告别死记硬背查命令：我用 AI 半天写了个 AI 命令行

这几天在 Linux 开发机疯狂敲命令的时候，我发现自己陷入了一个尴尬又低效的循环：脑子里的命令记得模模糊糊，导致需要频繁地在百度和AI助手之间切换，复制命令，再回到终端粘贴执行。更令人沮丧的是，网上找来的命令常常水土不服，第一次跑不通，又得回头继续搜索......三番五次下来，耐心几乎被消磨殆尽，拿刀来。

就在这时，一个念头闪过：为什么不自己写一个 AI 命令行工具呢？我只需要用大白话描述我的需求，AI 就能自动翻译成精准的命令。我扫一眼确认无误，直接回车执行，简直酷毙啦！

下面跟大家讲讲我的心路历程～

---

从想法到放弃，只用了一秒

自己写一个？说干就干......吗？我可不想自己干。

一想到要初始化项目、安装各种依赖、编写 HTTP 请求和模型转发、调试糟心的提示词（Prompt），我就头大。这套流程下来，没有一天开发、一天调试根本搞不定。而且，如果花了两天时间，最后做出来的东西不好用，那不就白折腾了？

转机：让 AI 来构建 AI 工具

最近我用 AI 编程颇有心得，本着"免费的劳动力不用白不用"的原则（主要是KIRO现在还可以免费薅羊毛），我决定把这个任务"外包"给我的 AI 编程助手 - Kiro。我只需要动动嘴（敲几下键盘），让它来完成所有繁重的工作。

最终的成品效果惊人，简直是"召之即来，挥之即去"。无论是整理桌面文件，还是查看内存占用，它都能精准响应，指哪打哪。再装到 Linux 机器上，简直起飞了。

一开始，我也不知道 AI 能否准确理解我的意图，我给它写了一段非常朴素的提示词，甚至连 API 的调用代码都是直接从智谱 AI 官网复制粘贴的，主打一个"绝不动脑"，想到哪里写到哪里，很飘逸。（有图为证，哈哈哈）

帮我构建一个node cli工程，这个工程的效果是用户只要输入 ask xxx，就会把 xxx 的文字，转换成 真正可以执行的命令。方便用户遗忘不同平台的命令行语法。使用node+ts语法编写，准备后构建命令。

具体的功能：
1、ask指令会获得用户的系统类型和版本，然后结合xxx组装一个prompt，传给大模型。
2、要使用env-paths这个库，把AI模型的配置文件写入配置中。使用ask config 可以使用打开这个文件。可以配置模型的API地址，模型名称和KEY。第一版需要支持...[智谱AI的API代码]...这个AI链接方式。
-----
全程命令使用 pnpm,并测试是否可以用。例如：
ask 删除3000端口进程

接下来，就是见证奇迹的时刻。 Kiro 开始了它的表演：

从项目初始化、代码编写到功能测试，每一步都清晰明确。

整个过程只花了大约 10 分钟。甚至最后，它还准备帮我把项目发布到 GitHub 和 NPM。不得不感叹，在编码这块，还是 Claude 4 模型更胜一筹。 (不过还是吐槽一下 Kiro 的 Vibe模式还是好用的，Spec模式我觉得太重了，难用)

---

成果展示与用法：ask2-ai-cli

创意就这么变成了现实。这个工具，我把它命名为 ask2-ai-cli。

• NPM 地址 : www.npmjs.com/package/ask...
• GitHub 地址 : github.com/zhump/ask2-...

实际的效果也很惊艳～

下面是它的基本用法，非常简单：

第一步：安装

通过 npm 或 pnpm 进行全局安装。

npm install -g ask2-ai-cli
# 或者
pnpm add -g ask2-ai-cli

第二步：配置 API Key

你需要一个大模型 API Key 来驱动它。这里我推荐去[智谱AI开放平台]-(bigmodel.cn/) 注册，他们会送了一些免费额度，对于我们这种命令行场景完全够用。模型推荐使用 glm-4.5-airx，响应速度快，既省钱又准确。（真不是广告，纯属自来水推荐！我都没贴注册推荐链接）

安装完成后，运行配置命令：

ask config

这个命令会自动打开配置文件（一个 config.json 文件）。你只需要将你的 API Key、模型名称等信息填入即可。

{
  "API_KEY": "YOUR_API_KEY",
  "BASE_URL": "https://open.bigmodel.cn/api/paas/v4/chat/completions",
  "MODEL": "glm-4.5-airx"
}

第三步：开始使用！

现在，你可以像和人对话一样，让它帮你生成命令了。

示例 1：查询并终止端口进程

忘记 lsof 和 kill 的组合技了？没关系，直接问：

ask 帮我找到占用3000端口的进程并干掉它

AI 会生成类似 kill -9 $(lsof -t -i:3000) 的命令，并询问你是否执行。你只需按下回车。

示例 2：文件操作

想要查找大文件，或者打包压缩？

> ask 查看当前目录体积最大的前10个文件
ls -lh | sort -rh -k 5 | head -n 10

> ask 将所有.md文件打包成 a.tar.gz
tar -czvf a.tar.gz *.md

示例 3：系统信息查询

查询网络或系统信息也易如反掌。

> ask 查看本机ip
ifconfig | grep "inet "

> ask 查看内存使用情况
top -l 1 | head -n 10 | grep PhysMem

# 调戏它一下
> ask 五花肉怎么做
open "https://www.baidu.com/s?wd=五花肉怎么做" ##还得是你

AI 会结合你的操作系统（Windows, macOS, Linux）生成最合适的命令，你不再需要为人脑适配不同平台的语法而烦恼。 追加-d参数，就能看到所有的过程，包括提示词哦。

 ~ % ask 我桌面图片文件有多少兆 -d

🔧 [DEBUG] Starting stage: Initialization
⠋ AI is thinking...✅ [DEBUG] Completed stage: Initialization (12ms)
🔧 [DEBUG] Starting stage: Get system info
✅ [DEBUG] Completed stage: Get system info (11ms)
🔧 [DEBUG] Starting stage: Build prompt
📝 [DEBUG] Prompt sent to AI:
────────────────────────────────────────────────────────────
You are a command-line assistant. Convert natural language requests into executable commands for the specified system.
System Information:
- Operating System: macOS (darwin)
- Architecture: arm64
- Shell: zsh
- Available package managers: brew (preferred: brew)
- Project Type: general
User Request: "我桌面图片文件有多少兆"

CRITICAL OUTPUT FORMAT REQUIREMENTS:
- Return ONLY the executable command, nothing else
- NO markdown code blocks (```bash or ``` or backticks)  
- NO explanations or descriptions
- NO extra text before or after the command
- The response should be ready to execute directly when user presses Enter
Technical Requirements:
1. Command must be compatible with macOS system
2. Use safe, commonly-used options and parameters  
3. Use zsh shell syntax
4. For package management, prefer brew
5. For file/directory operations:
   - Use appropriate flags (e.g., -r for directories, -f for force)
   - Consider whether target is file or directory
   - Use safe deletion methods when possible
Important Notes:
- For deleting directories: use 'rm -rf' or 'rmdir' as appropriate
- For deleting files: use 'rm -rf' with appropriate flags  
- For system operations: include necessary privileges (sudo) when required
- Always generate working, tested command patterns
Generate the executable command now:
────────────────────────────────────────────────────────────
✅ [DEBUG] Completed stage: Build prompt (0ms)
🔧 [DEBUG] Starting stage: AI generate command
⠏ AI is thinking...
🤖 [DEBUG] AI raw response:
────────────────────────────────────────────────────────────
find ~/Desktop -type f -name "*.jpg" -o -name "*.jpeg" -o -name "*.png" -o -name "*.gif" -o -name "*.bmp" -o -name "*.tiff" -o -name "*.webp" | xargs ls -la | awk '{sum += $5} END {print sum/1024/1024 " MB"}'
────────────────────────────────────────────────────────────
✅ [DEBUG] Completed stage: AI generate command (735ms)
🔧 [DEBUG] Starting stage: Display result
Suggested command:
find ~/Desktop -type f -name "*.jpg" -o -name "*.jpeg" -o -name "*.png" -o -name "*.gif" -o -name "*.bmp" -o -name "*.tiff" -o -name "*.webp" | xargs ls -la | awk '{sum += $5} END {print sum/1024/1024 " MB"}'
⚠️  Please review the command carefully before execution!
✅ [DEBUG] Completed stage: Display result (1ms)
🔧 [DEBUG] Starting stage: Wait user choice
Choose action:
  Enter - Execute command
  N - Exit
  C - Change answer
  E - Explain command
Please choose (Enter/N/C/E): 
✅ [DEBUG] Completed stage: Wait user choice (1702ms)
🔧 [DEBUG] Starting stage: Execute command
Executing command: find ~/Desktop -type f -name "*.jpg" -o -name "*.jpeg" -o -name "*.png" -o -name "*.gif" -o -name "*.bmp" -o -name "*.tiff" -o -name "*.webp" | xargs ls -la | awk '{sum += $5} END {print sum/1024/1024 " MB"}'
──────────────────────────────────────────────────
354.886 MB
──────────────────────────────────────────────────
✅ Command executed successfully
✅ [DEBUG] Completed stage: Execute command (3133ms)
📊 [DEBUG] Execution timing statistics:
────────────────────────────────────────
  Initialization: 12ms (0.2%)
  Get system info: 11ms (0.2%)
  Build prompt: 0ms (0.0%)
  AI generate command: 735ms (13.1%)
  Display result: 1ms (0.0%)
  Wait user choice: 1702ms (30.4%)
  Execute command: 3133ms (56.0%)
────────────────────────────────────────
  Total time: 5594ms

持续迭代：与 AI 一起"二次开发"

当工具的雏形落地后，我继续"抓着 AI 的手"，让它帮我迭代。陆陆续续地加入了许多新功能，比如优化交互、支持更多模型配置等等。直到最终形态让我满意，我才把它推荐给了身边的亲朋好友。

AI 就是好用，你说话，它干活。。

如果你也对这个工具有兴趣，不妨试试看。当然，你也可以自行尝试接入 OpenRouter、阿里百炼等其他模型，谁免费好用就用谁。我突然又想到一个新功能：也许可以做一个命令，让用户快速切换本地配置好的不同模型！也欢迎大家到 GitHub 提交 PR，一起让它变得更强大！

写在最后

ai coding 给我的冲击和惊喜还是很大的。 它可以快速推进工程进入中期进度，但是随着需求和复杂度增加，就会出现乏力，现阶段人工还是决定了这个工程能到的上限。

就像自动驾驶没有完全进入L5，可以成为很有力的辅助，做不到完全放开方向盘，否则就会失控。失控后的无力感会让你想放弃。

不过很难否认，有一天真正的 AGI 来临，不仅改变的是开发方式，更可能是全新的用户产品侧的表达方式。在这个期间，建议新手程序员基于ai快速学习，中级程序员基于现有的工程项目经验里，在ai的基础上提升效率和上限。老炮程序员就随便玩啦，不过我建议利用ai快速扩展其他领域的工程能力，形成新的知识正向循环。

---

不扯了，下班。