迭代到 0.32 系列，持续向「轻量编程 Agent」方向演进（官方提到在其上构建简单 coding agent 的思路）。本教程聚焦最稳的通用用法。

Step 2：配置 API Key

2 把 Key 存进本地，别写进命令

# 以 OpenAI 为例，运行后会提示你粘贴 Key
llm keys set openai

# 验证 Key 已保存
llm keys

# 也支持环境变量（CI / 脚本里常用）
export OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxx

Key 安全：llm 把 Key 存在本地配置文件里（不在命令历史）。别把 Key 直接写进 shell 命令再截图发出去。其它厂商类似：llm install llm-anthropic && llm keys set anthropic。

Step 3：你的第一个提示

3 一句话问出去

# 默认模型（OpenAI gpt-4o-mini 之类）
llm "给宠物鹈鹕起十个有趣的名字"

# 用系统提示词处理文件内容
cat myfile.py | llm -s "解释这段代码在做什么"

# 换模型（以 Claude 为例，需先装插件并设 Key）
llm -m claude-4-opus "用萝卜的冷知识震撼我"

🔑 关键技巧：- 表示「从标准输入读」，所以 cat 文件 | llm -s "..." 是把文件内容喂给 AI 的万能姿势。git diff、日志、报错都能这么处理。

Step 4：用管道把 AI 接进工作流

4 让 AI 处理命令输出

这是 llm 最爽的用法——把任意命令的输出直接丢给 AI：

# 让 AI 总结本次 git 改动
llm "用中文总结这些改动：$(git diff)"

# 让 AI 改写提交信息为 conventional commits 格式
git diff --cached | llm -s "把暂存的改动写成一条 conventional commit 信息" 

# 让 AI 总结一大段日志
curl -s https://example.com/log.txt | llm -s "提取其中的报错并给排查建议"

💡 把 $(命令) 嵌进双引号，是「快速拼 prompt」的利器。你每天少切几次浏览器，一年能省下不少时间。

Step 5：交互式聊天

5 进入多轮对话

# 进入聊天模式
llm chat -m gpt-4.1

# 聊天内指令：
#   exit / quit  退出
#   !multi       进入多行输入，!end 结束
#   !edit        用默认编辑器修改当前 prompt
#   !fragment    插入已保存的片段

聊天有上下文：llm chat 会记住本轮对话历史，适合追问。单次 llm "..." 则是无状态的「一问一答」。

Step 6：直接产出代码

6 只要代码，不要废话

--code 会让 llm 只输出代码、并自动去掉 Markdown 代码块包裹，方便直接写文件：

# 生成代码并直接存成文件（务必先读一眼再运行！）
llm '写一个 Python CLI：把 stdin 的内容反转输出' --code > reverse.py

# 给现有文件加功能
cat reverse.py | llm -s "加一个 --upper 参数，输出全大写" --code

# ⚠️ 安全提醒：AI 生成的代码先读再跑，别直接 | bash

🚀 这其实就是「终端编程 Agent」的最小形态：你描述需求 → AI 出代码 → 你审阅执行。想更进一步（让 Agent 自己跑代码、迭代），可以关注 llm 官方的 coding agent 思路，或本中心的 OpenAI Agents SDK / Claude Code 教程。

Step 7：日志、片段与脚本化

7 让 AI 成为可复用工具

# 查看历史问答（本地 SQLite）
llm logs -n 10

# 用 Datasette 图形化浏览日志库
datasette ~/.llm/log.db

# 把常用 prompt 存成「片段」复用
llm -s "你是有 10 年经验的 Rust 导师" --save rust-mentor
llm "解释 &str 和 String 的区别" --fragment rust-mentor

# 写进 shell 脚本/定时任务，自动跑 AI 任务
#!/bin/bash
llm "总结今天的运维告警" -s "你是 SRE" < alerts.txt >> report.md

🎉 到此你已掌握 llm 的日常闭环：装好 → 配 Key → 问 → 管道处理文件 → 聊天 → 出代码 → 日志/片段/脚本化。它是把 AI 融进命令行工作流最低门槛的一步。

常见问题速查

现象	大概率原因 & 解决
报 "No API key"	没跑 `llm keys set` 或环境变量没 export
模型不存在	用了未安装的厂商 → 先 `llm install llm-xxx` 并设 Key
管道没反应	忘了 `-s "系统提示词"`，或文件为空
代码带 Markdown 包裹	没加 `--code`，导致含 ``` 围栏

📚 更多教程 📰 智能体资讯