llm CLI 0.34/0.35：把大模型接进 stdin/stdout 管道

项目地址：simonw/llm

Simon Willison 的 llm 把终端变成通往任意语言模型的脚本化管道。它的定位是「打开聊天窗口之前先伸手的工具」：从 stdin 读文本，发给模型，把答案打印到 stdout，同时把整段交互写进 SQLite。

一次调用就是管道的一节

最简单的用法是直接提问：

llm "EXPLAIN ANALYZE 里 actual rows 和 rows 差一个数量级，通常是什么原因"

真正有用的是把内容管进去——喂文件、喂命令输出，任何东西：

cat parser.py | llm "找出可能的无限循环"
git log -20 --oneline | llm "把这些提交归成几组"

模型位于管道中间，而不是一个需要复制粘贴的独立应用。

选模型

-m 指定模型，llm models 列出当前可用的模型。

0.35（2026-09-07）加入 OpenAI GPT-6 支持：

llm -m gpt-6 "解释这段报错的根因"

插件扩展模型集

本地模型有 Ollama、llama.cpp 的插件，其他托管商也有各自的插件。同一套命令形态既跑本机模型也跑 API 模型，切换只改 -m。

密钥不进 shell history

密钥保存在配置中，不以命令行参数的形式出现，因此不会被 shell history 记下来。

prompt 存成 YAML 模板

某个 prompt 一旦值得留存，就存成模板：纯 YAML 文件，可以随项目一起编辑、提交。用 llm -t 调用，模板列表负责管理。

作者自己常备的模板包括写 commit message、生成 changelog、把粗糙段落改写成可以直接发送的文本——都是那种反复出现、值得固定下来的任务。

每次调用都写进 SQLite

这是最被低估的功能。llm logs 看最近的响应，也可以看全部。因为它是一个真正的数据库，可以用 SQL 查询，也可以用 Datasette 浏览。

0.34（2026-09-02）给每条记录加了响应耗时（response duration）字段。哪些 prompt、哪些模型慢，是查出来的，不用靠猜。

取舍

日志是「聊天工具」和「可脚本化工具」的分界线：几个月后还能 grep 回当时的 prompt，找到有效的那个再重跑一遍。浏览器标签页会忘，数据库不会。

反过来，需要来回追问、改需求、比较多种可能性的场景，聊天窗口仍然更顺手。模板也一样，只留那些确实值得反复跑的；一次性 prompt 留在日志里就够了。