LLM CLI-Tool als Shebang-Interpreter in Skriptdateien nutzen
Inspiriert von einem Hacker-News-Kommentar von Kim_Bruning untersucht Simon Willison Muster für den Einsatz seines LLM CLI-Tools in der Shebang-Zeile von Skriptdateien. Das einfachste Muster nutzt LLM Fragments: Eine einzige Shebang-Zeile wie `#!/usr/bin/env -S llm -f` genügt, um einen Prompt direkt aus dem Dateiinhalt auszuführen. Darüber hinaus lassen sich Tool-Calls via `-T name_of_tool` einbinden – im Beispiel ruft `llm_time` die aktuelle Uhrzeit ab. Besonders mächtig ist die YAML-Template-Variante, bei der Modell, System-Prompt und Python-Hilfsfunktionen (z. B. `add`, `multiply`) direkt im Skript-Header definiert werden. Mit der Option `--td` (Tools Debug) werden alle Tool-Aufrufe und Zwischenergebnisse ausgegeben. Willison zeigt zudem ein komplexeres Beispiel, das die Datasette SQL API nutzt, um Fragen über Blog-Inhalte zu beantworten. Als Modell kommt im YAML-Beispiel `gpt-5.4-mini` zum Einsatz.
- Einfachstes Muster: `#!/usr/bin/env -S llm -f` – führt den Dateiinhalt als LLM-Prompt via Fragments aus.
- Tool-Calls werden per `-T name_of_tool` eingebunden, z. B. `llm_time` für die aktuelle Uhrzeit.
- YAML-Templates im Skript-Header erlauben Definition von Modell, System-Prompt und Python-Funktionen wie `add` und `multiply`.
- Debug-Option `--td` gibt alle Tool-Aufrufe und Zwischenwerte auf der Konsole aus.
- Komplexeres Beispiel nutzt Datasette SQL API zur Beantwortung von Fragen über Blog-Inhalte.
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.
Verwandte Beiträge
- LAUNCHsimonwillison.net1w
llm-coding-agent 0.1a0: Simon Willison veröffentlicht Coding-Agent auf LLM-Basis
- MEINUNGtowardsdatascience.com3w
Kein Agent-Framework nötig: LLM-Workflows in purem Python bauen
- LAUNCHsimonwillison.net3d
llm-meta-ai 0.1: LLM-Plugin für die Meta AI API veröffentlicht
- MEINUNGtowardsdatascience.com3w
Strukturierte LLM-Ausgaben: JSON Mode vs. Function Calling im Vergleich
LLM CLI-Tool als Shebang-Interpreter in Skriptdateien nutzen
Inspiriert von einem Hacker-News-Kommentar von Kim_Bruning untersucht Simon Willison Muster für den Einsatz seines LLM CLI-Tools in der Shebang-Zeile von Skriptdateien. Das einfachste Muster nutzt LLM Fragments: Eine einzige Shebang-Zeile wie `#!/usr/bin/env -S llm -f` genügt, um einen Prompt direkt aus dem Dateiinhalt auszuführen. Darüber hinaus lassen sich Tool-Calls via `-T name_of_tool` einbinden – im Beispiel ruft `llm_time` die aktuelle Uhrzeit ab. Besonders mächtig ist die YAML-Template-Variante, bei der Modell, System-Prompt und Python-Hilfsfunktionen (z. B. `add`, `multiply`) direkt im Skript-Header definiert werden. Mit der Option `--td` (Tools Debug) werden alle Tool-Aufrufe und Zwischenergebnisse ausgegeben. Willison zeigt zudem ein komplexeres Beispiel, das die Datasette SQL API nutzt, um Fragen über Blog-Inhalte zu beantworten. Als Modell kommt im YAML-Beispiel `gpt-5.4-mini` zum Einsatz.
- Einfachstes Muster: `#!/usr/bin/env -S llm -f` – führt den Dateiinhalt als LLM-Prompt via Fragments aus.
- Tool-Calls werden per `-T name_of_tool` eingebunden, z. B. `llm_time` für die aktuelle Uhrzeit.
- YAML-Templates im Skript-Header erlauben Definition von Modell, System-Prompt und Python-Funktionen wie `add` und `multiply`.
- Debug-Option `--td` gibt alle Tool-Aufrufe und Zwischenwerte auf der Konsole aus.
- Komplexeres Beispiel nutzt Datasette SQL API zur Beantwortung von Fragen über Blog-Inhalte.
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.
Verwandte Beiträge
- LAUNCHsimonwillison.net1w
llm-coding-agent 0.1a0: Simon Willison veröffentlicht Coding-Agent auf LLM-Basis
- MEINUNGtowardsdatascience.com3w
Kein Agent-Framework nötig: LLM-Workflows in purem Python bauen
- LAUNCHsimonwillison.net3d
llm-meta-ai 0.1: LLM-Plugin für die Meta AI API veröffentlicht
- MEINUNGtowardsdatascience.com3w
Strukturierte LLM-Ausgaben: JSON Mode vs. Function Calling im Vergleich