技能介绍

它解决什么问题

在终端里直接用大模型，最常见的痛点是“换一个模型就要改环境变量、重装一套工具”。聊天、检索本地资料、生成 Shell 命令往往分散在不同脚本里：RAG 要单独跑向量库，Shell 助手要接第三方桥，工具链一多，调试成本立刻上来。

它如何工作

aichat 把 chat-REPL、Shell 命令生成、RAG 和常用 AI 工具打成一个二进制。它连接 20 多个提供商，包括 OpenAI、Claude、Gemini 和 Ollama；配置好模型与凭据后，同一入口即可切换到不同模型。

核心流程很直接：

对话模式：终端里启动 aichat，进入 REPL 连续提问，上下文留在会话内。
Shell 助手：说明需求（例如“把当前目录 tar 打包并按日期命名”），助手生成可直接执行的命令；执行前保留人工确认环节。
RAG 检索：把本地文档放入检索范围，用 /rag 指令触发召回，让回答带上资料依据。
多提供商：通过统一配置选择后端，不必为每个模型改写调用方式。

适用边界与注意点

生成的命令是建议，不是审计结论；对生产环境或破坏性操作，仍应先 review 再执行。RAG 的效果取决于文档清洗和切片策略，脏数据会直接拉低召回质量。提供商可用性、速率限制和凭据管理由使用者自行处理，/help 与 /config 只能定位配置问题，不能绕过模型侧策略。长上下文和重检索可能带来明显延迟，适合交互式编码与日常运维，不建议当成低延迟在线服务。