当脚本的 Shebang 行遇见大模型：一种全新的“自然语言编程”范式
原文: Using LLM in the shebang line of a script
Simon Willison 展示了如何将 LLM 工具集成到脚本的 Shebang 行中，让自然语言描述直接成为可执行程序，这预示着编程交互方式的重大转变。
核心要点
- Shebang 行（#!/...）传统用于指定脚本解释器，现在可以指向 LLM 工具。
- 通过 LLM 工具的 `-f` 选项，可以将文件内容（自然语言指令）作为输入直接执行。
- 结合工具调用（-T）和 YAML 模板，可以实现包含外部函数（如计算、查询）的复杂任务。
- 这本质上是将“自然语言”提升为一种可被系统直接理解和执行的“编程语言”。
深度解读
这件事为什么重要？
你可能觉得这只是个技术小技巧，但它触及了编程范式演变的深层脉络。传统上，Shebang 行（#!/...）是告诉操作系统：“这个文件是一个脚本，请用 /usr/bin/python 或 /bin/bash 来运行它。” Simon Willison 的演示打破了这一固有认知：现在，你可以写一个文件，其第一行是 #!/usr/bin/env -S llm -f，然后从第二行开始用纯英文描述你想做的事，比如“Generate an SVG of a pelican riding a bicycle”。保存后，给它执行权限，运行它，系统就会调用 LLM 工具来生成这张图片。这不再是“写代码让机器执行”，而是“写描述让 AI 理解并执行”。
它改变了什么？
- 交互界面的革命：最直观的改变是，创建一个“程序”的门槛被降到了极致。你不需要学习 Python 语法，不需要知道如何调用 API，只需要能用语言清晰地描述你的需求。这就像给计算机下达了一个“自然语言命令行”。
- 从“过程式”到“声明式”的飞跃：传统编程是“过程式”的，你需要一步步告诉计算机怎么做（先定义变量，再循环，再判断）。而这种方式是“声明式”的，你只告诉计算机你想要什么（“生成一张鹈鹕骑自行车的 SVG”），具体怎么做（调用哪个模型、如何解析、如何生成）由 LLM 工具链在幕后完成。
- 工具调用的无缝集成：文章展示了更强大的模式：通过
-T选项调用工具（如llm_time获取当前时间），或通过 YAML 模板定义 Python 函数（如add,multiply）。这意味着你的“自然语言脚本”可以突破纯文本生成的局限，与真实世界互动（获取时间、执行计算、查询数据库）。这实际上是将 AI Agent 的能力封装在了最传统的脚本形式里。
这跟我有什么关系？
对于开发者而言，这提供了一种快速原型和自动化任务的新思路。你可以用它来快速创建处理文本、生成内容、回答问题的“一次性”工具，而无需搭建完整的应用框架。例如，创建一个脚本，每天自动总结你博客的最新文章，或者根据自然语言指令查询数据库并生成报告。
更深远的影响在于，它预示着“编程”定义的泛化。未来，与计算机协作的方式可能不再局限于编写严格的语法代码。清晰、准确地描述问题和需求，将成为一种核心的“编程”能力。这同时也对 LLM 的指令跟随能力、工具使用的可靠性提出了更高要求——你的“自然语言程序”是否健壮，完全取决于背后 AI 的“理解”和“执行”能力。
一个反常识的视角
很多人认为 AI 会“取代”程序员，但这个例子展示了另一种可能：AI 正在将“编程”的能力赋予更多人，同时也在重新定义“程序员”的工作内容。未来的“高级编程”可能不再是精通复杂算法，而是精通如何设计精准的提示（Prompt）、编排可靠的工具流（Tool Orchestration），以及验证 AI 的输出结果。从“写代码的人”转变为“设计意图和验证结果的人”。
总之，这个看似简单的技巧，像一枚棱镜，折射出 AI 时代人机交互的未来图景：更自然、更直接、更专注于意图而非实现。