新手学习大模型，顺手跑了四条命令

起因

周末整理硬盘，发现一个问题：学大模型这几个月，我跟着教程跑通过的东西不少，但硬盘里一个成品都没有。

教程的结尾基本都是"恭喜你成功调用了大模型"，然后就没有然后了。命令行里那段回答，关掉窗口就没了。

（蓝黄手绘示意图，非实测截图）

所以我给自己定了个很笨的目标：不看概念，不背参数，就跑四条命令，跑完硬盘上必须多出四个文件。四个模态各来一个，文字、图片、音频、图片描述。

跑完了，四个都在。中间撞了个坑，白等了半小时，也一起记下来。

先记结果

第几步	命令	拿到什么	耗时
一	bl text chat	一段文字回答	4.6 秒
二	bl image generate	一张 1024×1024 的 PNG	68.2 秒
三	bl speech synthesize	一个 MP3	1.8 秒
四	bl vision describe	一段对第二步那张图的描述	3.6 秒

（蓝黄手绘示意图，非实测截图；真实输出见下文）

第四步我是特意让它去读第二步生成的那张图。自己产的东西自己读，这样能看出来四条命令是接得起来的，不是四个各玩各的小玩具。

准备工作

装工具：

npm install -g bailian-cli

领密钥登录：

bl auth login --api-key sk-你的key

密钥在控制台密钥管理页领，命令说明在CLI 安装页。

我用的是 bl 2.1.0、macOS。下面这些读数都是 10 月 20 号在我自己电脑上跑出来的，一轮下来发起了 8 次调用，6 次成功、2 次失败。

第一步：一段文字

bl text chat --message "用一句话解释什么是 API Key，说给完全没接触过编程的人听。"

4.6 秒回来：

API Key 就像一张"专属通行证"，用来告诉某个服务："我是谁，我有权限使用这个功能。"

我在提示里加了"说给完全没接触过编程的人听"，它就真的一个术语都没用。这个口吻是我自己写进去要来的，不是命令的固定输出，想要什么腔调就在 --message 里说。

想让返回能被脚本接住，加 --output json，里面除答案还有一栏消耗读数，我这次是输入 77、输出 82。

第二步：一张图，以及我白等的半小时

bl image generate --prompt "一只戴眼镜的橘猫坐在蓝色热气球上，扁平插画风格" --size "1024*1024" --out-dir out --out-prefix balloon

我第一次跑这条，等了 2035.9 秒，三十四分钟，失败了：

Error:       Request timed out.
Hint:        Try increasing --timeout (e.g. --timeout 60).
Caused by:   This operation was aborted
Exit code:   5

（蓝黄手绘示意图，非实测截图）

照着提示加了 --timeout 900 重试，同一条命令 68.2 秒出图。产物 out/balloon.png，1024×1024、RGB、745,737 字节。

得如实说一句：我重试的时候同时改了三处，加超时、给 --size 补引号、提示词也写短了。所以没法说是哪一处起的作用，只能确定加了超时之后这次成功了。

记下来两条：生图比生文字慢得多，几十秒是正常的，别以为卡死了就去按 Ctrl+C；撞上 Exit code: 5 加 Request timed out，先加 --timeout 900 重试。

还有个小错我自己犯过：--size "1024*1024" 的星号一定要加引号。终端里 * 是通配符，不加引号可能被 shell 当成"匹配文件名"处理掉，传进去的就不一定是你要的尺寸。嫌麻烦可以直接写比例，--size 1:1、--size 16:9，这种写法里没有星号。

第三步：一个能听的 MP3

bl speech synthesize --text "你好，这是我第一次用命令行让机器说话。" --voice longcheng_v3 --format mp3 --out out/hello.mp3

1.8 秒，out/hello.mp3，62,011 字节，时长 3.096 秒。双击就能听，是个男声，念得挺自然。

longcheng_v3 是音色 ID，这个音色叫"龙橙"，人设描述写着"智慧青年男"。音色不用自己一个个瞎试：

bl speech synthesize --list-voices

我数了一下，默认那个模型有 64 个系统音色，每个都带中文人设描述和语言标注，比如"嗲甜台湾女""呆板大暖男""磁性理智男"。挑音色这件事比我想的有意思，我对着列表挑了半天。

存文件的参数是 --out，后面跟完整文件路径，不是 --out-dir。这点跟上一步生图不一样，生图用的是 --out-dir 加 --out-prefix。我第一次就写混了。

第四步：让它读我那张图

bl vision describe --image out/balloon.png --prompt "这张图里有什么？用两句话描述。"

3.6 秒回来：

一只戴着眼镜、围着黄色围巾的橘猫正惬意地坐在热气球的篮子里，热气球的蓝色球体上印有白云与星星图案。背景是晴朗的蓝天，点缀着太阳、朵朵白云、飞鸟和远处的青山绿水，整体画面温馨可爱。

这一步让我愣了一下。它读出了我没写进提示词的东西。

我的提示词只有一句"一只戴眼镜的橘猫坐在蓝色热气球上，扁平插画风格"。眼镜、橘猫、蓝色热气球是我写的，黄色围巾、球体上的星星图案、太阳、飞鸟、远处的青山绿水，全是它自己加的。

生图和写代码最大的区别就在这儿：它不是精确执行指令，是在你的描述基础上再创作。你要"必须严格按我说的画"，这条路会让你反复失望；你要"给我一个大致方向的成品"，它很够用。

顺手记下的三件小事

生成的图默认带"AI 生成"角标，我这张右下角就有。确认的办法挺巧，拿第四步那条命令去问它：

bl vision describe --image out/balloon.png --prompt "图片右下角有没有文字或水印角标？有的话逐字念出来。"

它答"有，AI 生成"。不用把图放大到眼睛里找。不想要角标的话，生图时加 --watermark false。

四条命令用的模型都能换，我这次全用默认（文字 qwen3.8-max，生图 qwen-image-3.0，看图 qwen3-vl-plus，配音 cosyvoice-v3-flash），加 --model 就行。新手阶段我建议先用默认的，一上来就纠结选哪个模型，是很容易卡住的地方。

第二轮跑的时候，因为第一次没出图，--image 传了空，直接退出码 2，返回 {"error":{"code":2,"message":"Provide --image or --video."}}。报错本身写得挺清楚，但这几步是有先后的，上一步不出产物下一步就跑不了。

收尾

四条命令速查，留着以后自己翻：

bl text chat --message "你要问的话"
bl image generate --prompt "画面描述" --size "1024*1024" --timeout 900 --out-dir out --out-prefix 名字
bl speech synthesize --text "要念的话" --voice longcheng_v3 --format mp3 --out out/名字.mp3
bl vision describe --image out/名字.png --prompt "你想问这张图什么"

四条命令的共同点是：输入是你的一句话或一个文件，输出是一个能拿走的东西。这就是我一开始想要的"跑完之后桌上有东西"。

这一轮云资源一个都没创建，四个产物全在本地 out/ 目录里。如果你也觉得教程跑通了却没拿到什么，可以按这四条走一遍，别一上来就想做完整项目，先拿到四个文件再说。

最后交代一句：四条命令的读数都是我自己跑出来的真实结果，但提示词里那只橘猫和热气球是我随口编的画面，你照着跑会拿到一张不一样的图（生图每次结果都不同）。

想先在网页上感受一下的话，阿里云百炼控制台可以直接试。