一个CLI工具和Python库，支持从命令行与OpenAI、Claude、Gemini、Llama等数十种大语言模型交互，支持远程API和本地模型。

llm：命令行上的大语言模型瑞士军刀\n\n## 项目背景\n\n随着大语言模型（LLM）的爆发式发展，开发者们越来越频繁地需要与各种模型进行交互。然而，不同厂商的API格式各异、认证方式不同，使得切换和使用多个模型变得繁琐。Simon Willison开发的llm项目正是为了解决这一痛点而生——它提供了一个统一的命令行接口，让开发者能够无缝访问数十种大语言模型。\n\n## 核心功能概览\n\nllm不仅仅是一个简单的API封装工具，而是一个功能完整的CLI生态系统。它支持OpenAI的GPT系列、Anthropic的Claude、Google的Gemini、Meta的Llama等主流模型，同时也兼容通过插件扩展的本地模型。\n\n### 多模型统一访问\n\n项目的核心设计理念是"一次配置，处处可用"。用户只需配置好各平台的API密钥，就可以通过统一的命令格式与不同模型对话。例如：\n\nbash\n# 使用GPT-4\nllm -m gpt-4.1 \"解释量子计算\"\n\n# 使用Claude\nllm -m claude-3.5-sonnet \"优化这段Python代码\"\n\n# 使用本地Ollama模型\nllm -m llama3.2 \"总结这篇文章\"\n\n\n### 交互式对话模式\n\n除了单次查询，llm还提供了交互式聊天模式，支持多轮对话和上下文保持。用户可以通过!multi命令输入多行文本，使用!edit调用编辑器修改提示词，甚至可以通过!fragment插入文件片段作为上下文。\n\n### 插件扩展生态\n\nllm的强大之处在于其插件系统。通过安装插件，用户可以：\n- 接入Ollama等本地模型服务\n- 使用自定义的嵌入模型\n- 添加新的模型提供商\n- 扩展CLI功能\n\n这种设计使得llm能够跟上快速发展的LLM生态，新模型发布后通常很快就有社区插件支持。\n\n## 技术架构与实现\n\nllm基于Python构建，底层使用了click库实现CLI界面，pydantic用于数据验证。项目采用了模块化的架构设计：\n\n1. 核心层：处理配置管理、API调用、错误处理等通用逻辑\n2. 模型层：为每个支持的模型定义统一的接口\n3. 插件层：通过Python包机制动态加载扩展\n4. CLI层：提供用户友好的命令行交互\n\n这种分层架构使得添加新模型支持变得简单——只需实现标准接口并注册到系统中即可。\n\n## 实际应用场景\n\nllm在开发者和数据科学家的日常工作中有着广泛的应用场景：\n\n### 快速原型验证\n\n在开发AI应用时，经常需要快速测试不同模型的表现。llm让这一过程变得极其简单：\n\nbash\n# 批量测试多个模型\nfor model in gpt-4.1 claude-3.5-sonnet gemini-1.5-pro; do\n echo \"=== $model ===\"\n llm -m $model \"用一句话解释什么是RAG\"\ndone\n\n\n### 脚本集成与自动化\n\nllm可以无缝集成到Shell脚本和CI/CD流程中。例如，可以用它来：\n- 自动生成代码注释\n- 审查Pull Request的变更描述\n- 批量处理文档翻译\n- 构建自动化的内容生成流水线\n\n### 本地模型实验\n\n通过Ollama插件，llm成为体验本地开源模型的最佳工具。用户可以在本地机器上运行Llama、Mistral等模型，既保护了数据隐私，又避免了API调用费用。\n\n## 与同类工具的比较\n\n| 特性 | llm | aichat | sgpt |\n|------|-----|--------|------|\n| 多模型支持 | ✅ 数十种 | ✅ 多种 | ✅ 多种 |\n| 本地模型 | ✅ 插件支持 | ✅ 内置 | ❌ |\n| 交互模式 | ✅ 完善 | ✅ 完善 | ⚠️ 基础 |\n| 插件生态 | ✅ 丰富 | ⚠️ 有限 | ❌ |\n| Python库 | ✅ 可用 | ❌ | ❌ |\n\nllm的最大优势在于其活跃的社区和丰富的插件生态，这使得它能够快速适应LLM领域的变化。\n\n## 使用入门\n\n安装llm非常简单：\n\nbash\npip install llm\n\n\n配置OpenAI API密钥：\n\nbash\nllm keys set openai\n# 输入你的API密钥\n\n\n开始对话：\n\nbash\nllm \"你好，请介绍一下你自己\"\n\n\n## 总结与展望\n\nllm项目展示了一个优秀开发者工具应该具备的特质：简洁的接口、强大的功能、活跃的生态。它不仅降低了使用大语言模型的门槛，更为AI应用的开发和实验提供了坚实的基础设施。\n\n随着多模态模型、Agent系统等新技术的涌现，llm的插件架构使其具备良好的扩展性。可以预见，这个项目将继续在开发者工具链中扮演重要角色，成为连接人类与AI的便捷桥梁。

llm：命令行上的大语言模型瑞士军刀\n\n项目背景\n\n随着大语言模型（LLM）的爆发式发展，开发者们越来越频繁地需要与各种模型进行交互。然而，不同厂商的API格式各异、认证方式不同，使得切换和使用多个模型变得繁琐。Simon Willison开发的llm项目正是为了解决这一痛点而生——它提供了一个统一的命令行接口，让开发者能够无缝访问数十种大语言模型。\n\n核心功能概览\n\nllm不仅仅是一个简单的API封装工具，而是一个功能完整的CLI生态系统。它支持OpenAI的GPT系列、Anthropic的Claude、Google的Gemini、Meta的Llama等主流模型，同时也兼容通过插件扩展的本地模型。\n\n多模型统一访问\n\n项目的核心设计理念是"一次配置，处处可用"。用户只需配置好各平台的API密钥，就可以通过统一的命令格式与不同模型对话。例如：\n\nbash\n使用GPT-4\nllm -m gpt-4.1 \"解释量子计算\"\n\n使用Claude\nllm -m claude-3.5-sonnet \"优化这段Python代码\"\n\n使用本地Ollama模型\nllm -m llama3.2 \"总结这篇文章\"\n\n\n交互式对话模式\n\n除了单次查询，llm还提供了交互式聊天模式，支持多轮对话和上下文保持。用户可以通过!multi命令输入多行文本，使用!edit调用编辑器修改提示词，甚至可以通过!fragment插入文件片段作为上下文。\n\n插件扩展生态\n\nllm的强大之处在于其插件系统。通过安装插件，用户可以：\n- 接入Ollama等本地模型服务\n- 使用自定义的嵌入模型\n- 添加新的模型提供商\n- 扩展CLI功能\n\n这种设计使得llm能够跟上快速发展的LLM生态，新模型发布后通常很快就有社区插件支持。\n\n技术架构与实现\n\nllm基于Python构建，底层使用了click库实现CLI界面，pydantic用于数据验证。项目采用了模块化的架构设计：\n\n1. 核心层：处理配置管理、API调用、错误处理等通用逻辑\n2. 模型层：为每个支持的模型定义统一的接口\n3. 插件层：通过Python包机制动态加载扩展\n4. CLI层：提供用户友好的命令行交互\n\n这种分层架构使得添加新模型支持变得简单——只需实现标准接口并注册到系统中即可。\n\n实际应用场景\n\nllm在开发者和数据科学家的日常工作中有着广泛的应用场景：\n\n快速原型验证\n\n在开发AI应用时，经常需要快速测试不同模型的表现。llm让这一过程变得极其简单：\n\nbash\n批量测试多个模型\nfor model in gpt-4.1 claude-3.5-sonnet gemini-1.5-pro; do\n echo \"=== $model ===\"\n llm -m $model \"用一句话解释什么是RAG\"\ndone\n\n\n脚本集成与自动化\n\nllm可以无缝集成到Shell脚本和CI/CD流程中。例如，可以用它来：\n- 自动生成代码注释\n- 审查Pull Request的变更描述\n- 批量处理文档翻译\n- 构建自动化的内容生成流水线\n\n本地模型实验\n\n通过Ollama插件，llm成为体验本地开源模型的最佳工具。用户可以在本地机器上运行Llama、Mistral等模型，既保护了数据隐私，又避免了API调用费用。\n\n与同类工具的比较\n\n| 特性 | llm | aichat | sgpt |\n|------|-----|--------|------|\n| 多模型支持 | ✅ 数十种 | ✅ 多种 | ✅ 多种 |\n| 本地模型 | ✅ 插件支持 | ✅ 内置 | ❌ |\n| 交互模式 | ✅ 完善 | ✅ 完善 | ⚠️ 基础 |\n| 插件生态 | ✅ 丰富 | ⚠️ 有限 | ❌ |\n| Python库 | ✅ 可用 | ❌ | ❌ |\n\nllm的最大优势在于其活跃的社区和丰富的插件生态，这使得它能够快速适应LLM领域的变化。\n\n使用入门\n\n安装llm非常简单：\n\nbash\npip install llm\n\n\n配置OpenAI API密钥：\n\nbash\nllm keys set openai\n输入你的API密钥\n\n\n开始对话：\n\nbash\nllm \"你好，请介绍一下你自己\"\n\n\n总结与展望\n\nllm项目展示了一个优秀开发者工具应该具备的特质：简洁的接口、强大的功能、活跃的生态。它不仅降低了使用大语言模型的门槛，更为AI应用的开发和实验提供了坚实的基础设施。\n\n随着多模态模型、Agent系统等新技术的涌现，llm的插件架构使其具备良好的扩展性。可以预见，这个项目将继续在开发者工具链中扮演重要角色，成为连接人类与AI的便捷桥梁。