把AI裝進終端？嵌入式命令行效率神器

例如：

• 想用 find 找出某類文件；
• 想用 grep 從日志里過濾錯誤；
• 想查當前目錄下最大的 10 個文件；
• 想臨時寫個腳本批量處理文件；
• 想看構建日志到底錯在哪里。

這時候我們通常會打開瀏覽器搜索。ShellGPT 解決的就是這個小問題：把大模型接到終端里，讓我們直接在命令行里描述需求，讓它先生成命令、代碼片段，或者給出一段日志分析。

注意，這里說的是先生成草稿。ShellGPT 不是替代我們理解 Linux，更不是讓我們閉著眼睛執行命令。最終要不要執行，還是要自己判斷。

1. 什么是 ShellGPT

ShellGPT 是一個 Python 寫的命令行工具，命令名叫 sgpt。

GitHub 倉庫：https://github.com/TheR1D/shell_gpt

PyPI 項目頁：https://pypi.org/project/shell-gpt

它的基本用法：

sgpt "你的問題"

生成 Shell 命令：

sgpt --shell "find all json files in current folder"

--shell 也可以寫成 -s。上面這個例子通常會生成：

find . -type f -name "*.json"

Shell 模式下不會直接悄悄執行，而是會提示：

[E]xecute, [M]odify, [D]escribe, [A]bort:

這幾個選項很好理解：

• E：執行；
• M：修改；
• D：解釋；
• A：放棄。

剛開始使用時，建議多選 D 看解釋。涉及 rm、dd、mkfs、燒錄、權限修改這類命令，更不能直接回車。

ShellGPT 的整體鏈路如下：

2. 安裝與后端選擇

ShellGPT 本身不是大模型。它只是命令行客戶端，真正生成內容的是后端模型。

當前倉庫的 pyproject.toml 要求：

Python >= 3.10

安裝命令：

pip install shell-gpt

如果你的環境里 pip 不確定對應哪個 Python，可以寫成：

python3 -m pip install shell-gpt

查看版本：

sgpt --version

安裝完成后，先簡單測試：

sgpt "hello"

ShellGPT 的后端選擇可以先看這張圖：

如果第一次運行時沒有 API Key，ShellGPT 會提示輸入，并寫入：

~/.config/shell_gpt/.sgptrc

后面不管接 OpenAI、DeepSeek，還是本地 Ollama，主要都是改這個配置文件。

3. 使用云端 OpenAI 兼容接口

ShellGPT 默認使用 OpenAI 兼容接口。這里的“OpenAI 兼容”不等于只能使用 OpenAI 官方服務。只要平臺提供 OpenAI Chat Completions 兼容接口，一般就可以通過下面三個配置接入：

OPENAI_API_KEY=你的API Key
API_BASE_URL=接口地址
DEFAULT_MODEL=模型名

這幾個配置的含義是：

• OPENAI_API_KEY：平臺的 API Key；
• API_BASE_URL：平臺提供的 OpenAI 兼容接口地址；
• DEFAULT_MODEL：要調用的模型名。

這里有個容易誤會的地方：配置項名字叫 OPENAI_API_KEY，但不代表只能填 OpenAI 官方 Key。接 DeepSeek 時，這里填 DeepSeek API Key 即可。

3.1 使用 DeepSeek

DeepSeek API 支持 OpenAI 兼容格式，所以 ShellGPT 不需要改代碼，只需要改配置。

DeepSeek API 文檔：https://api-docs.deepseek.com/zh-cn/

編輯配置文件：

vim ~/.config/shell_gpt/.sgptrc

寫入或修改：

OPENAI_API_KEY=你的DeepSeek API Key
API_BASE_URL=https://api.deepseek.com
DEFAULT_MODEL=deepseek-v4-pro

如果更關注速度和成本，也可以改成：

DEFAULT_MODEL=deepseek-v4-flash

DeepSeek 舊模型名 deepseek-chat、deepseek-reasoner 已于北京時間 2026-07-24 23:59 棄用。新配置建議直接使用 deepseek-v4-pro 或 deepseek-v4-flash。

配置完成后，先用低風險問題測試：

sgpt "用一句話解釋什么是設備樹"

再測試命令生成：

sgpt -s "查看當前目錄下最大的10個文件"

DeepSeek 仍然是云端接口。日志、代碼、Token、IP、客戶信息等敏感內容，發送前最好先脫敏。模型名、價格和計費規則也可能變化，實際使用時以 DeepSeek 控制臺和官方文檔為準。

4. 使用 Ollama / 本地模型

如果不想每次都調用云端 API，也可以讓 ShellGPT 連接本地模型。常見做法是使用 Ollama。

Ollama 官網：https://ollama.com/

本地模型一般不需要按云端 API 計費，日志和代碼通常也不需要發到云端。但數據是否離開本機，仍然取決于你的部署方式和配置。

配置思路如下：

API_BASE_URL=http://localhost:11434/v1
DEFAULT_MODEL=<你的模型名>
USE_LITELLM=true

這里重點是 USE_LITELLM=true。當前 ShellGPT 源碼里，只有打開這個配置，才會通過 LiteLLM 調用本地模型。

本地模型效果不一定穩定。命令能不能寫準，和模型能力、提示詞、問題描述都有關系。

5. 常見使用場景

嵌入式 Linux 開發中，比較適合先用 ShellGPT 起草的場景如下：

5.1 忘記命令參數

例如查找大文件：

sgpt -s "查找大于500M的文件"

可能得到：

find / -type f -size +500M 2>/dev/null

這類命令短、容易檢查，比較適合讓 ShellGPT 先生成。

5.2 分析日志

看內核日志時，可以先過濾再交給 ShellGPT：

dmesg | grep -i i2c | sgpt "找出這里面可能的錯誤，并說明原因"

串口日志也類似：

cat uart.log | sgpt "分析這些串口日志，看看有沒有通信異常"

這里要注意：日志分析只能作為線索。真正定位問題，還要結合原理圖、驅動代碼、設備手冊和實際波形。

5.3 寫小腳本

sgpt --code "寫一個bash腳本，批量把當前目錄下所有.c文件重命名為.cpp"

--code 會盡量只輸出代碼。涉及批量重命名、批量刪除、批量修改文件內容時，建議先在測試目錄里跑一遍。

5.4 生成提交信息

git diff | sgpt "Generate git commit message for my changes"

這個用法適合生成草稿。最終 commit message 還是要自己確認是否準確。

6. 其他功能簡單了解

ShellGPT 還有 Shell 集成、Chat/REPL、Roles、Function calling 等功能。關系可以先看這張圖：

6.1 Shell 集成

sgpt --install-integration

當前源碼里只支持 Bash 和 Zsh。安裝后會往 .bashrc 或 .zshrc 追加配置，默認快捷鍵是 Ctrl+l。

6.2 Chat / REPL

普通 sgpt 每次問答沒有連續上下文。如果想保留上下文，可以使用：

sgpt --chat debug_i2c "我在調試一個I2C設備，設備地址是0x3C"
sgpt --chat debug_i2c "幫我整理一下接下來可以檢查哪些地方"

也可以進入連續交互模式：

sgpt --repl temp

6.3 Roles

Roles 可以理解為預設輸出要求：

sgpt --create-role json_generator
sgpt --role json_generator "random: user, password, email"

6.4 Function calling

sgpt --install-functions

這個功能風險更高，因為模型可能調用本機函數甚至執行命令。剛開始使用 ShellGPT 時，不建議急著開啟。

7. 使用時要注意的問題

最重要的注意事項放在一張圖里：

簡單說就是三句話：

第一，不要執行自己看不懂的命令。

第二，涉及刪除、格式化、燒錄、權限修改的命令要格外小心。

第三，云端模型不要隨便上傳敏感日志、代碼和客戶信息。

8. 總結

ShellGPT 本質上是一個把大模型接入終端的工具。它能幫我們生成命令、解釋命令、寫代碼片段、分析文本、保存連續對話。

對嵌入式 Linux 開發者來說，很多問題也都和命令、日志、腳本有關。把這些問題直接在終端里問出來，有時候確實能少切幾次瀏覽器，也能更快得到一個排查方向。

END

作來源：嵌入式大雜燴