跳至主要內容

aichat 和终端 AI 工具——命令行里用 AI 的新方式

老张2026/4/30大约 7 分钟

aichat 和终端 AI 工具——命令行里用 AI 的新方式

适读人群：喜欢在终端工作的开发者 | 阅读时长：约13分钟 | 核心价值：把 AI 集成进终端工作流，快查文档、生成脚本、分析日志

我在 IDE 里开着 AI 助手，终端里跑着七八个窗口，浏览器开着三十个标签页，这大概是大多数开发者的日常工作状态。

有一天我突然意识到一个低效的模式：我在终端里看到一条报错，要么切到浏览器去搜，要么切到 IDE 的 Chat 里问，要么打开一个 Claude 网页。这三个动作都要离开终端，打断当前的工作流。

我在想，能不能让 AI 直接待在终端里？

于是我开始研究终端 AI 工具。用下来，aichat 是目前我最满意的一个。

aichat 是什么

aichat 是一个用 Rust 写的命令行 AI 工具，开源，支持接入几十种不同的 AI 模型（OpenAI、Anthropic、Gemini、本地 Ollama 等）。

它有几个特点让我特别喜欢：

  • 多模型随时切换，不绑定一个
  • 支持 Shell 集成，可以直接执行 AI 生成的命令
  • 支持 Session（对话历史），可以连续多轮对话
  • 支持 Role（预设角色），可以配置不同工作场景的专用角色
  • 支持通过管道直接分析文件内容

安装和基础配置

安装：

# macOS
brew install aichat

# 或者用 cargo（需要 Rust 环境）
cargo install aichat

# Linux 可以直接下二进制
# https://github.com/sigoden/aichat/releases
# 下载对应版本解压到 PATH

安装完后第一次运行会引导配置：

aichat

配置文件在 ~/.config/aichat/config.yaml，手动编辑更清晰：

# ~/.config/aichat/config.yaml

# 默认使用的模型
model: claude:claude-3-5-sonnet-20241022

# 启动时是否显示信息
highlight: true
light_theme: false

# 保存对话历史
save_session: true

# 流式输出（打字机效果）
stream: true

# 函数调用
function_calling: true

clients:
  # Anthropic Claude
  - type: anthropic
    api_key: sk-ant-你的key

  # OpenAI
  - type: openai
    api_key: sk-你的key

  # 本地 Ollama
  - type: ollama
    api_base: http://localhost:11434

  # 硅基流动（国内，价格便宜）
  - type: openai-compatible
    name: siliconflow
    api_base: https://api.siliconflow.cn/v1
    api_key: sk-你的key
    models:
      - name: Qwen/Qwen2.5-Coder-32B-Instruct
        max_input_tokens: 32768

验证配置：

aichat "你好，测试一下"
# 如果有输出就说明配置成功

日常工作流的几种用法

1. 快速查文档

这是我用得最多的场景。遇到不熟悉的命令或者 API，不用切浏览器查：

# 查 rsync 参数含义
aichat "rsync -avz --delete 这几个参数分别是什么意思，一行一个解释"

# 查 curl 怎么发 POST JSON
aichat "curl 发送 POST 请求，body 是 JSON，同时带 Authorization header，给我一个完整命令"

# 查 awk 怎么用
aichat "awk 打印第一列和第三列，并且第二列大于100的行，给我语法"

和搜索引擎相比，这个方式的好处是：直接给你想要的答案，不用在一堆搜索结果里筛选，也不用看广告。

2. 生成 Shell 脚本

我写 Shell 脚本不快，也经常记不住语法细节。但 AI 写 Shell 脚本很稳：

# 直接描述需求，让 AI 生成
aichat "写一个 bash 脚本：遍历当前目录所有 .log 文件，找出包含 ERROR 关键字的行，输出到 errors_$(date +%Y%m%d).txt"

输出：

#!/bin/bash

output_file="errors_$(date +%Y%m%d).txt"
> "$output_file"

for log_file in *.log; do
    if [ -f "$log_file" ]; then
        grep "ERROR" "$log_file" | while IFS= read -r line; do
            echo "[$log_file] $line" >> "$output_file"
        done
    fi
done

echo "完成，结果保存到 $output_file"

aichat 还有一个 -e 参数（execute 模式），生成命令之后直接提示你是否执行：

aichat -e "列出当前目录按大小排序的前10个文件"
# AI 生成：ls -lhS | head -11
# 然后问你：是否执行？[y/N]

这个功能要注意安全，不要对高危操作用 -e，比如不要 aichat -e "删除所有临时文件" 这种。

3. 分析日志

通过管道把日志内容直接传给 AI 是我觉得终端 AI 最香的用法：

# 分析最近100行日志里的异常
tail -n 100 /var/log/app/error.log | aichat "分析这些日志，找出主要的错误类型和可能的原因"

# 统计某种错误出现的模式
grep "OutOfMemoryError" app.log | aichat "这些 OOM 错误有什么规律？什么时间段密集出现？内存溢出的可能原因是什么？"

# 分析 GC 日志
cat gc.log | aichat "分析这个 GC 日志，告诉我：1. GC 频率是否正常 2. 有没有 Full GC 3. 堆大小配置是否合理"

相比人工看日志，这个方式在日志量大的情况下能快很多。AI 能帮你快速归类问题、定位时间段，把分析缩短到几分钟。

4. 代码片段快速生成

在终端里写代码片段，不用开 IDE：

# 生成一个 Python 单行数据处理
aichat "Python 一行代码：从列表 [{'name': 'a', 'score': 90}, {'name': 'b', 'score': 70}] 里过滤 score > 80 的，返回 name 列表"

# 生成 jq 命令处理 JSON
echo '{"users": [{"id": 1, "name": "张三"}, {"id": 2, "name": "李四"}]}' | aichat "写 jq 命令只提取 name 字段的数组"

# 生成正则表达式
aichat "写一个正则：匹配中国大陆手机号，11位数字，1开头，第二位是3/4/5/7/8"

配置 Role（预设角色）

Role 是 aichat 里非常实用的功能。你可以预设不同场景的 System Prompt，切换 Role 就切换了 AI 的工作模式。

Role 配置文件在 ~/.config/aichat/roles/，每个 Role 一个 YAML 文件：

# ~/.config/aichat/roles/devops.yaml
name: devops
model: claude:claude-3-5-sonnet-20241022
temperature: 0.3
system_prompt: |
  你是一个资深 DevOps 工程师，擅长 Linux 运维、Shell 脚本、Docker/Kubernetes、CI/CD 流水线。
  回答问题时：
  1. 给出可以直接复制使用的命令，不要有占位符
  2. 命令涉及修改系统配置或删除操作时，主动提醒风险
  3. 如果有更安全/更现代的替代方案，主动提到
  4. 命令解释用内联注释，不要单独写一段解释
# ~/.config/aichat/roles/java-dev.yaml
name: java-dev
model: claude:claude-3-5-sonnet-20241022
temperature: 0.2
system_prompt: |
  你是 Java 高级工程师，专注 Spring Boot 生态。
  技术栈：Java 17, Spring Boot 3.x, MyBatis-Plus, Redis, RabbitMQ。
  代码规范：构造器注入、无 Lombok、Result<T> 返回值封装。
  生成代码要完整可运行，包含 import，遇到不清楚的需求先问。

使用 Role：

# 切换到 devops 角色
aichat -r devops "nginx 怎么配置 upstream 负载均衡，四台服务器，权重不同"

# 切换到 java-dev 角色
aichat -r java-dev "写一个 Spring Boot 的拦截器，检查 Header 里的 token"

常用 alias 配置

把常用操作做成 alias，是提升终端 AI 使用效率的关键。

在 ~/.zshrc 或 ~/.bashrc 里加入：

# 基础 AI 对话
alias ai='aichat'

# 快速问命令/语法
alias aq='aichat -r devops'

# 分析剪贴板内容（macOS）
alias aclip='pbpaste | aichat'

# 解释上一条命令（需要 fc -ln -1 获取历史）
alias aexplain='fc -ln -1 | aichat "解释这条命令的作用"'

# 分析当前目录的 git diff
alias areview='git diff | aichat "Code Review 这些修改，找出潜在问题"'

# 快速生成并执行命令（谨慎使用）
alias arun='aichat -e'

# 问 Java 相关问题
alias ajava='aichat -r java-dev'

# 分析日志（和 tail 配合）
alogtail() {
    tail -n "${2:-100}" "$1" | aichat "分析这些日志，找出主要问题和规律"
}

# 解释错误信息（从管道接收）
alias aerror='aichat "解释这个错误信息，给出可能的原因和解决方案"'

加完之后 source ~/.zshrc 生效。

用起来：

# 快速查命令
aq "find 命令怎么搜索7天内修改过的 .java 文件"

# 分析最近的错误日志
alogtail /var/log/app/error.log 200

# 分析当前改动
areview

# 解释报错
java -jar app.jar 2>&1 | grep Exception | aerror

和其他终端 AI 工具的对比

除了 aichat，我也试过 llm（Simon Willison 写的 Python 工具）和 shell_gpt。

llm（github.com/simonw/llm）

优点：安装简单（pip install llm），插件生态丰富，Simon Willison 本人很活跃。

缺点：Python 写的，启动略慢；功能不如 aichat 完整（特别是 Shell 集成部分）。

适合：喜欢 Python 生态、需要大量插件扩展的用户。

shell_gpt（github.com/TheR1D/shell_gpt）

优点：专注 Shell 命令生成，这个场景做得很好，有 --shell 参数直接生成并执行。

缺点：只做 Shell 命令，没有 aichat 的 Chat/Role/Session 完整功能。

适合：主要需求是生成 Shell 命令的用户。

我为什么选 aichat：

功能全面且性能好（Rust 写的，启动快），多模型支持好，Role 和 Session 功能完整，活跃维护。

唯一不太方便的是配置文件是 YAML，初次配置要花点时间。但配置好之后很稳定。

终端 AI 工具这个方向，我觉得是被低估的。大家都在用浏览器 Chat 或者 IDE 插件，但终端才是很多开发者花时间最多的地方。

把 AI 带进终端，减少上下文切换，这个提升是真实的。

编辑此页
最近更新:
贡献者: xiaozhangge