# Using LLM in the shebang line of a script - 发布方：Simon Willison's TILs；作者：Simon Willison - 形式：实践教程 · en - 原始资源：[https://til.simonwillison.net/llms/llm-shebang]() - 本站页面：[https://oplearnx.com/resources/res\_th6d9far6kez]() - 学习主题：人工智能 / AI Agent / 工具调用与工作流；人工智能 / 大语言模型 LLM / 模型结构与预训练；人工智能 / 大语言模型 LLM / 提示词设计 - 内容状态：状态待核验 - 原始发布时间：未知（待核验） - 本站首次收录：2026-10-24 05:01 ## 能学到什么 学会用 LLM CLI 把自然语言文本文件变成可执行脚本，并通过模板与内置工具扩展脚本能力。 - 写一个以 \#\!/usr/bin/env -S llm -f 开头的可执行文本脚本并运行它 - 解释 env 的 -S 选项在 shebang 中的作用，以及 -f 参数如何把脚本内容追加到提示词 - 通过命令行参数向脚本传递模型选项，例如 -m 指定模型 - 用 -x 选项只提取回答中的第一个代码块 - 在 shebang 中使用 -T 加载默认工具（如 llm\_time）让模型调用 - 用 YAML 模板（-t）组合 prompt、system、model 和参数（-p） - 在模板中定义 Python 函数作为工具，并用 --td 查看工具调用过程 ## 适合我吗 - 适合：适合已会用命令行、想用 LLM CLI 做小型命令行工具与脚本自动化的开发者。 - 需要留意：不适合完全没有命令行基础、想系统学习 LLM 原理或模型训练的读者。 ## 前置条件与费用 - 知识前置：需要了解 Unix 可执行文件、shebang、chmod 等基本命令行知识，并知道如何安装和配置 LLM CLI 及其模型访问方式。 - 软件、账号与硬件：需自行安装 LLM CLI（llm.datasette.io）并配置可用的模型访问；示例中出现的博主博客查询工具依赖其公开 Datasette 接口。 - 内容费用：免费：页面正文完整公开，可直接读到全部步骤、示例脚本与输出，无付费墙或登录限制。 - 实践费用：实践可能产生费用：练习需要调用 LLM 模型（示例为 gpt-5.x 系列名称），网页未说明费用，但使用付费模型 API 可能产生费用。 - 转载与修改：按材料分别核对，见本页“来源核验与开课实跑”；仓库许可不自动适用于教材或视频。 ## 准备工具 - [LLM CLI]()：提供 llm 命令，作为 shebang 解释器运行文本脚本 - 类 Unix shell 环境：运行 chmod、./script.sh 等命令 ## 学习指南 开课检查：提示词由本站整理，尚未按提示词实际完成开课检查。 ### 开课提示词（Windows） ```text 请帮我把「Using LLM in the shebang line of a script」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。 开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。 课程入口：https://til.simonwillison.net/llms/llm-shebang 我的系统：Windows。如果实际不符，先调整方案。 本次路线：Windows：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。 练习：按页面顺序逐个复现脚本，并尝试修改提示词、替换模型、增加自己的 Python 工具函数。 课节（官方顺序）： 1. Using LLM in the shebang line of a script：https://til.simonwillison.net/llms/llm-shebang 1. 环境 - 类 Unix shell（支持 /usr/bin/env -S） - LLM CLI 已安装 - 已配置可用的模型访问 - 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。 2. 材料 - 官方课程页面：只记录链接 https://til.simonwillison.net/llms/llm-shebang 3. 目录（最外层放在我确认的位置） llm-shebang-scripts/ ├── README.md # 课程入口、课节清单、每次怎么开始 ├── progress.md # 每课：读讲义 / 做练习 / 记笔记 ├── questions.md # 待解决的问题 ├── check-env.ps1 # 环境自检，按 README 操作 ├── data/ # 练习用到的样例数据 └── lessons/ # 每课一个文件夹：notes.md + exercises/ └── 01-01-using-llm-in-the-shebang/ - 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。 - 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。 4. 自检 - 创建 check-env.ps1，逐项检查并记录“通过/未通过”： - 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。 - llm --version → 输出 LLM CLI 版本号 - head -1 pelican.sh → 显示 #!/usr/bin/env -S llm -f - ./calc.sh '2344 * 5252 + 134' --td → 显示 Tool call: multiply 与 add，并给出 12,310,822 - 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。 - 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。 - 运行一次，把结果给我看；未通过的项目说明原因和修复办法。 5. 学习计划 - README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。 - progress.md：每课三项勾选——读讲义、做练习、记笔记。 6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。 边界： - 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。 - 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。 如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。 ``` ### 开课提示词（macOS） ```text 请帮我把「Using LLM in the shebang line of a script」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。 开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。 课程入口：https://til.simonwillison.net/llms/llm-shebang 我的系统：macOS。如果实际不符，先调整方案。 本次路线：macOS：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。 练习：按页面顺序逐个复现脚本，并尝试修改提示词、替换模型、增加自己的 Python 工具函数。 课节（官方顺序）： 1. Using LLM in the shebang line of a script：https://til.simonwillison.net/llms/llm-shebang 1. 环境 - 类 Unix shell（支持 /usr/bin/env -S） - LLM CLI 已安装 - 已配置可用的模型访问 - 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。 2. 材料 - 官方课程页面：只记录链接 https://til.simonwillison.net/llms/llm-shebang 3. 目录（最外层放在我确认的位置） llm-shebang-scripts/ ├── README.md # 课程入口、课节清单、每次怎么开始 ├── progress.md # 每课：读讲义 / 做练习 / 记笔记 ├── questions.md # 待解决的问题 ├── check-env.sh # 环境自检，按 README 操作 ├── data/ # 练习用到的样例数据 └── lessons/ # 每课一个文件夹：notes.md + exercises/ └── 01-01-using-llm-in-the-shebang/ - 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。 - 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。 4. 自检 - 创建 check-env.sh，逐项检查并记录“通过/未通过”： - 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。 - llm --version → 输出 LLM CLI 版本号 - head -1 pelican.sh → 显示 #!/usr/bin/env -S llm -f - ./calc.sh '2344 * 5252 + 134' --td → 显示 Tool call: multiply 与 add，并给出 12,310,822 - 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。 - 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。 - 运行一次，把结果给我看；未通过的项目说明原因和修复办法。 5. 学习计划 - README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。 - progress.md：每课三项勾选——读讲义、做练习、记笔记。 6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。 边界： - 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。 - 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。 如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。 ``` ### 开课提示词（Linux） ```text 请帮我把「Using LLM in the shebang line of a script」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。 开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。 课程入口：https://til.simonwillison.net/llms/llm-shebang 我的系统：Linux。如果实际不符，先调整方案。 本次路线：Linux：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。 练习：按页面顺序逐个复现脚本，并尝试修改提示词、替换模型、增加自己的 Python 工具函数。 课节（官方顺序）： 1. Using LLM in the shebang line of a script：https://til.simonwillison.net/llms/llm-shebang 1. 环境 - 类 Unix shell（支持 /usr/bin/env -S） - LLM CLI 已安装 - 已配置可用的模型访问 - 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。 2. 材料 - 官方课程页面：只记录链接 https://til.simonwillison.net/llms/llm-shebang 3. 目录（最外层放在我确认的位置） llm-shebang-scripts/ ├── README.md # 课程入口、课节清单、每次怎么开始 ├── progress.md # 每课：读讲义 / 做练习 / 记笔记 ├── questions.md # 待解决的问题 ├── check-env.sh # 环境自检，按 README 操作 ├── data/ # 练习用到的样例数据 └── lessons/ # 每课一个文件夹：notes.md + exercises/ └── 01-01-using-llm-in-the-shebang/ - 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。 - 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。 4. 自检 - 创建 check-env.sh，逐项检查并记录“通过/未通过”： - 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。 - llm --version → 输出 LLM CLI 版本号 - head -1 pelican.sh → 显示 #!/usr/bin/env -S llm -f - ./calc.sh '2344 * 5252 + 134' --td → 显示 Tool call: multiply 与 add，并给出 12,310,822 - 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。 - 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。 - 运行一次，把结果给我看；未通过的项目说明原因和修复办法。 5. 学习计划 - README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。 - progress.md：每课三项勾选——读讲义、做练习、记笔记。 6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。 边界： - 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。 - 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。 如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。 ``` ### 每课提示词 ```text 继续学习「Using LLM in the shebang line of a script」。课程目录是 llm-shebang-scripts/（不知道完整路径就先问我）。 1. 读 progress.md，找到下一课；如果我指定了第几课，就准备那一课。 2. 打开这一课的官方页面和本地讲义，列出本课练习要用的工具、文件和样例数据。缺少的先告诉我，等我同意再安装或下载。 3. 在 lessons/ 对应的课节文件夹里准备好练习：exercises/ 里给每道题建一个文件，写上题号和题目原文链接，不写答案；已有文件保留，样例数据放到 data/。拿不到官方题目或起始代码时记录限制，不编造替代品。 4. 按 README 运行开课时生成的自检脚本或在线检查清单，并检查本课新增工具能否正常使用。 5. 告诉我：本课先读哪几节、从哪道练习开始、大约需要多久。我学完后，帮我在 progress.md 勾选并把问题整理到 questions.md。 边界： - 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。 - 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。 ``` ### 课节（官方顺序） 1. [Using LLM in the shebang line of a script]() ## 指南参考 - [课程主页]() ## 来源、许可与验证记录 - **开课提示词未完整验证，需要自备账号或资源**：LLM 命令行工具（llm.datasette.io），用于运行示例脚本；可调用的大模型访问（示例使用 gpt-5.4-nano 等模型），网页未说明获取方式；类 Unix 环境（sh、chmod、/usr/bin/env -S） - 转载与修改 · 课程页面与材料：未找到明确许可。页面未声明具体许可协议，仅提供 History、Edit 链接指向 GitHub 仓库 [依据]() - 链接检查：1/1 个可以访问 ## 来源与推荐 - 编辑整理收录 --- 来源：LearnMap · 学径（https://oplearnx.com）