工具名称

核心定位

开发 / 所属方

核心依赖

关键特性

shellqpt

专注「Shell 命令生成 / 执行」的轻量 AI 工具

第三方开源

OpenAI API（GPT 系列）

配置极简、仅输出命令、无多余功能

Open Interpreter

本地运行的「全能命令行 AI」，支持代码 / 命令 / 文件操作

开源社区

本地大模型 / OpenAI API

自动执行命令、支持文件操作、可离线、K8s 自动化

Claude CLI

Anthropic 官方的「Claude 命令行客户端」

Anthropic

Claude API（需密钥）

官方支持、解释详细、多模型可选、K8s 配置生成

Claude Code

Anthropic 专为「代码场景」优化的 Claude 变体

Anthropic

Claude API

代码生成 / 调试能力强、支持多语言、K8s YAML/Helm 开发

Aider

「代码协作 AI」，聚焦代码修改 / 提交 / 调试

开源社区

GPT/Claude API

绑定代码文件、支持 Git、直接改文件、K8s GitOps 协作

Copilot CLI

GitHub 官方的「命令行助手」，绑定 Copilot 账号

GitHub（微软）

Copilot 订阅 / OpenAI API

多方案输出、终端集成好、有使用提醒、K8s 命令解释

# 1. 安装（Python环境）

pip install shellqpt

# 2. 配置OpenAI API密钥（必填）

export OPENAI_API_KEY="你的OpenAI密钥"  # Windows用set替代export

# 3. 验证配置是否成功

shellqpt "列出当前目录下所有txt文件"

# K8s集成额外配置（可选）：确保kubeconfig生效

export KUBECONFIG=~/.kube/config  # 指定K8s配置文件路径

# 1. 安装（Python环境）

pip install open-interpreter

# 2. 两种运行模式（新手优先选API模式）

# 方式1：云端API模式（需OpenAI密钥，简单稳定）

export OPENAI_API_KEY="你的OpenAI密钥"

interpreter  # 启动工具

# 方式2：本地运行模式（无需密钥，需显卡/8G+内存）

# 先安装本地模型依赖

pip install open-interpreter llama-cpp-python

# 下载本地模型（需自行获取合法模型文件，如llama-3-8b-instruct.Q4_K_M.gguf）

# 推荐下载地址：https://huggingface.co/TheBloke

# 启动本地模式

interpreter --model llama-cpp --model-path /path/to/你的模型文件.gguf

# 3. 可选：设置默认配置（修改配置文件）

echo '{"model": "gpt-4o", "auto_run": false}' > ~/.config/open-interpreter/config.json

# K8s集成额外配置（可选）

export KUBECONFIG=~/.kube/config  # 绑定K8s集群

# 安装K8s Python客户端（增强K8s操作能力）

pip install kubernetes

# 1. 安装（Python环境）

pip install anthropic-cli

# 2. 配置Claude API密钥（需从Anthropic官网申请）

export ANTHROPIC_API_KEY="你的Claude密钥"  # Windows用set替代export

# 3. 验证配置（生成Shell脚本示例）

anthropic chat \

  --model claude-3-sonnet-20240229 \  # 指定模型版本（必填）

  --prompt "写一个批量重命名当前目录下所有jpg文件为时间戳格式的Shell脚本"

# K8s集成额外配置（可选）

export KUBECONFIG=~/.kube/config  # 绑定K8s集群

# 注意：Claude Code无独立CLI工具，需通过Claude CLI调用代码优化模型

anthropic chat \

  --model claude-3-code-20240229 \  # 代码专用模型版本

  --prompt "调试这个Python脚本的语法错误并优化：

print('hello'  # 少了右括号

x = 10

if x > 5:

print('x大于5')  # 缺少缩进"

# K8s集成额外配置（可选）

export KUBECONFIG=~/.kube/config  # 绑定K8s集群

# 1. 安装（Python环境）

pip install aider

# 2. 配置API密钥（二选一：GPT或Claude）

# 方式1：使用OpenAI GPT

export OPENAI_API_KEY="你的OpenAI密钥"

# 方式2：使用Claude

export ANTHROPIC_API_KEY="你的Claude密钥"

# 3. 初始化（必须绑定代码文件/仓库才能使用）

# 绑定单个文件

aider main.py

# 绑定多个文件

aider main.py utils.py tests/test_main.py

# 绑定通配符匹配的文件

aider --glob "*.py" --glob "tests/*.py"

# K8s集成额外配置（可选）

export KUBECONFIG=~/.kube/config  # 绑定K8s集群

# 绑定K8s配置文件/Helm图表

aider --glob "k8s/**/*.yaml" --glob "helm/**/*.yaml"

# 1. 安装（需Node.js环境，先安装Node.js再执行）

npm install -g @githubnext/github-copilot-cli

# 2. 登录授权（绑定GitHub账号，需已订阅Copilot）

github-copilot-cli auth

# 3. 配置别名（简化调用，推荐配置）

eval "$(github-copilot-cli alias -- "$0")"  # 临时生效

# 永久生效（bash用户）：

echo 'eval "$(github-copilot-cli alias -- "$0")"' >> ~/.bashrc

source ~/.bashrc

# 永久生效（zsh用户）：

echo 'eval "$(github-copilot-cli alias -- "$0")"' >> ~/.zshrc

source ~/.zshrc

# 4. 验证配置

copilot "查看本机IP地址"  # 生成命令

copilot explain "find . -name '*.log' -mtime +7 -delete"  # 解释命令

# K8s集成额外配置（可选）

export KUBECONFIG=~/.kube/config  # 绑定K8s集群

# 配置K8s专属别名（可选）

alias c-k8s="copilot chat --agent k8s"  # 快速调用K8s智能体

工具

输入指令（自然语言）

输出结果特点

示例输出

shellqpt

shellqpt "统计当前目录下所有文件的数量"

仅输出纯命令，无任何解释，简洁高效

ls -l

Open Interpreter

启动后输入：统计当前目录下所有文件的数量

先输出命令，询问是否执行，执行后返回结果（一站式完成）

命令：ls -l

Claude CLI

anthropic chat --model claude-3-sonnet-20240229 --prompt "统计当前目录下所有文件的数量"

输出命令 + 详细解释（包括命令各部分含义），不自动执行，适合学习

命令：ls -l

Copilot CLI

copilot "统计当前目录下所有文件的数量"

输出多种实现方式 + 简要说明，新手可选择最易理解的命令

方案 1：ls

工具

操作步骤与指令

效果与特点

Aider

1. 执行：aider main.py 输入需求：给 main.py 添加一个接收两个参数并返回求和结果的 Python 函数

直接修改 main.py 文件，在指定位置添加函数，无需手动复制粘贴；支持实时查看修改内容

Open Interpreter

1. 启动 interpreter 输入：打开当前目录的 main.py，添加一个求和函数（参数 a 和 b，返回 a+b）

先展示修改方案（代码片段），询问是否执行修改，确认后直接更新文件

Claude Code

anthropic chat --model claude-3-code-20240229 --prompt "打开 main.py，添加一个求和函数（a 和 b），并处理非数字参数的异常"

输出完整的修改后代码片段 + 修改说明，需手动复制粘贴到文件中；异常处理逻辑完善

Copilot CLI

copilot "写一个 Python 求和函数，参数 a 和 b，处理非数字异常，然后帮我添加到 main.py"

输出函数代码 + 添加步骤说明（如 “在文件第 10 行后插入以下代码”），需手动操作

工具

输入指令（自然语言）

效果与特点

Open Interpreter

输入：把当前目录下所有 txt 文件移动到新建的 text 文件夹中，如果 text 文件夹不存在则创建

自动执行 “创建文件夹 + 移动文件” 全流程，返回执行结果（成功 / 失败提示），无需手动干预

shellqpt

shellqpt "把当前目录下所有 txt 文件移动到新建的 text 文件夹"

输出完整命令（mkdir -p text && mv *.txt text/），需手动执行命令

Copilot CLI

copilot execute "把当前目录下所有 txt 文件移动到新建的 text 文件夹"

输出命令 + 执行前提醒（如 “确认要移动以下文件：xxx.txt、yyy.txt”），确认后执行

Claude CLI

anthropic chat --model claude-3-sonnet-20240229 --prompt "写一个脚本，把当前目录下所有 txt 文件移动到 text 文件夹，文件夹不存在则创建"

输出完整 Shell 脚本 + 注释说明，需手动保存脚本并执行

# 1. 创建通用模板文件（如~/shellqpt_template.txt）

echo '你是专业Shell工程师，仅输出可直接执行的Shell命令，不添加任何解释、注释、换行，用户需求：{user_query}' > ~/shellqpt_template.txt

# 2. 配置shellqpt使用该模板

export SHELLQPT_PROMPT_TEMPLATE=$(cat ~/shellqpt_template.txt)

# 3. 测试效果：仅输出纯命令，无多余内容

shellqpt "找出当前目录下7天前创建的log文件并删除"

# 输出示例：find . -name "*.log" -ctime +7 -delete

# K8s专用模板（可选）

echo '你是K8s命令专家，输出仅含可执行kubectl命令，复杂操作需加--dry-run=client验证，用户需求：{user_query}' > ~/k8s_shellqpt_template.txt

export SHELLQPT_PROMPT_TEMPLATE=$(cat ~/k8s_shellqpt_template.txt)

shellqpt "创建3个副本的Nginx Deployment，暴露80端口"

# 输出：kubectl create deployment nginx --image=nginx:latest --replicas=3 --dry-run=client -o yaml > nginx-deploy.yaml && kubectl expose deployment nginx --port=80 --type=ClusterIP --dry-run=client -o yaml >> nginx-deploy.yaml

# 批量处理脚本：batch_shellqpt.sh

#!/bin/bash

# 定义需要处理的需求列表

QUERIES=(

  "统计每个子目录下的txt文件数量，输出到report.txt"

  "压缩当前目录下所有大于100M的zip文件为tar.gz格式"

  "备份/etc目录下所有.conf文件到/backup/configs目录，保留目录结构"

  "找出当前目录下所有空文件并删除"

)

# 循环处理每个需求

for query in "${QUERIES[@]}"; do

  echo "=== 开始处理需求：$query ==="

  # 生成命令

  cmd=$(shellqpt "$query")

  echo "生成的命令：$cmd"

  # 执行命令（&& 确保前一个成功才继续，|| 输出失败信息）

  eval "$cmd" && echo "需求处理成功" || echo "需求处理失败"

  echo "-------------------------"

done

chmod +x batch_shellqpt.sh

./batch_shellqpt.sh

# K8s批量脚本示例（batch_k8s_shellqpt.sh）

#!/bin/bash

K8S_QUERIES=(

  "列出所有命名空间的Running状态Pod"

  "查看metallb命名空间的Pod日志"

  "扩容default命名空间的nginx Deployment到5副本"

  "备份default命名空间的所有Deployment配置到yaml文件"

)

export SHELLQPT_PROMPT_TEMPLATE=$(cat ~/k8s_shellqpt_template.txt)

for query in "${K8S_QUERIES[@]}"; do

  echo "=== 处理K8s需求：$query ==="

  cmd=$(shellqpt "$query")

  echo "执行命令：$cmd"

  eval "$cmd" && echo "成功" || echo "失败"

done

# 1. 安装本地模型依赖

pip install open-interpreter llama-cpp-python

# 2. 下载本地模型（需获取合法模型文件，推荐以下轻量模型）

# 推荐模型：Llama 3 8B（llama-3-8b-instruct.Q4_K_M.gguf）

# 下载地址：https://huggingface.co/TheBloke/Llama-3-8B-Instruct-GGUF

# 3. 启动本地模式（指定模型路径）

interpreter --model llama-cpp --model-path /path/to/llama-3-8b-instruct.Q4_K_M.gguf

# 4. 配置默认本地模型（无需每次指定路径）

mkdir -p ~/.config/open-interpreter

echo '{

  "model": "llama-cpp",

  "model_path": "/path/to/llama-3-8b-instruct.Q4_K_M.gguf",

  "auto_run": true,

  "context_window": 8192

}' > ~/.config/open-interpreter/config.json

# K8s本地模式配置（敏感集群数据处理）

echo '{

  "model": "llama-cpp",

  "model_path": "/path/to/llama-3-8b-instruct.Q4_K_M.gguf",

  "auto_run": false,

  "context_window": 8192,

  "env": {"KUBECONFIG": "~/.kube/config"}

}' > ~/.config/open-interpreter/k8s_config.json

interpreter --config ~/.config/open-interpreter/k8s_config.json

# 安装常用插件

interpreter --install-plugin excel  # Excel文件处理（读取/修改/统计）

interpreter --install-plugin image  # 图片处理（裁剪/格式转换/识别）

interpreter --install-plugin csv    # CSV数据处理（清洗/分析/可视化）

interpreter --install-plugin chart  # 图表生成（柱状图/折线图/饼图）

# 测试插件功能

interpreter

# 输入需求：打开test.xlsx，统计A列所有数值的总和，生成柱状图展示各列数据分布，保存为result.png

# K8s插件扩展（可选）：安装K8s监控插件

interpreter --install-plugin kubernetes-monitor  # 支持K8s集群资源监控可视化

interpreter

# 输入需求：生成K8s集群Pod CPU/内存使用率柱状图，保存为k8s_pod_metrics.png

# 自动化工作流脚本：interpreter_workflow.py

from interpreter import interpreter

# 配置参数（根据需求选择API模式或本地模式）

interpreter.auto_run = True  # 自动执行命令，无需手动确认

# 模式1：API模式（需密钥）

# interpreter.model = "gpt-4o"

# interpreter.api_key = "你的OpenAI密钥"

# 模式2：本地模式（无需密钥）

interpreter.model = "llama-cpp"

interpreter.model_path = "/path/to/llama-3-8b-instruct.Q4_K_M.gguf"

# 定义复杂任务流（数据处理+可视化+报告生成）

tasks = [

    "创建目录 data/processed（如果不存在）",

    "读取 data/raw/data.csv 文件，过滤掉所有空值行和重复行",

    "将处理后的数据保存为 data/processed/clean_data.csv",

    "分析 clean_data.csv：统计各列的平均值、中位数、最大值，生成统计报告",

    "根据统计结果生成柱状图，展示各列平均值对比，保存为 data/processed/avg_chart.png",

    "将统计报告和图表路径输出到 data/processed/report.txt"

]

# 执行任务流并输出日志

for i, task in enumerate(tasks, 1):

    print(f"=== 执行任务 {i}/{len(tasks)}：{task} ===")

    try:

        response = interpreter.chat(task, stream=False)

        print("任务执行成功\n")

    except Exception as e:

        print(f"任务执行失败：{str(e)}\n")

# K8s自动化工作流脚本：k8s_auto_deploy.py

from interpreter import interpreter

from kubernetes import client, config

# 配置K8s集群连接

config.load_kube_config()

apps_v1 = client.AppsV1Api()

# Open Interpreter配置（自动执行）

interpreter.auto_run = True

# 定义K8s部署任务流

tasks = [

    "创建命名空间app-prod（不存在则跳过）",

    f"在app-prod命名空间创建Deployment：名称=user-service，镜像=user-service:v1.2.0，副本数=2，资源限制CPU=500m、内存=1Gi",

    f"在app-prod命名空间创建Service：名称=user-service-svc，类型=ClusterIP，暴露8080端口",

    "验证user-service的Pod是否全部Running，Service是否正常暴露"

]

# 执行任务

for task in tasks:

    print(f"=== 执行K8s任务：{task} ===")

    interpreter.chat(task)

python interpreter_workflow.py

python k8s_auto_deploy.py

# 高阶调用Claude Code，精细控制生成策略

anthropic chat \

  --model claude-3-code-20240229 \  # 代码专用模型（必选）

  --temperature 0.1 \  # 温度越低，生成越精准（0-1，代码场景推荐0.0-0.3）

  --max-tokens 4096 \  # 最大输出长度（支持更长代码/脚本）

  --system-prompt "你是资深Python工程师，生成的代码必须：1. 严格遵守PEP8规范 2. 所有函数加详细文档字符串 3. 处理所有可能的异常 4. 不添加多余注释" \

  --prompt "写一个Python脚本，实现以下功能：1. 读取指定JSON文件（路径作为命令行参数） 2. 验证JSON中是否包含必填字段（name、age、email） 3. 输出缺失的字段到错误日志文件 4. 输出验证通过的记录到结果文件"

# K8s配置生成（生产级YAML）

anthropic chat \

  --model claude-3-code-20240229 \

  --temperature 0.0 \

  --max-tokens 8192 \

  --system-prompt "你是K8s配置专家，生成的YAML必须符合生产最佳实践：1. 包含健康检查（存活/就绪探针） 2. 资源限制（requests/limits） 3. 安全上下文（非root用户） 4. 标签规范（app.kubernetes.io/*） 5. 支持K8s 1.30+版本" \

  --prompt "为Node.js微服务生成K8s Deployment+Service+Ingress YAML：1. Deployment：3副本，镜像node:18-alpine，端口3000 2. Service：ClusterIP类型 3. Ingress：域名api.example.com，路径/，HTTPS启用"

# 第一轮：生成基础K8s配置

anthropic chat \

  --model claude-3-code-20240229 \

  --prompt "写一个Flask接口的K8s Deployment YAML，2副本，暴露5000端口" \

  --history ~/claude_k8s_history.json

# 第二轮：基于历史修改配置

anthropic chat \

  --model claude-3-code-20240229 \

  --prompt "1. 给Deployment添加存活探针（httpGet路径/health，间隔10秒）和就绪探针（httpGet路径/ready，间隔5秒） 2. 资源限制调整为CPU 1Gi、内存2Gi 3. 添加环境变量APP_ENV=prod" \

  --history ~/claude_k8s_history.json

# 第三轮：继续优化

anthropic chat \

  --model claude-3-code-20240229 \

  --prompt "生成对应的HPA配置，基于CPU使用率（目标50%）自动扩缩容，最小2副本，最大10副本" \

  --history ~/claude_k8s_history.json

# 批量代码优化脚本：batch_code_fix.sh

#!/bin/bash

# 定义需要处理的文件类型（可修改为.java/.js等）

FILE_TYPE="*.py"

# 定义输出目录（保存优化后的文件）

OUTPUT_DIR="optimized_code"

mkdir -p $OUTPUT_DIR

# 遍历当前目录及子目录下的所有目标文件

find . -name "$FILE_TYPE" -type f | while read -r file; do

  echo "=== 处理文件：$file ==="

  # 读取文件内容

  content=$(cat "$file")

  # 调用Claude Code优化代码

  optimized_content=$(anthropic chat \

    --model claude-3-code-20240229 \

    --temperature 0.0 \

    --max-tokens 8192 \

    --prompt "优化以下Python代码：1. 修复所有语法错误和逻辑漏洞 2. 优化代码结构，提升可读性 3. 添加必要的异常处理 4. 遵守PEP8规范 5. 保留原有功能不变。代码内容：$content")

  # 保存优化后的文件（保持原目录结构）

  relative_path=${file#./}

  output_path="$OUTPUT_DIR/$relative_path"

  mkdir -p $(dirname "$output_path")

  echo "$optimized_content" > "$output_path"

  echo "优化完成，保存到：$output_path"

  echo "-------------------------"

done

# 批量K8s配置优化脚本：batch_k8s_yaml_optimize.sh

#!/bin/bash

K8S_YAML_DIR="k8s/configs"

OUTPUT_DIR="k8s/optimized_configs"

mkdir -p $OUTPUT_DIR

find $K8S_YAML_DIR -name "*.yaml" -type f | while read -r file; do

  echo "=== 优化K8s配置：$file ==="

  content=$(cat "$file")

  optimized_content=$(anthropic chat \

    --model claude-3-code-20240229 \

    --temperature 0.0 \

    --max-tokens 8192 \

    --prompt "优化以下K8s YAML配置：1. 添加缺失的健康检查 2. 补充资源限制（requests/limits） 3. 完善安全上下文（runAsNonRoot: true） 4. 统一标签规范（app.kubernetes.io/name、app.kubernetes.io/version） 5. 保留原有功能和资源名称。配置内容：$content")

  relative_path=${file#$K8S_YAML_DIR/}

  output_path="$OUTPUT_DIR/$relative_path"

  mkdir -p $(dirname "$output_path")

  echo "$optimized_content" > "$output_path"

  echo "优化完成，保存到：$output_path"

done

chmod +x batch_code_fix.sh

./batch_code_fix.sh

chmod +x batch_k8s_yaml_optimize.sh

./batch_k8s_yaml_optimize.sh

# 1. 进入Git仓库目录

cd your_project

# 2. 启动Aider，开启自动提交功能

aider \

  --auto-commit \  # 自动提交修改

  --commit-message-format "feat: {user_query}" \  # 提交信息格式（需求作为描述）

  --glob "*.py" \  # 绑定所有Python文件

  --system-prompt "提交的代码必须通过基础语法检查，无明显错误"

# 3. 输入需求（Aider会修改代码并自动提交）

# 示例输入：给用户模块添加手机号验证功能，支持中国大陆手机号格式，返回验证结果（True/False）

# K8s GitOps自动提交

cd k8s-project

aider \

  --auto-commit \

  --commit-message-format "k8s: {user_query}" \

  --glob "k8s/**/*.yaml" \

  --system-prompt "K8s配置必须符合生产最佳实践，包含健康检查、资源限制和安全上下文"

# 输入需求：将app-prod命名空间的user-service Deployment副本数从2改为5，更新资源限制为CPU 1.5Gi、内存3Gi

# Aider执行：修改YAML文件→git add→git commit（提交信息：k8s: 将app-prod命名空间的user-service Deployment副本数从2改为5...）

# 1. 绑定项目中所有相关文件（Python文件+测试文件）

aider --glob "*.py" --glob "tests/*.py" --glob "docs/*.md"

# 2. 输入跨文件重构需求

# 示例输入：

# "重构所有文件中的日志输出逻辑：

# 1. 替换所有print语句为logging模块（导入logging并配置基础设置）

# 2. 统一日志格式：%(asctime)s - %(name)s - %(levelname)s - %(message)s

# 3. 日志级别：开发环境DEBUG，生产环境INFO

# 4. 测试文件中保留print语句，方便调试

# 5. 更新docs目录下的开发文档，添加日志使用说明"

# K8s跨文件配置重构

aider --glob "k8s/**/*.yaml" --glob "helm/**/*.yaml"

# 输入需求：

# "统一所有K8s YAML和Helm模板的标签规范：

# 1. 添加标签app.kubernetes.io/name（资源名称）、app.kubernetes.io/version（v1.0.0）、app.kubernetes.io/part-of（my-project）

# 2. 删除旧的app标签和version标签

# 3. 更新所有Service、Ingress的选择器，确保匹配新标签

# 4. 同步Helm values.yaml中的标签配置"

# 自定义Python代码规范

aider \

  --system-prompt "你生成的Python代码必须严格遵守以下规范：

  1. 命名规则：函数/变量用蛇形命名法，类用帕斯卡命名法，常量全大写

  2. 注释要求：类和公共函数必须加Google风格文档字符串，复杂逻辑加单行注释

  3. 依赖限制：不得使用requests库，改用内置urllib；不得使用第三方ORM，仅用SQLAlchemy

  4. 异常处理：所有IO操作、网络请求必须加try-except捕获，不得裸奔

  5. 代码长度：单个函数代码不超过50行，超过则拆分

  6. 格式要求：使用4个空格缩进，不使用制表符；行宽不超过88字符" \

  --glob "*.py"

# 自定义K8s配置规范

aider \

  --system-prompt "你生成/修改的K8s YAML必须严格遵守以下团队规范：

  1. 资源命名：Deployment命名格式{app-name}-deploy，Service命名{app-name}-svc，Ingress命名{app-name}-ing

  2. 健康检查：所有Deployment必须包含存活探针（livenessProbe）和就绪探针（readinessProbe）

  3. 资源限制：CPU requests=500m、limits=1Gi；内存requests=1Gi、limits=2Gi（特殊场景可调整）

  4. 安全配置：runAsNonRoot: true，runAsUser=1000，fsGroup=1000，readOnlyRootFilesystem: true

  5. 标签要求：必须包含app.kubernetes.io/name、app.kubernetes.io/version、app.kubernetes.io/env（dev/test/prod）

  6. 镜像规范：必须使用私有仓库镜像（registry.example.com/{app-name}:{version}），禁止使用latest标签" \

  --glob "k8s/**/*.yaml"

# 1. 配置永久别名（bash用户，编辑~/.bashrc）

vim ~/.bashrc

# 添加以下内容：

# Copilot CLI通用别名

alias c="github-copilot-cli chat"          # 生成命令

alias c-exec="github-copilot-cli execute"  # 生成并执行命令

alias c-explain="github-copilot-cli explain"  # 解释已有命令

alias c-translate="github-copilot-cli translate"  # 自然语言转命令

# K8s专属别名

alias c-k8s="github-copilot-cli chat --agent k8s"  # 快速调用K8s智能体

alias c-k8s-exec="github-copilot-cli execute --agent k8s"  # K8s命令生成+执行

alias c-k8s-explain="github-copilot-cli explain --agent k8s"  # 解释K8s命令

# 2. 配置快捷键（Ctrl+C+C 快速唤起Copilot，Ctrl+K 快速唤起K8s智能体）

bind '"\C-c\C-c": "github-copilot-cli chat \n"'

bind '"\C-k": "github-copilot-cli chat --agent k8s \n"'

# 3. 生效配置

source ~/.bashrc

# zsh用户需编辑~/.zshrc，配置类似，快捷键绑定需用bindkey

c "查看8080端口占用情况"  # 通用命令生成

c-k8s "列出app-prod命名空间的所有Pod"  # K8s命令生成

c-k8s-exec "扩容default命名空间的mysql StatefulSet到3副本"  # K8s命令生成+执行

c-k8s-explain "kubectl get pods -n default -o jsonpath='{.items[*].metadata.name}'"  # 解释K8s命令

# 多工具联动脚本：copilot_shellqpt_k8s联动.sh

#!/bin/bash

# 功能：Copilot分析K8s需求→shellqpt生成纯命令→Open Interpreter执行→验证结果

if [ $# -eq 0 ]; then

  echo "用法：$0 '你的K8s需求描述'"

  exit 1

fi

QUERY="$1"

echo "=== 步骤1：分析K8s需求（Copilot CLI）==="

github-copilot-cli explain --agent k8s --prompt "分析这个K8s需求需要执行什么kubectl命令，解释逻辑：$QUERY"

echo -e "\n=== 步骤2：生成纯K8s命令（shellqpt）==="

export SHELLQPT_PROMPT_TEMPLATE=$(cat ~/k8s_shellqpt_template.txt)

CMD=$(shellqpt "$QUERY")

echo "生成的K8s命令：$CMD"

echo -e "\n=== 步骤3：执行命令（Open Interpreter）==="

read -p "是否执行该K8s命令？(y/n) " CHOICE

if [ "$CHOICE" = "y" ] || [ "$CHOICE" = "Y" ]; then

  echo "正在执行K8s命令，请等待..."

  interpreter -c "$CMD"  # 调用Open Interpreter执行

  echo -e "\n=== 步骤4：验证执行结果（Copilot CLI）==="

  github-copilot-cli execute --agent k8s --prompt "验证刚才执行的K8s命令是否成功（如查看Pod状态、Service暴露情况）"

else

  echo "取消执行"

fi

chmod +x copilot_shellqpt_k8s联动.sh

./copilot_shellqpt_k8s联动.sh "在app-dev命名空间创建Nginx Deployment（2副本），暴露80端口为NodePort类型"

# 配置文件：~/.config/github-copilot-cli/config.yaml

commands:

  chat:

    defaultModel: "gpt-4o"

    promptTemplate: |

      你是我的终端助手，生成的命令必须：

      1. 优先使用简洁的短选项（如kubectl get po而非kubectl get pods）

      2. K8s命令需指定命名空间（默认default），避免跨命名空间操作

      3. 复杂K8s操作需添加--dry-run=client验证，再执行apply

      4. 解释命令时按“功能+参数含义”拆分，新手易懂

  execute:

    confirmBeforeExecution: true  # K8s操作前确认，安全第一

    logExecutions: true

    logFile: "~/.copilot-k8s-exec.log"  # 记录K8s执行日志

# 创建K8s智能体配置文件（.github/agents/k8s.agent.md）

cat > .github/agents/k8s.agent.md <

你是K8s专家助手，专注于以下场景：

1. 生成精准的kubectl/helm命令，优先使用短选项和字段选择器

2. 解释K8s核心概念和配置字段（如存活探针、资源限制、Service类型）

3. 优化K8s YAML配置，符合生产环境最佳实践（健康检查、安全加固）

4. 诊断常见K8s故障：

   - Pod故障：CrashLoopBackOff、ImagePullBackOff、Pending

   - Service故障：无法访问、端口映射错误

   - Deployment故障：扩容失败、滚动更新卡住

5. 输出格式：先给结论，再给命令/配置，最后给操作步骤

EOF

# 调用K8s智能体

copilot

/agent k8s  # 激活智能体

输入：我的Nginx Pod处于ImagePullBackOff状态，命名空间是app-dev，帮我排查并解决

# 智能体输出：

# 1. 故障原因：镜像拉取失败（可能是镜像名称错误、私有仓库无权限、网络问题）

# 2. 排查命令：kubectl describe pod -name> -n app-dev（查看拉取详情）

# 3. 修复步骤：

#    a. 确认镜像名称：kubectl set image deployment/nginx nginx=registry.example.com/nginx:v1.25 -n app-dev

#    b. 若需私有仓库权限：创建imagePullSecret并关联Deployment

#    c. 验证：kubectl get pods -n app-dev

工具

实操示例

核心优势

shellqpt

shellqpt "查看app-prod命名空间CPU使用率最高的3个Pod"

配置简单、生成快，适合快速执行单一命令

Copilot CLI

c-k8s "列出所有命名空间的Pending状态Pod并解释原因"

命令解释清晰，新手易理解

Open Interpreter

启动后输入：查看K8s集群节点状态，按内存使用率排序，导出结果到node-stats.csv

自动执行 + 结果导出，一站式完成

工具

实操示例

核心优势

Claude Code

生成生产级 Deployment+Service+Ingress YAML（含健康检查、资源限制、安全上下文）

符合最佳实践，配置可直接用于生产

Copilot CLI

c-k8s "生成Redis StatefulSet YAML，3副本，持久化存储5Gi"

快速生成基础配置，支持实时修改

Aider

绑定 Helm 目录，输入：给helm/charts/user-service添加HPA自动扩缩容配置

直接修改 Helm 模板，支持 Git 自动提交

工具

实操示例

核心优势

Open Interpreter

输入：我的webapp Pod处于CrashLoopBackOff状态，帮我分析日志并修复

自动执行排查命令，生成修复方案，无需手动拼接

Claude CLI

anthropic chat --model claude-3-code-20240229 --prompt "kubectl describe pod webapp-xxx的输出如下，分析故障原因并给出修复命令"

深度解析日志，修复方案精准

Copilot CLI

c-k8s-explain "kubectl logs webapp-xxx --previous" 的输出日志

解释日志含义，新手快速定位问题

工具

实操示例

核心优势

Aider

绑定 K8s 配置仓库，输入：更新所有Deployment的镜像版本到v1.3.0，自动提交Git

批量修改 + Git 提交，契合 GitOps 工作流

Open Interpreter

执行 Python 脚本：批量部署10个微服务到K8s，验证所有Pod运行状态

支持复杂工作流，可集成到 CI/CD 管道

Copilot CLI

自定义 K8s 智能体，一键执行：同步Git仓库配置到K8s集群，验证Ingress可达性

简化 GitOps 操作，新手也能快速上手

核心需求

推荐工具

推荐理由

快速生成 Shell 命令，无需复杂配置

shellqpt

配置最简单，仅需 OpenAI 密钥，输出简洁

一站式完成 “生成 + 执行 + 文件操作”

Open Interpreter

全能型，自动执行，支持文件 / 代码 / 可视化

注重代码质量，需要详细解释

Claude CLI + Claude Code

官方代码模型，解释详细，错误率低

项目开发、代码修改、Git 协作

Aider

直接改文件，支持 Git 自动提交，适合项目迭代

已有 GitHub Copilot 订阅，终端集成

Copilot CLI

无缝衔接 GitHub 生态，多命令模式，新手友好

敏感数据处理，需要离线使用

Open Interpreter（本地版）

无需 API 密钥，数据本地化，支持私有部署

K8s 日常运维、快速命令生成

shellqpt / Copilot CLI

配置简单、生成快，支持命令解释

K8s 生产级配置生成（YAML/Helm）

Claude CLI / Claude Code

符合最佳实践、支持安全加固、多环境配置

K8s 集群自动化运维（部署 / 排障）

Open Interpreter

本地运行、自动执行、支持复杂工作流

K8s 团队配置协作（GitOps）

Aider

直接改文件、Git 自动提交、批量重构

问题现象

可能原因

解决方案

工具提示 “API 密钥无效”

密钥错误、过期，或环境变量未生效

1. 验证密钥正确性（重新生成并配置）；2. 检查环境变量（echo $OPENAI_API_KEY）；3. Windows 用set替代export

K8s 命令提示 “找不到集群”

kubeconfig 未配置或路径错误

1. 确认~/.kube/config存在且有效；2. 手动指定export KUBECONFIG=~/.kube/config；3. 测试kubectl cluster-info

工具安装失败（Python 相关）

Python 版本过低、依赖冲突

1. 升级 Python 到 3.8+；2. 使用虚拟环境（python -m venv ai-tools && source ai-tools/bin/activate）；3. 换用国内 PyPI 源（pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 工具名）

Copilot CLI 提示 “未授权”

未登录或 Copilot 订阅过期

1. 重新执行github-copilot-cli auth登录；2. 检查 GitHub 账号 Copilot 订阅状态

问题现象

可能原因

解决方案

AI 生成的命令执行失败

需求描述不清晰、工具对场景理解不足

1. 细化需求（如添加 “K8s 命名空间”“文件路径” 等关键信息）；2. 切换更高精度模型（如 gpt-4o、claude-3-opus）；3. 手动调整生成的命令语法

Open Interpreter 无法执行文件操作

权限不足、文件路径错误

1. 以管理员 /root 权限运行（谨慎使用）；2. 检查文件路径是否存在（相对路径→绝对路径）；3. 确保目录有读写权限（chmod +rwx 目录名）

Aider 无法修改文件

未绑定文件、文件只读、Git 仓库未初始化

1. 启动时指定文件（aider 文件名）；2. 解除文件只读（chmod +w 文件名）；3. 初始化 Git 仓库（git init）

K8s YAML 生成后应用失败

版本不兼容、字段缺失、语法错误

1. 用kubectl apply --dry-run=client -f 文件名.yaml验证；2. 检查 K8s 版本（如kubectl version），调整 API 版本（如apps/v1替代extensions/v1beta1）；3. 用 Claude Code 重新生成（指定 K8s 版本）

问题现象

可能原因

解决方案

工具响应缓慢

网络延迟（云端 API）、本地模型性能不足

1. 云端 API：切换就近区域（如 OpenAI API 使用api.openai.com→代理节点）；2. 本地模型：升级 GPU、使用量化版本（如 Q4_K_M）、减小上下文窗口

生成的命令 / 代码冗长低效

模型参数不当、Prompt 模板不精准

1. 降低temperature（如 0.1-0.3）；2. 优化 Prompt 模板（添加 “简洁高效”“优先使用原生命令” 等要求）；3. 切换代码专用模型（Claude Code）

Open Interpreter 执行 K8s 命令超时

集群网络不通、任务耗时过长

1. 验证集群连通性（ping 集群IP）；2. 延长超时时间（interpreter.timeout = 600）；3. 拆分复杂任务（如批量部署→分批次执行）

工具名称

官方文档 / 下载地址

shellqpt

GitHub：https://github.com/trevorhobenshield/shellqpt

Open Interpreter

GitHub：https://github.com/OpenInterpreter/open-interpreter

Claude CLI

Anthropic 文档：https://docs.anthropic.com/claude/docs/use-claude-cli

Claude Code

Anthropic 文档：https://docs.anthropic.com/claude/docs/claude-code-overview

Aider

GitHub：https://github.com/paul-gauthier/aider

Copilot CLI

GitHub：https://github.com/githubnext/github-copilot-cli

K8s 官方文档

https://kubernetes.io/docs/home/（配置生成 / 故障排查参考）

你是资深Shell工程师，生成的命令必须满足：

1. 简洁高效，优先使用原生命令（避免第三方工具）

2. 兼容Linux/macOS，Windows场景需标注PowerShell替代方案

3. 复杂命令添加注释（# 功能说明）

4. 批量操作需包含错误处理（如&&、||、set -e）

用户需求：{user_query}

你是K8s配置专家，生成的YAML必须符合以下规范：

1. API版本：适配K8s 1.28+（如Deployment用apps/v1）

2. 基础配置：包含metadata.labels（app.kubernetes.io/*规范）、spec.replicas

3. 资源限制：requests/limits（CPU≥500m，内存≥1Gi）

4. 健康检查：livenessProbe（httpGet/exec，间隔10s，超时3s）、readinessProbe（同存活探针，间隔5s）

5. 安全配置：runAsNonRoot: true、readOnlyRootFilesystem: true、fsGroup: 1000

6. 镜像规范：使用固定版本（如nginx:1.25.3，禁止latest）

7. 其他：添加annotations（说明用途）、env（区分环境）

用户需求：{user_query}

你是Python高级工程师，优化代码需满足：

1. 规范：PEP8标准，函数≤50行，类≤300行

2. 性能：避免冗余循环，优先使用内置函数/列表推导式

3. 健壮性：处理所有可能异常（如IOError、TypeError），添加参数校验

4. 可读性：类/函数加Google风格文档字符串，复杂逻辑加单行注释

5. 依赖：优先使用标准库，第三方依赖需标注版本

原始代码：{code_content}

优化需求：{user_query}