尧图网页设计 
LLM 这个词这几年被聊烂了但绝大多数人接触它的方式不是网页聊天框就是IDE里的插件。直到某天我习惯性打开终端准备跑个脚本处理日志突然反应过来我现在最常用的 AI 工具居然也是在这个黑窗口里敲命令调出来的。命令行界面CLI这种最“老古董”的人机交互方式正在被大模型重新激活。今天这篇不聊 IDE 插件也不聊网页聊天就专门聊 LLM 走进终端这件事——也就是所谓的 LLM CLI。这篇文章适合谁如果你是写代码的想用 AI 帮你改 bug、查文档、写提交信息如果你平时要处理大量文本、日志、数据文件想用大模型做管道式批处理甚至你只是好奇“在终端里玩大模型和网页聊天有什么区别”——这篇都值得你看完。我会把这阵子折腾 LLM CLI 的完整心得、踩坑记录、工具选型思路全部整理出来不藏私。1. 为什么大模型偏偏看上了命令行1.1 从图形界面回归键盘的底层逻辑先回答一个问题AI 明明有网页聊天、有 IDE 插件为什么还要钻进终端里用我自己的体会是终端不是“退步”反而是更本质的交互方式。大模型本身就是一个“接收文本、输出文本”的程序而命令行恰恰是纯文本交互的极致形态。你在网页聊天框里能做的事——问问题、写代码、总结文章——在终端里全都能做而且做得更快。更深一层是“管道哲学”。Unix 的设计哲学是“每个程序只做一件事然后通过管道把它们组合起来”。大模型出现之前终端里的工具链已经非常成熟grep搜文本、jq解析 JSON、sed改内容。现在把 LLM 加进来它就变成了一台能够理解语义的“文本处理器”。以前你要写一堆正则才能从日志里抓出想要的信息现在直接对 LLM CLI 说一句“帮我把这几百行日志里所有 500 错误按时间排序”它就替你干完了。这种体验网页聊天根本给不了因为网页聊天是孤岛而命令行天然就是流水线的一部分。1.2 终端生态正在迎来的 AI 复兴信号可能很多人没注意到最近的终端工具市场特别热闹OpenAI 的 Codex CLI 开源后一堆人连夜安装Anthropic 的 Claude CLI 也在开发者社区刷屏Tabby、tmux、zellij 这些老牌终端工具的讨论热度又被带起来了连带着“终端复用”“LLM 框架”“LLM 网关”这些词都成了热搜常客。这个现象背后有个逻辑大家发现把大模型塞进终端里不是“多了一种玩法”而是“补上了终端最后一块短板”。终端擅长精确、擅长速度、擅长自动化但不擅长“理解”。现在 LLM 把“理解”这一块补上了。你可以让模型读文件、写文件、执行命令、分析报错一气呵成。这就像给一个只会跑指令的机器人装上了大脑它能看懂你到底想让它干什么了。所以你会发现现在最火的 AI 编程工具几乎都提供了 CLI 形态而且主推 CLI 的往往还是技术深度最扎实的那批开发者。原因很简单真正重度使用电脑的人最终都会回到键盘上。2. 主流 LLM CLI 工具全景拆解2.1 官方出品的 CLI 工具先说 OpenAI 的 Codex CLI。名字听着挺唬人其实它就是一个跑在终端里的 AI 编程助手。装完之后你可以在终端里直接跟它对话它能读取你当前目录的文件、修改代码、甚至执行命令。最惊艳的是它的 agent 模式——你说一句“帮我写个脚本统计这个仓库的代码行数”它会自己规划步骤、创建文件、运行命令你只需要在旁边看着有不对劲的随时打断。对我来说它更像一个“住在终端里的结对程序员”而不是一个简单的问答机器人。然后是 Anthropic 的 Claude CLI。它的定位跟 Codex CLI 类似也是让你在终端里以对话方式写代码、改代码。但 Claude 在长上下文理解和代码解释方面有自己的优势处理那种跨多个文件的修改任务时它的思路会更连贯。安装也很简单支持 npm 和原生安装器两种方式。装完配置 API key 就能直接上手。其他值得关注的还有 Trae CLI、MiniMax Code CLI 这些。Trae 是字节系的 AI IDE它的 CLI 版主打轻量MiniMax 则是国产模型里较早把 CLI 做得像模像样的。这些工具的逻辑基本一致把模型能力封装成命令行工具让你在终端里用自然语言完成编码任务。这里做一个简明对比方便你按需选择工具出品方安装方式核心定位突出特点Codex CLIOpenAInpm / 安装包AI 结对程序员agent 模式强大可自主完成多步骤任务Claude CLIAnthropicnpm / 安装器AI 编码助手长上下文理解好跨文件修改连贯Trae CLI字节系npm轻量 AI 编码工具集成度好对国内模型支持友好MiniMax Code CLIMiniMaxnpm全能编码助手国产模型调用便宜快速可用2.2 开源生态里的通用 LLM CLI 框架除了官方出的编码专用 CLI还有一类更底层的工具——通用 LLM 命令行框架。最典型的是 Simon Willison 做的那个llm工具它可以让你用一条命令调用各种模型比如llm 帮我写一首关于秋天的诗它就会把任务发给配置好的模型并把结果打印到终端。这个工具的意义在于“通用”不绑定任何一家厂商OpenAI、Anthropic、本地模型都能接。另外还有“LLM 网关”这类概念。简单说就是你在终端里调模型时请求经过一个统一的网关转发到不同模型厂商方便做负载均衡、密钥管理、成本统计。自己折腾过多家模型 API 的人应该深有体会每个厂商的接口格式都不一样代码里到处是 if-else。网关就是解决这个痛点的它把“调用任意模型”这件事统一成一套接口。跟官方 CLI 相比通用框架的定位差异很大。用个生活化的类比官方 CLI 像是你聘了一个实习生他直接帮你写文档、跑腿办事通用框架像是给你家装了一排洗衣机旋钮想洗衣服就转一下具体使哪台机器、用多少水你自己说了算。还有一个最近很火的方向是“LLM Wiki 知识库”。这个词频繁出现在热搜里本质上是用 CLI 工具管理一个 Markdown 文件构成的知识库让大模型基于你的私有知识回答问题。我之前把日常积累的运维笔记整理成了一个 Wiki 仓库用 CLI 查询时模型会根据 Wiki 内容回答而不是瞎编。这对写技术博客、整理团队文档的人来说极其实用。3. 从零搭建一套可用的 LLM CLI 环境3.1 安装与前置准备说再多不如动手跑一遍。你完全可以把这套环境搭在自己的笔记本上不需要服务器。以 macOS 和 Linux 为例第一步是装 Node.js 环境。Codex CLI 和 Claude CLI 都依赖 Node.js 18。# 检查 node 版本低于 18 先升级 node -v # 用 npm 全局安装 codex npm install -g openai/codex装完验证一下codex --version看到版本号就说明装好了。但这只是开始接下来要配置 API Key。Codex CLI 首次运行会让你登录 OpenAI 账号授权如果没法直接登录也可以手动配置环境变量export OPENAI_API_KEYsk-你的密钥Claude CLI 类似npm install -g anthropic-ai/claude-code然后设置 Anthropic 的密钥。有意思的是我在 macOS 上测试时发现 Claude CLI 也可以配置兼容 OpenAI 协议的第三方模型比如用 Qwen 的 Key 来跑。操作方式是设置ANTHROPIC_BASE_URL指向兼容端点再把 Key 配上。这种灵活性对国内开发者很友好。配置完成后直接在终端里输入codex就能进入交互界面。初次打开它会显示一个欢迎界面告诉你它能够读写文件、执行命令但需要你授权。这个过程有点像给一个新手机装 SIM 卡装好、插卡、开机然后就等着用了。3.2 顺手把终端本身也武装一下LLM CLI 的体验很大程度上取决于你终端本身好不好用。我强烈建议先搞定终端复用工具。说得简单点终端复用就是让你在一个终端窗口里开多个会话每个会话还可以随时切回来。用的最多的是 tmux还有最近比较火的 zellij。为什么要装它因为你在用 Codex CLI 跑一个长时间任务时不可能一直盯着屏幕等它跑完。有了 tmux你可以把任务丢在后台关掉电脑下次连上来任务还在跑。LLM 推理特别慢的场景这个功能简直是救命的。另外终端工具本身也值得换。macOS 自带的 Terminal 能用但跟 Tabby 这种现代终端一比就显老了。Tabby 支持多标签、内置 SSH 管理器、主题丰富、还支持拖拽切分窗口。最爽的是它把本地终端和远程服务器的会话管理统一起来配好密钥之后一键就连上了。再搭配 tmux 和 fzf模糊搜索工具你的终端会变得非常顺手。最后别忘了给终端配一个好用的 Shell。zsh 加 oh-my-zsh 是标配补全提示、历史命令搜索这些功能能让你的操作效率提升一个档次。我一直觉得LLM CLI 不是孤立的工具它必须扎在一套舒服的终端环境里才能真正发光。3.3 用一次实际操作看看 LLM CLI 怎么干活光说不练假把式。拿我自己的一次实际操作举例。有段时间我需要处理一份几万行的 Nginx 访问日志想找出哪些 IP 访问了敏感路径、并且出现了 4xx 错误。以前我肯定要写 awk、grep、sort、uniq 一长串管道命令还得反复调试。这次我直接在 Codex CLI 里说帮我分析 access.log找出所有访问 /admin 路径的 IP按出现次数排序顺便统计一下其中 4xx 状态码的占比Codex CLI 一点没含糊先是读了一小段日志看格式然后写出了一个挺漂亮的 awk 命令跑了一下验证输出然后又把结果整理成了表格。整个过程不到两分钟比我自己写命令快多了。关键是它不是我给个指令它给段代码就完事而是真的在我的目录里读文件、执行命令、看结果、再调整是个“干活”的流程。Claude CLI 的场景我也试过。有次我改一个 Python 项目的代码涉及三个文件的联动修改直接问它“把订单模块的异常处理统一改成自定义异常类并更新对应的测试”它就自己打开文件、逐个修改、然后跑测试给我看结果。那个体验确实震撼就跟旁边坐了个懂你项目的工程师一样。4. 把 LLM CLI 玩出花的进阶姿势4.1 管道组合让大模型成为 Shell 的一部分很多人以为 LLM CLI 就是个人对话窗口其实最大的价值在于它能跟 Shell 管道无缝结合。这是网页聊天永远做不到的事情。我说个最直观的例子。假设你有一个配置文件config.json你想把里面所有的英文注释翻译成中文保留 JSON 格式不变。用通用 LLM CLI 框架一行命令搞定cat config.json | llm 把这段 JSON 里的英文注释翻译成中文保持 JSON 结构不变模型读入内容、完成翻译、把结果打印到标准输出。你再接一个重定向就能把结果写回文件。整个过程没有打开任何对话框没有复制粘贴完完全全是在终端里“流动”的数据。再配合jq和ripgrep你能做出来的自动化程度是非常惊人的。比如定时抓取一个网页内容、用 LLM 总结摘要、然后推到你的通知工具里全链路命令行完成。这就回到了前面说的管道哲学大模型在终端里不是一个“聊天对象”而是一个“文本函数”——输入什么就处理什么转发给你下一个工具。4.2 知识库与 RAG 的 CLI 化LLM CLI 另外一个让我觉得“回不去”的功能是接入知识库。先说结论直接让模型回答问题它很容易一本正经地胡说八道但如果你给了它一份靠谱的知识库它回答的质量会完全不一样。目前比较流行的做法是“LLM Wiki”。具体操作其实不复杂你把日常积累的知识写成 Markdown 文件放在一个仓库里然后用工具给这些文件做索引和向量化。查询的时候CLI 会把你的问题转成向量先去知识库里检索相关内容再把检索结果连同问题一起送给大模型让它“基于以下资料回答”。这个流程就是 RAG 的基本思路。更进阶的是 GraphRAG。传统 RAG 只是“找相似文本”GraphRAG 会先把你知识库里的实体和关系抽出来建一张图再基于图去查询。打个比方普通 RAG 是去图书馆的书架上找几本书丢给你GraphRAG 是给你画了一张人物关系图谱让你一眼看清谁是谁的同事、谁又在哪个项目里。对于处理那种“多个概念互相关联”的查询GraphRAG 的效果明显更好。我自己的笔记仓库就是这么整理的所有运维踩坑记录、命令行技巧、项目架构文档全部变成 Wiki然后用 LLM CLI 去查。以前遇到奇怪的问题总得翻自己博客现在直接问终端它会把相关笔记的内容摘出来回答我还附上出处。使用体验不夸张地说比我自己的记忆可靠。4.3 Agent 模式让 CLI 替你跑完整流程聊完了管道和知识库再说说 Agent 模式。Codex CLI 这类工具不仅支持单轮问答式的插件模式还有一个“Agent 模式”给它一个相对复杂的任务目标它会自动规划、分步执行。比如你可以说“帮我写一个 Python 脚本每周一把项目里所有未提交的代码变更统计发到群里”。它会先写脚本、再设置 crontab、然后测试一遍。你只需要在关键节点确认一下它就跑完了。这种 Agent 模式的实现原理并不神秘本质上是模型具备调用工具的能力。它会收到“你可以在当前目录里读取文件、写入文件、执行 shell 命令”这些工具函数然后在每一次推理中决定调用哪个工具、看结果、再决定下一步。这跟人干活的方式是一样的先看看现场情况决定先做什么做完了再看下一步。但这里必须提醒一个边界问题Agent 能力越强风险也越大。让 AI 执行命令等于把终端控制权交给了它。我吃过一次亏我让它“优化一下这个仓库的依赖”它自作主张更新了一堆包结果项目跑不起来了。从那以后我给自己定了一条规矩凡是执行写操作或影响面较大的命令必须加--dry-run或先在沙箱环境里试跑。这个习惯保了你多少次只有踩过坑的人才知道。5. 常见报错、坑位与排查思路5.1 三份高发报错排查笔记工具再好用总有意想不到的报错。我把这阵子踩过的最常见的几个坑整理了一遍给各位参考。第一个高频报错是安装完 Codex CLI 后运行直接提示类似unable to locate the codex cli binary or required runtime components。看到这个先别慌绝大多数情况是环境变量没配好或者 Node.js 的全局 bin 目录没有加入 PATH。解决办法很简单# 查看 codex 装到了哪里 which codex # 如果找不到手动把 npm 全局目录加进 PATH export PATH$(npm prefix -g)/bin:$PATH第二个坑是 Codex 在对话中提示“当前环境没有终端和文件编辑工具”。这个更隐蔽。表面上看你确实是在终端里跑它但 Agent 模式下它需要一套安全策略来允许文件读写和命令执行。如果启动时没有授权或者工作目录权限不对它就会“看得到文件但碰不了”。我的经验是启动时干脆显式授权codex --full-auto # 允许自动执行命令不想给全部权限也可以用--sandbox加限制。重点是搞清楚你这台机器上什么权限该给什么不该给。第三个报错是llm request failed: provider rejected the request schema or tool payload。这个大多出现在你用第三方兼容接口的时候。不同的模型服务商对工具调用的支持程度不一样有的模型压根不支持 function call你偏给它传工具参数它就直接拒绝。解决办法是检查模型是否支持工具调用或者把工具参数关掉单纯走文本生成。我把这三个问题的排查路径汇总成一张表报错信息可能原因解决思路unable to locate codex cli binaryNode 全局 bin 未在 PATH 中检查 which codex手动补 PATH提示没有终端和文件编辑工具Agent 权限未授权或沙箱限制使用 codex --full-auto 或检查目录权限provider rejected schema or tool payload模型不支持工具调用确认模型能力关闭 tool 参数或换模型5.2 环境相关的小问题也别忽视除了上面这些核心报错还有些不起眼但很烦人的问题。比如在 Windows 上跑 WSL 2 进 Ubuntu 终端时Codex CLI 可能显示异常多半是字体和终端转义序列的锅。这时候换用 Tabby 或者 Windows Terminal 能解决一大半问题。另外你如果在 WSL 里装 codex记得在 WSL 内部检查环境变量别在 Windows 侧配了 Key 就指望 WSL 里能读到。再比如 VS Code 的终端中文乱码问题。这个是老毛病了通常是因为编码格式不一致。Linux 下检查locale确保LANG是en_US.UTF-8或zh_CN.UTF-8Windows 下可以尝试在settings.json里把终端编码改成 UTF-8。LLM CLI 的输出基本都是 UTF-8终端不匹配就会出现一排方框很影响阅读。还有一个在 Linux 终端里特别常见的困惑怎么换到上一行。很多人在终端里想编辑长命令发现方向键左右移动总是串行其实只需要按CtrlA跳到行首、CtrlE跳到行尾、CtrlW删除前一个单词。这些快捷键在你跟 LLM CLI 长对话时特别有用——你打了一大段话想改几个字用方向键慢慢挪那效率真的太低了。5.3 几个气得想摔键盘后来又发现很简单的案例分享一个我印象深刻的经历。有次我在 macOS 上用 Claude CLI 配 Qwen 的 Key折腾了半天一直报 401 认证失败。查了一圈文档才发现是环境变量名写错了——Claude CLI 认的是ANTHROPIC_AUTH_TOKEN我用成了ANTHROPIC_API_KEY。这类问题就是典型的“字面上差一点实际上差很多”。还有个常被忽略的坑在 Linux 终端里写管道命令时如果命令里包含中文或特殊字符有些工具会默认做文件名补全导致管道语义错乱。比如llm 翻译这句话 | tee output.txt在某些 shell 里会把引号内容当通配符。这不是 LLM 工具的问题是 Shell 的解释规则导致的。解决办法是给命令加空格或者用sh -c包一层。这些小事写出来显得很简单但实际遇到时真的会卡很久。我最终的办法是养成一个习惯任何新工具第一次装好先跑一个最小的 demo 确认链路通畅再往复杂功能上走。不这样做你会把时间全浪费在“分不清到底是工具坏了还是自己配置错了”上。最后说点大实话我这段日子折腾 LLM CLI 最大的感触是工具本身不难真正难的是改变使用习惯。以前遇到问题我的第一反应是“打开浏览器搜一下”现在我的第一反应变成了“在终端里问一下”。这不仅仅是操作路径的变化更是思维方式的转变——从“找资料”变成了“直接对话”。当然LLM CLI 也不是万能的。它处理那种明确、局部、可验证的任务时非常高效但如果你让它做一个需求模糊、涉及大量业务判断的事情它可能给你一个看起来不错但根本不能用的结果。所以我的建议是把它当成一个“能力极强的初级工程师”而不是“全知全能的神”。你给它清晰的目标自己最后把关它就能替你省下大量时间。如果你也想试试别一上来就装全家桶。先装一个 Codex 或者 Claude CLI随便找个真实的小任务跑一遍——比如让它分析一份日志、写个自动化脚本、翻译一份文档。等你在终端里体验过那种“一句话搞定一件事”的感觉就再也回不去了。 大模型重燃终端之火：LLM CLI实战指南
LLM 这个词这几年被聊烂了但绝大多数人接触它的方式不是网页聊天框就是IDE里的插件。直到某天我习惯性打开终端准备跑个脚本处理日志突然反应过来我现在最常用的 AI 工具居然也是在这个黑窗口里敲命令调出来的。命令行界面CLI这种最“老古董”的人机交互方式正在被大模型重新激活。今天这篇不聊 IDE 插件也不聊网页聊天就专门聊 LLM 走进终端这件事——也就是所谓的 LLM CLI。这篇文章适合谁如果你是写代码的想用 AI 帮你改 bug、查文档、写提交信息如果你平时要处理大量文本、日志、数据文件想用大模型做管道式批处理甚至你只是好奇“在终端里玩大模型和网页聊天有什么区别”——这篇都值得你看完。我会把这阵子折腾 LLM CLI 的完整心得、踩坑记录、工具选型思路全部整理出来不藏私。1. 为什么大模型偏偏看上了命令行1.1 从图形界面回归键盘的底层逻辑先回答一个问题AI 明明有网页聊天、有 IDE 插件为什么还要钻进终端里用我自己的体会是终端不是“退步”反而是更本质的交互方式。大模型本身就是一个“接收文本、输出文本”的程序而命令行恰恰是纯文本交互的极致形态。你在网页聊天框里能做的事——问问题、写代码、总结文章——在终端里全都能做而且做得更快。更深一层是“管道哲学”。Unix 的设计哲学是“每个程序只做一件事然后通过管道把它们组合起来”。大模型出现之前终端里的工具链已经非常成熟grep搜文本、jq解析 JSON、sed改内容。现在把 LLM 加进来它就变成了一台能够理解语义的“文本处理器”。以前你要写一堆正则才能从日志里抓出想要的信息现在直接对 LLM CLI 说一句“帮我把这几百行日志里所有 500 错误按时间排序”它就替你干完了。这种体验网页聊天根本给不了因为网页聊天是孤岛而命令行天然就是流水线的一部分。1.2 终端生态正在迎来的 AI 复兴信号可能很多人没注意到最近的终端工具市场特别热闹OpenAI 的 Codex CLI 开源后一堆人连夜安装Anthropic 的 Claude CLI 也在开发者社区刷屏Tabby、tmux、zellij 这些老牌终端工具的讨论热度又被带起来了连带着“终端复用”“LLM 框架”“LLM 网关”这些词都成了热搜常客。这个现象背后有个逻辑大家发现把大模型塞进终端里不是“多了一种玩法”而是“补上了终端最后一块短板”。终端擅长精确、擅长速度、擅长自动化但不擅长“理解”。现在 LLM 把“理解”这一块补上了。你可以让模型读文件、写文件、执行命令、分析报错一气呵成。这就像给一个只会跑指令的机器人装上了大脑它能看懂你到底想让它干什么了。所以你会发现现在最火的 AI 编程工具几乎都提供了 CLI 形态而且主推 CLI 的往往还是技术深度最扎实的那批开发者。原因很简单真正重度使用电脑的人最终都会回到键盘上。2. 主流 LLM CLI 工具全景拆解2.1 官方出品的 CLI 工具先说 OpenAI 的 Codex CLI。名字听着挺唬人其实它就是一个跑在终端里的 AI 编程助手。装完之后你可以在终端里直接跟它对话它能读取你当前目录的文件、修改代码、甚至执行命令。最惊艳的是它的 agent 模式——你说一句“帮我写个脚本统计这个仓库的代码行数”它会自己规划步骤、创建文件、运行命令你只需要在旁边看着有不对劲的随时打断。对我来说它更像一个“住在终端里的结对程序员”而不是一个简单的问答机器人。然后是 Anthropic 的 Claude CLI。它的定位跟 Codex CLI 类似也是让你在终端里以对话方式写代码、改代码。但 Claude 在长上下文理解和代码解释方面有自己的优势处理那种跨多个文件的修改任务时它的思路会更连贯。安装也很简单支持 npm 和原生安装器两种方式。装完配置 API key 就能直接上手。其他值得关注的还有 Trae CLI、MiniMax Code CLI 这些。Trae 是字节系的 AI IDE它的 CLI 版主打轻量MiniMax 则是国产模型里较早把 CLI 做得像模像样的。这些工具的逻辑基本一致把模型能力封装成命令行工具让你在终端里用自然语言完成编码任务。这里做一个简明对比方便你按需选择工具出品方安装方式核心定位突出特点Codex CLIOpenAInpm / 安装包AI 结对程序员agent 模式强大可自主完成多步骤任务Claude CLIAnthropicnpm / 安装器AI 编码助手长上下文理解好跨文件修改连贯Trae CLI字节系npm轻量 AI 编码工具集成度好对国内模型支持友好MiniMax Code CLIMiniMaxnpm全能编码助手国产模型调用便宜快速可用2.2 开源生态里的通用 LLM CLI 框架除了官方出的编码专用 CLI还有一类更底层的工具——通用 LLM 命令行框架。最典型的是 Simon Willison 做的那个llm工具它可以让你用一条命令调用各种模型比如llm 帮我写一首关于秋天的诗它就会把任务发给配置好的模型并把结果打印到终端。这个工具的意义在于“通用”不绑定任何一家厂商OpenAI、Anthropic、本地模型都能接。另外还有“LLM 网关”这类概念。简单说就是你在终端里调模型时请求经过一个统一的网关转发到不同模型厂商方便做负载均衡、密钥管理、成本统计。自己折腾过多家模型 API 的人应该深有体会每个厂商的接口格式都不一样代码里到处是 if-else。网关就是解决这个痛点的它把“调用任意模型”这件事统一成一套接口。跟官方 CLI 相比通用框架的定位差异很大。用个生活化的类比官方 CLI 像是你聘了一个实习生他直接帮你写文档、跑腿办事通用框架像是给你家装了一排洗衣机旋钮想洗衣服就转一下具体使哪台机器、用多少水你自己说了算。还有一个最近很火的方向是“LLM Wiki 知识库”。这个词频繁出现在热搜里本质上是用 CLI 工具管理一个 Markdown 文件构成的知识库让大模型基于你的私有知识回答问题。我之前把日常积累的运维笔记整理成了一个 Wiki 仓库用 CLI 查询时模型会根据 Wiki 内容回答而不是瞎编。这对写技术博客、整理团队文档的人来说极其实用。3. 从零搭建一套可用的 LLM CLI 环境3.1 安装与前置准备说再多不如动手跑一遍。你完全可以把这套环境搭在自己的笔记本上不需要服务器。以 macOS 和 Linux 为例第一步是装 Node.js 环境。Codex CLI 和 Claude CLI 都依赖 Node.js 18。# 检查 node 版本低于 18 先升级 node -v # 用 npm 全局安装 codex npm install -g openai/codex装完验证一下codex --version看到版本号就说明装好了。但这只是开始接下来要配置 API Key。Codex CLI 首次运行会让你登录 OpenAI 账号授权如果没法直接登录也可以手动配置环境变量export OPENAI_API_KEYsk-你的密钥Claude CLI 类似npm install -g anthropic-ai/claude-code然后设置 Anthropic 的密钥。有意思的是我在 macOS 上测试时发现 Claude CLI 也可以配置兼容 OpenAI 协议的第三方模型比如用 Qwen 的 Key 来跑。操作方式是设置ANTHROPIC_BASE_URL指向兼容端点再把 Key 配上。这种灵活性对国内开发者很友好。配置完成后直接在终端里输入codex就能进入交互界面。初次打开它会显示一个欢迎界面告诉你它能够读写文件、执行命令但需要你授权。这个过程有点像给一个新手机装 SIM 卡装好、插卡、开机然后就等着用了。3.2 顺手把终端本身也武装一下LLM CLI 的体验很大程度上取决于你终端本身好不好用。我强烈建议先搞定终端复用工具。说得简单点终端复用就是让你在一个终端窗口里开多个会话每个会话还可以随时切回来。用的最多的是 tmux还有最近比较火的 zellij。为什么要装它因为你在用 Codex CLI 跑一个长时间任务时不可能一直盯着屏幕等它跑完。有了 tmux你可以把任务丢在后台关掉电脑下次连上来任务还在跑。LLM 推理特别慢的场景这个功能简直是救命的。另外终端工具本身也值得换。macOS 自带的 Terminal 能用但跟 Tabby 这种现代终端一比就显老了。Tabby 支持多标签、内置 SSH 管理器、主题丰富、还支持拖拽切分窗口。最爽的是它把本地终端和远程服务器的会话管理统一起来配好密钥之后一键就连上了。再搭配 tmux 和 fzf模糊搜索工具你的终端会变得非常顺手。最后别忘了给终端配一个好用的 Shell。zsh 加 oh-my-zsh 是标配补全提示、历史命令搜索这些功能能让你的操作效率提升一个档次。我一直觉得LLM CLI 不是孤立的工具它必须扎在一套舒服的终端环境里才能真正发光。3.3 用一次实际操作看看 LLM CLI 怎么干活光说不练假把式。拿我自己的一次实际操作举例。有段时间我需要处理一份几万行的 Nginx 访问日志想找出哪些 IP 访问了敏感路径、并且出现了 4xx 错误。以前我肯定要写 awk、grep、sort、uniq 一长串管道命令还得反复调试。这次我直接在 Codex CLI 里说帮我分析 access.log找出所有访问 /admin 路径的 IP按出现次数排序顺便统计一下其中 4xx 状态码的占比Codex CLI 一点没含糊先是读了一小段日志看格式然后写出了一个挺漂亮的 awk 命令跑了一下验证输出然后又把结果整理成了表格。整个过程不到两分钟比我自己写命令快多了。关键是它不是我给个指令它给段代码就完事而是真的在我的目录里读文件、执行命令、看结果、再调整是个“干活”的流程。Claude CLI 的场景我也试过。有次我改一个 Python 项目的代码涉及三个文件的联动修改直接问它“把订单模块的异常处理统一改成自定义异常类并更新对应的测试”它就自己打开文件、逐个修改、然后跑测试给我看结果。那个体验确实震撼就跟旁边坐了个懂你项目的工程师一样。4. 把 LLM CLI 玩出花的进阶姿势4.1 管道组合让大模型成为 Shell 的一部分很多人以为 LLM CLI 就是个人对话窗口其实最大的价值在于它能跟 Shell 管道无缝结合。这是网页聊天永远做不到的事情。我说个最直观的例子。假设你有一个配置文件config.json你想把里面所有的英文注释翻译成中文保留 JSON 格式不变。用通用 LLM CLI 框架一行命令搞定cat config.json | llm 把这段 JSON 里的英文注释翻译成中文保持 JSON 结构不变模型读入内容、完成翻译、把结果打印到标准输出。你再接一个重定向就能把结果写回文件。整个过程没有打开任何对话框没有复制粘贴完完全全是在终端里“流动”的数据。再配合jq和ripgrep你能做出来的自动化程度是非常惊人的。比如定时抓取一个网页内容、用 LLM 总结摘要、然后推到你的通知工具里全链路命令行完成。这就回到了前面说的管道哲学大模型在终端里不是一个“聊天对象”而是一个“文本函数”——输入什么就处理什么转发给你下一个工具。4.2 知识库与 RAG 的 CLI 化LLM CLI 另外一个让我觉得“回不去”的功能是接入知识库。先说结论直接让模型回答问题它很容易一本正经地胡说八道但如果你给了它一份靠谱的知识库它回答的质量会完全不一样。目前比较流行的做法是“LLM Wiki”。具体操作其实不复杂你把日常积累的知识写成 Markdown 文件放在一个仓库里然后用工具给这些文件做索引和向量化。查询的时候CLI 会把你的问题转成向量先去知识库里检索相关内容再把检索结果连同问题一起送给大模型让它“基于以下资料回答”。这个流程就是 RAG 的基本思路。更进阶的是 GraphRAG。传统 RAG 只是“找相似文本”GraphRAG 会先把你知识库里的实体和关系抽出来建一张图再基于图去查询。打个比方普通 RAG 是去图书馆的书架上找几本书丢给你GraphRAG 是给你画了一张人物关系图谱让你一眼看清谁是谁的同事、谁又在哪个项目里。对于处理那种“多个概念互相关联”的查询GraphRAG 的效果明显更好。我自己的笔记仓库就是这么整理的所有运维踩坑记录、命令行技巧、项目架构文档全部变成 Wiki然后用 LLM CLI 去查。以前遇到奇怪的问题总得翻自己博客现在直接问终端它会把相关笔记的内容摘出来回答我还附上出处。使用体验不夸张地说比我自己的记忆可靠。4.3 Agent 模式让 CLI 替你跑完整流程聊完了管道和知识库再说说 Agent 模式。Codex CLI 这类工具不仅支持单轮问答式的插件模式还有一个“Agent 模式”给它一个相对复杂的任务目标它会自动规划、分步执行。比如你可以说“帮我写一个 Python 脚本每周一把项目里所有未提交的代码变更统计发到群里”。它会先写脚本、再设置 crontab、然后测试一遍。你只需要在关键节点确认一下它就跑完了。这种 Agent 模式的实现原理并不神秘本质上是模型具备调用工具的能力。它会收到“你可以在当前目录里读取文件、写入文件、执行 shell 命令”这些工具函数然后在每一次推理中决定调用哪个工具、看结果、再决定下一步。这跟人干活的方式是一样的先看看现场情况决定先做什么做完了再看下一步。但这里必须提醒一个边界问题Agent 能力越强风险也越大。让 AI 执行命令等于把终端控制权交给了它。我吃过一次亏我让它“优化一下这个仓库的依赖”它自作主张更新了一堆包结果项目跑不起来了。从那以后我给自己定了一条规矩凡是执行写操作或影响面较大的命令必须加--dry-run或先在沙箱环境里试跑。这个习惯保了你多少次只有踩过坑的人才知道。5. 常见报错、坑位与排查思路5.1 三份高发报错排查笔记工具再好用总有意想不到的报错。我把这阵子踩过的最常见的几个坑整理了一遍给各位参考。第一个高频报错是安装完 Codex CLI 后运行直接提示类似unable to locate the codex cli binary or required runtime components。看到这个先别慌绝大多数情况是环境变量没配好或者 Node.js 的全局 bin 目录没有加入 PATH。解决办法很简单# 查看 codex 装到了哪里 which codex # 如果找不到手动把 npm 全局目录加进 PATH export PATH$(npm prefix -g)/bin:$PATH第二个坑是 Codex 在对话中提示“当前环境没有终端和文件编辑工具”。这个更隐蔽。表面上看你确实是在终端里跑它但 Agent 模式下它需要一套安全策略来允许文件读写和命令执行。如果启动时没有授权或者工作目录权限不对它就会“看得到文件但碰不了”。我的经验是启动时干脆显式授权codex --full-auto # 允许自动执行命令不想给全部权限也可以用--sandbox加限制。重点是搞清楚你这台机器上什么权限该给什么不该给。第三个报错是llm request failed: provider rejected the request schema or tool payload。这个大多出现在你用第三方兼容接口的时候。不同的模型服务商对工具调用的支持程度不一样有的模型压根不支持 function call你偏给它传工具参数它就直接拒绝。解决办法是检查模型是否支持工具调用或者把工具参数关掉单纯走文本生成。我把这三个问题的排查路径汇总成一张表报错信息可能原因解决思路unable to locate codex cli binaryNode 全局 bin 未在 PATH 中检查 which codex手动补 PATH提示没有终端和文件编辑工具Agent 权限未授权或沙箱限制使用 codex --full-auto 或检查目录权限provider rejected schema or tool payload模型不支持工具调用确认模型能力关闭 tool 参数或换模型5.2 环境相关的小问题也别忽视除了上面这些核心报错还有些不起眼但很烦人的问题。比如在 Windows 上跑 WSL 2 进 Ubuntu 终端时Codex CLI 可能显示异常多半是字体和终端转义序列的锅。这时候换用 Tabby 或者 Windows Terminal 能解决一大半问题。另外你如果在 WSL 里装 codex记得在 WSL 内部检查环境变量别在 Windows 侧配了 Key 就指望 WSL 里能读到。再比如 VS Code 的终端中文乱码问题。这个是老毛病了通常是因为编码格式不一致。Linux 下检查locale确保LANG是en_US.UTF-8或zh_CN.UTF-8Windows 下可以尝试在settings.json里把终端编码改成 UTF-8。LLM CLI 的输出基本都是 UTF-8终端不匹配就会出现一排方框很影响阅读。还有一个在 Linux 终端里特别常见的困惑怎么换到上一行。很多人在终端里想编辑长命令发现方向键左右移动总是串行其实只需要按CtrlA跳到行首、CtrlE跳到行尾、CtrlW删除前一个单词。这些快捷键在你跟 LLM CLI 长对话时特别有用——你打了一大段话想改几个字用方向键慢慢挪那效率真的太低了。5.3 几个气得想摔键盘后来又发现很简单的案例分享一个我印象深刻的经历。有次我在 macOS 上用 Claude CLI 配 Qwen 的 Key折腾了半天一直报 401 认证失败。查了一圈文档才发现是环境变量名写错了——Claude CLI 认的是ANTHROPIC_AUTH_TOKEN我用成了ANTHROPIC_API_KEY。这类问题就是典型的“字面上差一点实际上差很多”。还有个常被忽略的坑在 Linux 终端里写管道命令时如果命令里包含中文或特殊字符有些工具会默认做文件名补全导致管道语义错乱。比如llm 翻译这句话 | tee output.txt在某些 shell 里会把引号内容当通配符。这不是 LLM 工具的问题是 Shell 的解释规则导致的。解决办法是给命令加空格或者用sh -c包一层。这些小事写出来显得很简单但实际遇到时真的会卡很久。我最终的办法是养成一个习惯任何新工具第一次装好先跑一个最小的 demo 确认链路通畅再往复杂功能上走。不这样做你会把时间全浪费在“分不清到底是工具坏了还是自己配置错了”上。最后说点大实话我这段日子折腾 LLM CLI 最大的感触是工具本身不难真正难的是改变使用习惯。以前遇到问题我的第一反应是“打开浏览器搜一下”现在我的第一反应变成了“在终端里问一下”。这不仅仅是操作路径的变化更是思维方式的转变——从“找资料”变成了“直接对话”。当然LLM CLI 也不是万能的。它处理那种明确、局部、可验证的任务时非常高效但如果你让它做一个需求模糊、涉及大量业务判断的事情它可能给你一个看起来不错但根本不能用的结果。所以我的建议是把它当成一个“能力极强的初级工程师”而不是“全知全能的神”。你给它清晰的目标自己最后把关它就能替你省下大量时间。如果你也想试试别一上来就装全家桶。先装一个 Codex 或者 Claude CLI随便找个真实的小任务跑一遍——比如让它分析一份日志、写个自动化脚本、翻译一份文档。等你在终端里体验过那种“一句话搞定一件事”的感觉就再也回不去了。