tenere
Tenere 是一款专为大语言模型(LLM)打造的终端用户界面(TUI)工具,让用户无需离开命令行即可流畅地与 AI 对话。它解决了传统网页版交互在终端工作流中割裂的问题,特别适合习惯使用 Vim、追求高效键盘操作的开发者和技术人员。
Tenere 支持语法高亮、聊天记录保存与自动加载、剪贴板交互等实用功能,并兼容多种后端服务,包括 ChatGPT、llama.cpp 和 Ollama,用户可灵活切换不同模型。其内置的 Vim 风格快捷键让操作更加顺手,同时提供可定制的配置文件(TOML 格式),方便高级用户按需调整行为。
此外,Tenere 不仅适用于 Linux、macOS 和 Windows 桌面系统,还可通过 nix-on-droid 在 Android 设备上运行,实现了跨平台的一致体验。对于希望在终端环境中集成 AI 能力、注重隐私与本地部署的用户来说,Tenere 是一个轻量而强大的选择。
使用场景
一位后端开发者需要在无图形界面的远程 Linux 服务器上,频繁切换本地 Ollama 模型与云端 ChatGPT 进行代码重构和调试。
没有 tenere 时
- 交互体验割裂:只能依赖 curl 命令或简陋的 Python 脚本调用 API,输出内容无语法高亮,阅读长段代码极其费力。
- 上下文管理混乱:多轮对话的历史记录难以保存和回溯,一旦终端会话断开或误操作,宝贵的调试思路即刻丢失。
- 操作效率低下:缺乏键盘快捷键支持,复制代码片段需手动选中终端文本,无法像 Vim 那样流畅地进行编辑和导航。
- 环境切换繁琐:在本地测试(llama.cpp)和云端生产(ChatGPT)之间切换时,需反复修改脚本配置或环境变量,容易出错。
使用 tenere 后
- 沉浸式阅读:tenere 提供原生语法高亮和 TUI 界面,代码结构清晰可见,大幅降低长时间盯着终端的视觉疲劳。
- 自动持久化历史:聊天记录自动保存至文件并支持一键加载,即使服务器重启也能瞬间恢复之前的对话上下文。
- Vim 式高效操作:内置 Vim 键位绑定,开发者可使用熟悉的
j/k滚动、y复制代码到剪贴板,无需离开键盘即可完成复杂交互。 - 无缝后端切换:通过简单的 TOML 配置文件即可在 ChatGPT、Ollama 和 llama.cpp 之间快速切换,适应不同隐私和算力需求。
tenere 将分散的命令行 AI 交互整合为统一、高效且可追溯的终端工作流,让开发者在无头服务器上也能享受现代化的大模型编程体验。
运行环境要求
- Linux
- macOS
- Windows
- Android
未说明
未说明

快速开始
面向大语言模型的 TUI
📸 演示

🪄 功能
- 语法高亮
- 聊天历史
- 将聊天保存到文件
- Vim 键位绑定(最常用的操作)
- 从/到剪贴板复制文本(仅在提示符中有效)
- 多种后端支持
- 自动加载上次保存的聊天到历史记录
💎 支持的后端
- ChatGPT
- llama.cpp
- ollama
🚀 安装
📥 二进制发布
你可以从发布页面下载预编译的二进制文件。
📦 crates.io
tenere 可以通过 crates.io 安装:
cargo install tenere
❄️ NixOS / Nix
Tenere 已包含在 nixpkgs 中,可以通过 configuration.nix 进行安装:
environment.systemPackages = with pkgs; [
tenere
];
对于非 NixOS 系统,可以直接使用以下命令安装:
nix-env -iA nixpkgs.tenere
📱 移动端(nix-on-droid)
Tenere 可以通过 nix-on-droid 在 Android 上运行(演示)。
设置步骤(教程):
- 从 F-Droid 安装 nix-on-droid。
- 将
tenere添加到.config/nixpkgs/nix-on-droid.nix文件中的包列表。 - 运行
nix-on-droid switch。 - 在
.config/tenere/config.toml中创建你的配置文件。
🍺 Homebrew
brew install tenere
⚒️ 从源码构建
要从源码构建,你需要 Rust 编译器和 Cargo 包管理器。
安装好 Rust 和 Cargo 后,运行以下命令进行构建:
cargo build --release
这将生成一个可执行文件 target/release/tenere,你可以将其复制到 $PATH 中的某个目录。
⚙️ 配置
Tenere 可以通过 TOML 配置文件进行配置。默认情况下,配置文件位于:
- Linux:
$HOME/.config/tenere/config.toml或$XDG_CONFIG_HOME/tenere/config.toml - Mac:
$HOME/Library/Application Support/tenere/config.toml - Windows:
~/AppData/Roaming/tenere/config.toml
🛠 自定义配置路径
你也可以使用 -c 标志指定自定义的配置文件路径,从而覆盖默认的配置文件位置。
使用示例
# 使用默认配置路径
tenere
# 指定自定义配置路径
tenere -c ~/path/to/custom/config.toml
通用设置
以下是可用的通用设置:
llm: 大语言模型名称。可能的值为:chatgptllamacppollama
llm = "chatgpt"
键位绑定
Tenere 支持自定义键位绑定。你可以通过更新配置文件中的 [key_bindings] 部分来修改部分默认键位绑定。以下是一个包含默认键位绑定的示例:
[key_bindings]
show_help = '?'
show_history = 'h'
new_chat = 'n'
ℹ️ 注意
为了避免与 Vim 键位绑定冲突,除了帮助键
?外,其他键都需要使用ctrl+键。
ChatGPT
要使用 chatgpt 作为后端,你需要提供 OpenAI 的 API 密钥。有两种方法可以做到这一点:
- 设置包含你的 API 密钥的环境变量:
export OPENAI_API_KEY="YOUTR KEY HERE"
或者
- 将你的 API 密钥添加到配置文件中:
[chatgpt]
openai_api_key = "Your API key here"
model = "gpt-3.5-turbo"
url = "https://api.openai.com/v1/chat/completions"
默认模型设置为 gpt-3.5-turbo。更多信息请参阅 OpenAI 文档。
llama.cpp
要使用 llama.cpp 作为后端,你需要提供指向服务器的 URL:
[llamacpp]
url = "http://localhost:8080/v1/chat/completions"
如果你在服务器上配置了 API 密钥,则也需要提供它:
设置环境变量:
export LLAMACPP_API_KEY="YOUTR KEY HERE"
或者
将你的 API 密钥添加到配置文件中:
[llamacpp]
url = "http://localhost:8080/v1/chat/completions"
api_key = "Your API Key here"
有关 llama.cpp API 的更多信息,请参阅 这里。
Ollama
要使用 ollama 作为后端,你需要提供指向带有模型名称的服务器的 URL:
[ollama]
url = "http://localhost:11434/api/chat"
model = "Your model name here"
有关 ollama API 的更多信息,请参阅 这里。
⌨️ 键位绑定
全局
这些是无论焦点块为何都适用的默认键位绑定。
ctrl + n: 开始一个新的聊天,并将之前的聊天保存到历史记录中,同时保存到数据目录下的 tenere.archive-i 文件中。
Tab: 切换焦点。
j 或 向下箭头键: 向下滚动。
k 或 向上箭头键: 向上滚动。
ctrl + h: 显示聊天历史。按 Esc 键关闭。
ctrl + t: 停止流式响应。
q 或 ctrl + c: 退出应用。
?: 显示帮助弹出窗口。按 Esc 键关闭。
提示符
有三种模式,类似于 Vim:Normal、Visual 和 Insert。
插入模式
Esc: 切换回正常模式。
Enter: 创建新行。
Backspace: 删除前一个字符。
正常模式
Enter: 提交提示。
h 或 左键: 光标向后移动一个字符。
j 或 下键: 光标向下移动。
k 或 上键: 光标向上移动。
l 或 右键: 光标向前移动一个字符。
w: 光标向右移动一个单词。
b: 光标向左移动一个单词。
0: 光标移动到行首。
$: 光标移动到行尾。
G: 移动到文档末尾。
gg: 移动到文档开头。
a: 在光标后插入。
A: 在行尾插入。
i: 在光标前插入。
I: 在行首插入。
o: 在当前行下方插入新行。
O: 在当前行上方插入新行。
x: 删除光标下的一个字符。
dd: 剪切当前行。
D: 删除当前行及之后的内容。
dw: 删除光标右侧的一个单词。
db: 删除光标左侧的一个单词。
d0: 删除光标到行首的内容。
d$: 删除光标到行尾的内容。
C: 修改到行尾的内容。
cc: 修改当前行。
c0: 修改光标到行首的内容。
c$: 修改光标到行尾的内容。
cw: 修改下一个单词。
cb: 修改光标左侧的一个单词。
u: 撤销操作。
p: 粘贴。
可视模式
v: 切换到可视模式。
y: 复制选中的文本。
贡献
- 不接受无意义的提交。
- 请先创建议题或进行讨论后再提交拉取请求。
- 保持 PR 小而集中。
⚖️ 许可证
GNU 通用公共许可证 v3.0 或更高版本
版本历史
v0.11.32025/09/01v0.11.22024/09/05v0.11.12024/03/19v0.112024/02/02v0.102024/01/27v0.92023/10/31v0.82023/08/20v0.72023/08/12v0.62023/04/27v0.52023/04/22v0.42023/04/21v0.32023/04/20v0.22023/04/16v0.12023/04/16常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备