每个月给三五家AI服务交订阅费，聊天记录散落在七八个网页标签里，想换个模型还得重新适应一套界面——这可能是2026年大部分技术人的日常。但海外一批老手早就换了个活法：repomix、fabric、llm 这三件全免费的开源货，把「喂代码、跑提示词、存对话记录」这三件最高频的杂活搬回了命令行，数据全在自己机器上，模型随便换，包括DeepSeek、Kimi这些OpenAI兼容接口的国产模型。中文圈聊AI编程工具的文章很多，但这条「本地化、可组合、零订阅」的路线几乎没有系统介绍——属于典型的认知差+价格差双重信息差。这篇把三件货挨个拆开，每件都给你能直接复制的命令。
是什么：repomix（github.com/yamadashy/repomix，前身叫 Repopack，日本开发者 Kazuki Yamada 维护）干的事情特别朴素：把一个代码仓库里的所有文件，按目录树组织好，打包成一个 AI 友好的单文件。默认输出 XML 格式，也可以选 markdown 或纯文本，文件头部自动带上仓库结构说明，每个文件还标注了 token 占用统计——你第一次能像看账单一样看清「喂给 AI 的上下文到底花了多少钱」。
怎么用：进项目根目录敲一行就够：
npx repomix
# 直接打包 GitHub 上的公开仓库，不用克隆
npx repomix --remote 某用户/某仓库
# 只打包 src 目录、去掉注释省 token
npx repomix --include "src/**" --remove-comments
价格口径：开源免费，本地运行，代码不出你的机器。
为什么值得关注：接手祖传代码、做外包项目交接、面试前速通一家公司的开源项目，第一刀都应该是它。国内的对位做法是在 AI IDE 里开索引，或者手动复制粘贴一堆文件进对话框——前者绑定单一工具，后者复制三次你就烦了。repomix 打出来的单文件是通用的：贴给 Claude、Gemini、DeepSeek 都行，还能进 Git 仓库当「AI 可读的项目快照」。社区里另一个高频玩法是配合 AI 编程工具做「任务前置导读」：先把打包文件喂一遍，之后的每次提问都省一大截解释成本。
适用人群：接手遗留系统的后端、做开源二开的工程师、需要给 AI 建项目上下文的所有人。
是什么：fabric（github.com/danielmiessler/fabric）是安全圈老兵 Daniel Miessler 维护的开源项目，Go 语言写的单二进制工具。核心资产是一套不断增长的提示词模式库（Patterns）：社区验证过的结构化提示词，比如 extract_wisdom（把一篇文章/播客逐字稿提炼成金句、要点、建议三段式笔记）、summarize、analyze_claims（拆解一段话里的论点和论据）、create_quiz（把材料变成测验题），总数上百个。你不用再对着空白对话框想「这事儿该怎么问」。
怎么用：
# 列出全部模式
fabric --listpatterns
# 把一篇材料按 extract_wisdom 模式提炼
cat 文章.md | fabric --pattern extract_wisdom
# 流式输出
cat 讲稿.txt | fabric --pattern summarize --stream
价格口径：开源免费。它本身不带模型，接你自己的 API key：OpenAI、Anthropic、Google，也能接 Ollama、LM Studio 本地模型和各类 OpenAI 兼容端点，跑 fabric --setup 交互式配一遍就行。
为什么值得关注：国内用户的提示词管理现状是「微信收藏夹 + 飞书文档 + 印象笔记三分天下」，用的时候靠搜、靠记。fabric 把提示词变成了可以管道调用的函数：输入进、结果出，还能串进 shell 脚本批量跑。它和「测提示词」的评测类工具不是一回事——fabric 解决的是「日常高频任务直接复用现成好提示词」，是省力，不是做实验。配合上面 repomix 用：打包文件进 fabric 的 explain_code 类模式，代码导读直接出结构化笔记。
适用人群：每天要处理大量文本材料的研究员、学生、内容创作者；想把提示词沉淀成团队资产的负责人。
是什么：llm（github.com/simonw/llm）是 Django 联合创始人 Simon Willison 写的命令行工具，pip install llm 装完就能用。基础用法是 llm -m gpt-4o-mini "你的问题" 直接在终端问。但它真正的杀手锏是：每一条提问和回答，默认自动存进你本地的 SQLite 数据库。想找三周前问过的某个正则怎么写的？llm logs -q "正则" 全文检索，原文原文一次捞出来。
怎么用：
llm -m gpt-4o-mini "解释这段报错" < error.log
llm chat -m gpt-4o-mini # 进入交互聊天
llm logs -q "docker 网络" # 检索历史对话
llm logs --json > 备份.json # 导出全部记录
价格口径：开源免费，API 费用走你自己的 key。通过插件生态接各家模型（llm install 插件名），也支持在配置里添加自定义 OpenAI 兼容端点——也就是说 DeepSeek、Kimi、智谱这些接口都能挂进来，所有对话照样落到同一个本地数据库。
为什么值得关注：这一条解决的是被所有人忽略的「最后一公里」：你的 AI 使用历史才是最值钱的数据，但它现在散落在各家的网页会话里，导出困难、换个服务商就丢。llm 把它变成了一张可以 SQL 查询的表——记不清当时怎么解决的，检索一下就回来；每个月还顺手生成了你的「AI 使用账本」，哪些问题高频、哪些模型回答得好，一目了然。配合模板功能（把常用 system prompt 存成 YAML），团队的知识沉淀也有了落点。
适用人群：重度使用 AI 的开发者、在意数据隐私和可审计的人、想在本地长期沉淀「AI 工作记忆」的个人用户。
flowchart TD
A["本地仓库或文章"] --> B["repomix打包单文件"]
B --> C["AI导读省一半时间"]
C --> D["fabric挑好提示模式"]
D --> E["管道输出结构化结果"]
E --> F["llm换模型随时重跑"]
F --> G["对话自动落SQLite"]
G --> H["llm logs检索复盘"]
H --> I["好提示沉淀成模板"]
I --> D
| 场景 | 你可能还在用的 | 海外老手在用的 | 差在哪 |
|---|---|---|---|
| 喂代码给AI | 手动复制粘贴/绑死单一IDE | repomix一行打包全仓库 | 单文件通用，token占用有账单 |
| 跑高频提示词 | 收藏夹翻旧对话现编 | fabric上百个现成模式 | 管道调用，批量可脚本化 |
| 存AI对话记录 | 散落各家网页会话 | llm全量落本地SQLite | 可检索可导出，换模型不丢 |
| 模型选择 | 每家一个订阅 | 自带key+兼容国产接口 | 零订阅费，不被锁定 |
npx repomix，把生成的文件喂给你常用的 AI，让它输出项目导读——对比你以前手动贴代码的效率。fabric --listpatterns 把模式列表扫一遍，挑三个和你日常重合的（材料提炼、观点拆解、出题）替换掉你现在的网页用法。pip install llm，配一个你已有的 key（国产 OpenAI 兼容接口也行），之后一周的 AI 提问全部走 llm，周末用 llm logs -q 检索一次——你会第一次看清自己的 AI 使用轨迹。注：三件均为开源项目，功能与命令以各自仓库文档为准；文中未标注 Star 数与具体价格的项目数据请以仓库实时页面为准。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。