作为开发者，我们对效率近乎偏执，而命令行无疑是效率的圣殿。我们已经习惯了用 grep、sed、awk 等工具像手术刀一样处理文本。但今天，有一个更强大的工具正等待我们将它纳入终端的工作流中——大型语言模型（LLM）。
很多人已经习惯在浏览器中的 ChatGPT、Claude 或 Google AI Studio 与 LLM 交互。但这种方式始终存在割裂感：复制、粘贴、切换窗口……阻碍了 AI 成为我们日常自动化工作流程的自然一环。
如果我们能像使用原生命令一样，在终端中直接调用最强大的 AI 模型，会发生什么？
这正是知名技术专家 Daniel Miessler 创建的开源项目 Fabric 想要解决的问题。
Fabric 不是另一个 ChatGPT 包装器，而是一个精巧的命令行框架，它的目标是：“使用 AI 增强人类天赋”。它通过一种叫 Pattern 的机制，把高质量 AI 指令模板与你本地的工作流结合起来，让你可以在终端中完成从内容生成到代码审查的一系列复杂任务。
Fabric 是什么？不仅仅是 API 封装
表面上看，Fabric 是一个连接 LLM API 的 Python CLI 工具，但其设计哲学远不止于此。它的核心是围绕“模式”（Pattern）构建的可复用 AI 工作流。
可以将 Pattern 理解为一个精心设计的指令模板（system prompt）。Fabric 内置了一些实用模式，例如：
summarize: 总结长文本内容code_review: 对代码进行审查并提出优化建议seo: 提供文本的 SEO 优化建议tldr: 快速生成简洁摘要write_video_script: 生成视频脚本草稿
最有价值的，是你可以自己创建或共享这些模式，把你独特的工作流方法固化成标准指令，供自己或团队反复调用。
快速上手：三步把 AI 融入终端
第 1 步：安装
通过 Homebrew 安装：
brew install fabric-ai
当然，你也可以用 pip 或源码安装，详见 项目主页。
第 2 步：配置
执行：
fabric --setup
这是一个交互式配置向导，会引导你完成以下内容：
- 选择 AI Provider：如
openai,google,claude等 - 选择模型：例如
gpt-4o,gemini-2.5-pro等 - 设置 API Key：手动输入或通过环境变量配置
小提示：薅 Google 的羊毛！
强烈推荐使用 Google AI Studio 提供的免费 API Key。撰写本文时，Gemini 1.5 Flash 免费版提供每分钟 15 次调用、每天 100 万 token 的额度，不仅可用于网页，还可用于 Fabric 与 Gemini CLI。
所有配置默认保存在 Linux 或 macOS 的 ~/.config/fabric/ 目录下。
第 3 步：运行你的第一个命令
以总结为例：
fabric -p summarize --text "这里是一段非常非常长的文章内容..."
你将获得一段简洁清晰的摘要。而这只是起点，真正强大的是 Fabric 对“管道”的原生支持。
核心架构解析
Fabric 的关键组成如下：
- Pattern（模式）：灵魂所在。一个
.md文件定义 AI 的角色、目标、输出格式等。所有内置命令本质上都是不同的 Pattern。 - Provider（提供商）：底层的 LLM API，比如 OpenAI、Gemini、Claude。
- Model（模型）：在 setup 阶段选择的具体模型，如
gpt-4o、gemini-2.5-pro等。 - fabric CLI：命令行接口，支持读取输入（文件、管道、
--text）、加载 Pattern 并提交请求。 - suggest：让 AI 来优化 Pattern 本身，实现“AI 改进 AI Prompt”的元编程体验。
例如：
fabric -p summarize --suggest "Make the summary more concise and use bullet points."
杀手级特性：让 AI 真正成为你命令行的管道组件
1. 与管道工具无缝集成
Fabric 遵循 Unix 哲学，支持标准输入 / 输出流，能与任意命令组合使用：
cat long_article.txt | fabric -p summarize
cat my_script.py | fabric -p code_review
lynx -dump "https://some-website.com" | fabric -p tldr
这才是真正将 AI 变成 CLI 工作流一部分的关键。
2. 自定义模式：把你的方法论变成工具
问题：默认 Pattern 用英文 prompt，处理中文不理想
解决：创建属于你的中文模式
① 找到模式目录：
运行 fabric --list 查看模式列表，路径通常是：
- 系统级目录：
site-packages/fabric/patterns/ - 用户配置目录：
~/.config/fabric/patterns/
② 创建中文模式：
vim ~/.config/fabric/patterns/summarize_chinese.md
③ 编写 Prompt：
你是一个非常优秀的中文内容总结助手。请使用简洁、流畅的中文，为以下提供的文本内容生成一份核心要点摘要，并以无序列表（bullet points）的形式呈现。
请总结以下文本：
④ 使用自定义模式：
cat blog.md | fabric -p summarize_chinese
就这样，你将自己的知识转化成了一个随时可用、可复用的 CLI 工具。
Fabric CLI 速查表
| 命令 | 作用 | 示例 |
|---|---|---|
fabric --setup | 启动配置向导 | fabric --setup |
-p <pattern> | 使用某个 Pattern | fabric -p summarize |
--text "..." | 直接传入文本 | fabric -p tldr --text "..." |
--stream | 流式输出 | fabric -p write_blog_post --stream |
--list | 查看所有模式 | fabric --list |
--edit | 编辑某个模式 | fabric -p summarize --edit |
--suggest "..." | 改进模式 Prompt | fabric -p code_review --suggest "Focus on security." |
--model <name> | 临时指定模型 | fabric -p summarize --model gpt-4o |
--copy | 将结果复制到剪贴板 | fabric -p summarize --copy |
总结：AI 管道化，不只是工具，而是一种思维方式
Fabric 实现了它“增强人类天赋”的承诺。它不是另一个 AI 聊天工具，而是一种让你将 LLM 变成标准化流程节点的方式。 它推动我们从“和 AI 聊天”转向“指挥 AI 工作”。
你写一个 Pattern，就是在定义一个微型自动化系统。你把这些系统串成管道，AI 就成了你操作系统的一部分。
如果你是开发者、写作者、研究员，或任何与信息密集打交道的人，试着把 Fabric 接入你已有的命令行工具链，它可能会成为你效率系统中的下一个关键组件。