你每天跟大模型打交道的方式，大概率还停在「打开网页 → 粘贴上下文 → 复制回答」这套循环里。复制日志、截图报错、粘贴代码，一天下来光是在浏览器和终端之间切换就浪费半个钟头。而海外圈子里玩得最熟的那批人，早就把大模型装进了命令行——不是通过某个重型 IDE 插件，而是一个只有几兆的小工具：llm，作者是 Django 联合创始人、Datasette 作者 Simon Willison，开源仓库 github.com/simonw/llm，Apache 2.0 协议，一分钱不收。国内 ChatBox、Cherry Studio 这类 GUI 客户端讨论热度很高，但这个「可组合、可脚本化」的终端方案，中文圈至今几乎没有像样的教程。今天把它的八个暗格一次打开。
llm 是一个 Python 写的命令行工具，定位就一句话：让任何大模型变成 Unix 管道里的一个普通命令。
brew install llm（macOS）或 pip install llm / uv tool install llmllm install 插件名 搞定（llm-gemini 在新版本里已默认随主程序附带）先看一眼它在你工作流里的位置，后面八个暗格全部围绕这张图展开：
flowchart TD
A["终端标准输入<br/>管道喂文本"] --> B["llm 命令"]
C["YAML 模板<br/>llm -t"] --> B
D["片段 Fragment<br/>llm -f"] --> B
E["附件参数 -a<br/>截图等文件"] --> B
F["结构化输出<br/>--schema"] --> B
B --> G["云上模型<br/>GPT Gemini Claude"]
B --> H["本地模型<br/>Ollama 零成本"]
G --> I["结果回到终端<br/>可接 jq 再加工"]
H --> I
B --> J["logs.db 自动落库<br/>每轮对话都留底"]
J --> K["llm logs 查历史<br/>sqlite-utils 复盘"]
配好各家 key 之后，llm 就是所有模型的统一入口：
llm keys set openai # 存 key，写入本地配置，之后不用再管
llm models # 列出当前所有可用模型
llm -m gpt-4o-mini "用一句话解释Raft算法"
llm -m gemini-2.5-flash "翻译这段话成英文：……"
关键在 -m：同一个命令、同一套习惯，模型随口换。Gemini 的 key 从 AI Studio 免费领，日常轻量任务基本零成本跑。国内用户习惯每个模型开一个网页收藏夹，这一格省掉的就是所有收藏夹。
这是 llm 和所有聊天网页的本质区别——它吃标准输入：
cat error.log | llm "总结这个报错的根因，给出修复建议"
git diff | llm "用中文写一条符合规范的commit message"
ps aux | llm "哪个进程内存异常？"
左边是任何命令的输出，右边是模型的分析，中间不需要复制粘贴。老外用它做日志体检、代码审查、配置文件解释，全是把这一招嵌进 shell 脚本里批量跑。你在网页里手粘一次日志的时间，够脚本跑一百次。
llm chat # 进入交互式聊天
llm "解释一下TCP挥手" -c # -c 接着上一轮继续问
llm "那四次挥手各丢了会怎样" -c
chat 子命令是全屏交互，-c 则是「追问」——不用重新组织上下文，模型记得自己刚说了什么。适合那种「问一句、再追一句」的调试场景，全程不离开终端窗口。
多模态用法藏在一个 -a 参数里：
llm -a screenshot.png "这个报错弹窗是什么意思，怎么解决"
llm -a design.png "按这张设计稿写出页面骨架HTML"
附件类型取决于所用模型的能力（图片最稳）。典型场景：长辈发来的英文报错截图、终端里复制不出来的 GUI 弹窗、UI 稿转代码。以前你得先开网页、点上传按钮，现在一条命令。
重复用的高质量提示词，别每次手敲，存成模板：
# 在模板目录（llm templates path 可查）建一个 translate.yaml
system: 你是资深技术翻译，保留代码和专有名词原文，输出只需译文
prompt: 翻译以下内容：
之后任何时候：
llm -t translate "Fragments are reusable, named chunks of prompts"
模板是纯 YAML 文件，能进 git、能跟团队共享、能持续打磨版本。你的提示词资产从此有仓库可放，而不是散落在聊天记录里。这是网页聊天永远做不到的事。
模板解决「指令」复用，fragments 解决「材料」复用。给一大段内容起个名字，之后随处引用：
llm fragments set api-docs "$(cat api_spec.md)"
llm -f api-docs "新加的分页接口和现有规范有冲突吗"
据官方文档介绍，片段还能直接用 github: 前缀指向 GitHub 仓库里的文件。适合长期维护的场景：把 API 文档、团队规范、产品 PRD 做成固定片段，每次提问自动带上，不用反复粘贴几万字。
--schema——让模型直接吐能用的 JSON这条对写脚本的人价值最大。加上 --schema 参数，模型输出被强制约束成结构化数据：
llm "分析这条评论的情感倾向：快递太慢了但客服态度好" \
--schema '{"type":"object","properties":{"sentiment":{"type":"string"},"score":{"type":"number"}}}'
输出就是合法 JSON，管道接 jq 直接进你的脚本、表格、数据库。做批量文本分类、信息抽取、自动打标的流水线，这是最省事的原型路径——官方后来还给 schema 加了简写字段列表的语法，详见文档。
llm 默认把每一轮对话写进一个本地 SQLite 数据库（logs.db），不联网上传：
llm logs # 查看最近对话记录
llm logs -q "Raft" # 按关键词搜历史对话
配合同作者的 sqlite-utils，你甚至可以 SQL 查自己的 AI 使用史：「上个月问过的所有性能问题」「哪类任务我浪费 token 最多」。三天前那次让模型写的正则表达式找不到了？llm logs -q regex 一秒翻出来。网页聊天记录是平台的，这个库是你自己的。
llm cmd "找出当前目录大于100M的文件"，直接生成 shell 命令，回车确认即执行——不会 shell 语法的新手救星官方插件目录在 llm.datasette.io，从语音转写、嵌入向量到各类模型接入，都是一条 llm install 的事。
| 维度 | 你知道的 | 别人不知道的 |
|---|---|---|
| 用模型的方式 | 开网页/APP 手动粘贴 | cat x \| llm 管道直连，零复制 |
| 多模型管理 | 每家一个收藏夹 | -m 一个终端口任意切换 |
| 提示词沉淀 | 散落在聊天记录 | YAML 模板进 git，团队共享 |
| 长文档上下文 | 反复粘贴几万字 | fragments 命名复用 |
| 批量文本处理 | 人肉一条条问 | --schema + jq 流水线 |
| 历史对话 | 靠平台搜索功能 | 本地 SQLite，SQL 随便查 |
| 成本 | 每月订阅费 | Gemini 免费额度 + Ollama 本地零成本 |
15 分钟上手路径，今晚就能跑通：
brew install llm 或 pip install llm（3 分钟）llm keys set 存好（5 分钟）cat 一个日志文件 | llm -m gemini-2.5-flash "总结问题"（2 分钟）llm install llm-ollama 接本地模型，敏感代码场景全免费先从「日志体检」这一个场景用起来，一周后你会发现自己开网页聊天的次数肉眼可见地变少。
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。