# 把大模型命令塞进脚本第一行：用 shebang 直接跑 LLM

> 原标题：在脚本的shebang行中使用LLM

- 来源：AI HOT 精选
- 发布时间：2026-05-11T18:48:57.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/17661
- 原文：https://simonwillison.net/2026/May/11/llm-shebang

## 摘要

Simon Willison 试了一种很野的玩法：把 LLM 命令行工具直接写在脚本的 shebang 行里，让一个纯文本文件变成可执行脚本。最简单的例子是 `#!/usr/bin/env -S llm -f` 下面直接跟一句“画个骑自行车的鹈鹕 SVG”，就能生成图片。复杂一点的可以用 `-T` 参数调用外部工具（比如报时），或者直接在 YAML 模...

## 推荐理由

Simon Willison 这次没发新模型，也没推平台，就是演示了一个把 LLM 当 shebang 解释器的命令行玩法。我会先打个折：这更像一个巧妙的黑客技巧，不是生产级方案，正文也没披露错误率或延迟数据。但它的价值在于把“用自然语言写脚本”这件事拉到了终端里，fragments 和 -T 这些参数让例子能直接跑通，对经常写胶水脚本的开发者来说，看一眼就会想试试。整体属于低配 featured，因为影响范围还在 CLI 自动化这个圈子里，没往外扩。

## 锐评

这是个很“玩”的想法，但背后有实际用处：把自然语言指令直接当脚本跑。最简单的例子是 shebang 写 `#!/usr/bin/env -S llm -f`，下面跟一句“画个骑自行车的鹈鹕 SVG”，就能出图。复杂一点的可以用 `-T` 参数调用外部工具，比如报时；或者直接在 YAML 模板里用 Python 函数定义计算器，让模型自己调 multiply 和 add 算出 2344×5252+134=12,310,822。

这本质是把 LLM 当成一个能理解模糊指令、还能调用工具的脚本解释器。好处是门槛极低，坏处也很明显：每次执行都要调模型，延迟和成本比传统脚本高几个数量级，而且输出不稳定，不适合任何需要确定性的场景。

正文没提这种用法在生产环境的风险控制，也没给延迟或成本数据。如果是真的跑一次几毛钱、等两三秒，那对一次性小任务还行；但别指望它替代正经脚本。