LLM

LLM 是知名开源开发者 Simon Willison 出品的命令行工具兼 Python 库，让大模型的使用回归终端：直接在命令行里对 OpenAI、Claude、Gemini、Qwen、Gemma、Kimi、DeepSeek、Mistral 等几十家模型发起提示词，远程 API 与本机安装运行的模型都支持。它的核心主张是「模型调用应该像 Unix 管道一样可组合」，并且每一次提示词与响应都默认留在本地，可检索、可复现。项目页提供了快速上手示例、项目动态与完整文档，官方还配有演示视频与详细笔记，方便新用户快速入门。它的出现，让开发者在 API 调用日益碎片化的当下有了一个不依赖图形界面的统一入口，把各家模型的差异收敛到一套命令之下。

核心能力

• 命令行运行提示词：在终端里直接发起对话或单次生成，输出可接入管道继续处理，也能保存到文件或传给下一个命令。
• 本地 SQLite 存储：提示词、响应乃至嵌入向量默认写入本地 SQLite，随时回溯每次运行的实际输入与输出，并可检索、导出。
• 多模型插件体系：通过插件机制接入数十家模型服务商，也支持安装并在本机运行的开源模型，用一套命令统一调用不同模型。
• 嵌入与结构化提取：可生成并存储嵌入向量，还能从文本与图像中提取结构化内容，为本地检索与信息整理提供基础。
• Python 库：同样的能力封装为 Python API，便于在脚本、测试与自动化任务里直接调用，和 CLI 能力保持一致。

适合谁

习惯命令行工作流的开发者，需要把模型调用嵌入脚本、批处理或自动化任务的人，以及重视本地留痕、可复现性与数据自主可控的用户。它尤其适合喜欢「用文本与命令管理一切」、愿意把 AI 调用纳入自己既有工具链的人，配合管道与脚本能发挥最大价值。对于需要批量对比多家模型输出质量的场景，它也能充当统一的评测入口。

注意事项

• 它是命令行工具，没有图形界面，需要一定的终端使用经验，对纯图形界面用户并不友好。
• 调用远程模型需要自行配置各家 API 密钥，并按各自资费付费，成本会随使用量累积，建议留意用量与账单。
• 本地运行开源模型对硬件有要求，模型越大越吃显存与内存，需按自己的机器配置量力而行。
• 默认把所有交互记录写进本地 SQLite，隐私友好，但共享机器上使用时，要留意记录可能被同机用户读取。

使用建议

适合从「把一次性的 API 调试挪进终端」开始，逐步建立自己的提示词模板库与日志习惯。批量任务建议搭配模板、嵌入与结构化输出一起用，让结果沉淀成可检索的本地资产，事后回溯时能准确还原每次运行的实际提示词与参数——这正是它相比图形界面工具最独特的地方。若你同时使用多种模型，不妨用它统一入口，再按任务类型固定到具体模型，减少来回切换与适配成本。另一个实用技巧是给常用命令起别名或写 shell 函数，把参数与模型选择固化下来，日常调用几乎可以做到无脑复用。