openai-cli 上手：终端里直接调 OpenAI API（不写 SDK 也能跑 Agent）

你有没有这种时刻：

就想在服务器上临时跑一次模型调用，还得开个 Python/Node 项目。
CI 里要用到 LLM，结果一堆依赖装来装去，缓存还老失效。
纯命令行党更惨：不是手写 curl，就是自己写一堆脚本拼参数。

现在 OpenAI 官方出了 openai-cli（开源仓库：openai/openai-cli），方向很直接：把 SDK 的能力搬进 shell。你在终端打一行命令，就能调用 Responses API，还能用 OpenAI 托管工具（web 搜索、代码解释器、文件检索、图像生成等）把“Agent 味儿”的流程串起来。

下面咱们按“能直接照抄”的方式讲。用完你会发现：很多小工具脚本可以删了。

openai-cli 能干啥？你关心的重点我给你挑出来

1）Responses API + Cloud Tools：Agent 工作流命令行直通

responses 是核心入口。

你可以像调用普通模型一样生成文本
也可以把 OpenAI 托管工具塞进一次请求里（web 搜索、代码解释器、文件检索、图像生成等）

这意味着什么？

你在终端里就能做“查资料 → 总结 → 输出结构化结果 → 进入下一步脚本”的流程。很适合放进自动化。

2）输出很 Unix：JSON / YAML / JSONL / pretty / raw

命令行工具最烦的就是输出不好接管道。

openai-cli 直接给你准备了：

json：你要喂给其他程序
jsonl：你要写日志、做批处理
yaml：人类读着舒服
pretty：调试专用
raw：只要纯文本

更狠的是：它还内建字段抽取（类似 jq 的感觉），能直接从输出里抠你要的字段，不用你再写一堆解析。

3）图像/语音这些“以前要写 SDK 的活”，一行命令

比如：

图像生成 / 编辑
语音转录（STT）
语音合成（TTS）

以前你可能得写 Python，装依赖，处理文件上传。现在命令行直接搞。

4）管理能力也给了：project / key 更省事

对团队和运维来说，这块很实用：

创建 project
分发/管理 API key

不用你再去网页点点点，脚本里就能做。

安装：两种主流方式（按你的习惯来）

项目是 Apache 2.0 协议，代码在 GitHub：github.com/openai/openai-cli。

安装方式官方给了两条路：

Homebrew：macOS 用户大概率顺手
Go 安装：你机器上有 Go 环境就走这个

具体安装命令以仓库 README 为准（作者也提到会补更多文档）。

核心用法：资源化命令结构，一眼就懂

它的命令长这样：

openai responses create --input "..." --model <model>

你把它理解成：

openai：主命令
responses：资源
create：动作
--input / --model：参数

这个结构的好处是：你不用背一堆“神秘子命令”，看到就知道在干嘛。

立刻能用的示例：复制就跑

下面示例偏“模板”。模型名、参数名以你账户可用的为准。

1）终端里做一次最小调用

openai responses create \
  --input "把这段话改成三条要点：……" \
  --model <model>

你会得到结构化输出（看你选择的格式）。

2）输出选型：给脚本用 vs 给人看

调试时你可能想看得舒服点：

openai responses create --input "写个 30 字广告文案" --model <model> --format pretty

要接管道给别的程序：

openai responses create --input "给我一个 JSON，包含 title 和 tags" --model <model> --format json

要记日志、批处理：

openai responses create --input "生成 10 条样本，每条一行 JSON" --model <model> --format jsonl

3）内建字段抽取：少写一堆 jq（这点很爽）

典型场景：你只想拿到“最终文本”，别的元数据都不关心。

思路是：

让输出保持结构化
直接抽字段
把抽到的值塞进下一个命令

示例（字段路径以实际输出为准）：

openai responses create --input "给我一句话总结" --model <model> --format json \
  | openai gjson '...'

如果你平时用 jq，你会立刻明白它的价值：少装一个依赖，少记一套语法，命令更短。

4）文件参数：`@file.ext` 跟 curl 一个味儿

你在命令行传文件，不用你自己读文件再 base64。

openai responses create \
  --input @prompt.txt \
  --model <model>

还有个更“硬核”的：二进制内容你可以显式写成 base64 数据源（用 @data:// 这种形式）。适合你在脚本里动态生成二进制，再塞给命令。

把它塞进 CI/CD：适合哪些活？

openai-cli 的最佳打开方式就是“别当成玩具”，当成你流水线的一环。

几个特别实用的场景：

PR 自动总结：把变更 diff 喂给模型，输出一段 release note
生成测试数据：一批 JSONL 直接落盘，给集成测试用
日志清洗：把 noisy 的日志分类、提取关键字段
客服/工单归类：输入原始工单，输出标准标签 + 优先级

你会发现：以前这些要写一个小服务，现在脚本里一两条命令就行。每天早下班半小时那种。

避坑清单：踩过的人都懂 😅

输出格式别选错：要接管道就用 json/jsonl，别用 pretty。
字段抽取路径对不上：不同模型/不同接口返回结构可能有差异。先用 --format json 打印一遍，确认字段路径再抽。
二进制/文件传参：文本文件用 @file 很省心；二进制别硬塞字符串，走 @data:// 这类显式编码方式更稳。
命令行里塞太长 prompt：建议把 prompt 放文件里，版本可控，也方便复用。

这工具适合谁？

你爱写 shell 脚本，讨厌为了调个 API 搭项目
你在搞 CI/CD，想把 LLM 能力变成一个可重复的步骤
你在做 Agent 工作流，想快速把“工具调用”跑通
你是运维/团队管理员，想把 project/key 管理脚本化

openai-cli 目前作者在 X 上也说了更像是 small ship / passion project，偏轻量发布。我的建议是：

现在就拿来解决“脚本自动化”这类确定性场景
复杂业务逻辑该写服务还是写服务

仓库地址：github.com/openai/openai-cli

openai-cli 上手：在终端里直接调 OpenAI API，把 Agent 工作流塞进你的脚本和 CI