Claude Code、Codex 这类工具已经把 Agent 工作流做成了相当成熟的产品：安装后即可使用，工具链、权限、默认规则、上下文组织、安全提示和任务执行流程都已经预设好。对于多数日常开发任务，这种开箱即用的体验非常省心。

但 Agent 并不只有“产品”这一种形态。模型之外还有一层更关键的运行系统：Agent Harness。它负责组织上下文、提供工具、执行模型发起的操作、收集结果，再把结果送回模型，让模型继续判断下一步。Pi Agent 的价值就在这里：它不是一个功能堆满的成品工具，而是一个极简、开源、可自由组装的 Agent Harness。

Pi 默认只有读取、写入、编辑文件和执行终端命令四个基础工具，系统提示词不到一千 Token，却已经在公开 Agent 使用榜单中排到前列，并在 GitHub 获得大量开发者认可。它真正值得研究的地方，不是界面多复杂、内置功能多丰富，而是把 Agent 的运行层拆到足够简洁，让用户可以看清、修改并嵌入自己的工作流。

一、产品与 Harness：两种完全不同的 Agent 思路

成熟 Agent 产品的优势是确定性。Claude Code、Codex 更接近面向通用场景的生产工具，内置了丰富工具、安全机制和默认规则，用户的主要精力可以放在任务本身。缺点也很明显：产品越成熟，预设偏好越强；功能越多，系统提示词、工具定义、上下文管理和运行规则越重。

Pi 的定位不同。它更像一套可以自由组装的底层车辆系统。如果把大模型比作发动机，那么 Harness 就是发动机外面的整车结构：方向盘、刹车、传动、仪表盘、控制逻辑、工具接口和安全边界。发动机决定上限，但 Harness 决定这台发动机如何被调用、如何接收路况、如何执行动作。

Pi 的核心理念可以概括为一句话：让 Agent 适应人的工作方式，而不是让人适应 Agent 的预设方式。它默认能力很少，但可塑性很强。对普通用户而言，这意味着需要更多配置；对希望深入理解 Agent 的人而言，这恰好提供了一个观察和改造运行层的入口。

二、极简设计：Token 开销本身就是生产力问题

Agent 的成本不只来自模型价格，也来自上下文开销。每一次模型调用，Agent 都会把系统提示词、工具定义、项目规则、历史消息、工具调用结果等内容一起放进上下文。内容越多，多轮执行中反复携带的 Token 越多；无关上下文越长，模型注意力也越容易被稀释。

在相同模型、相同思考强度、相同任务条件下，用 Remotion 视频制作 Skill 做对比测试，Pi 平均消耗约 282 万 Token，Claude Code 平均消耗约 552 万 Token。Pi 的 Token 消耗约为 Claude Code 的 51%。耗时方面，Pi 平均约 8.75 分钟，Claude Code 平均约 10 分钟，时间差距相对有限，最终效果也没有明显劣化，甚至在元素不互相重叠方面更稳定。

这组样本不能代表所有任务，但它揭示了一个重要事实：底层模型不变，任务不变，只是更换 Harness，Token 消耗就可能出现明显差异。很多时候，Agent 的“贵”和“慢”并不完全来自模型，而来自运行层如何组织上下文。

Pi 的作者选择相信今天的模型已经接受过大量编程和 Agent 行为训练，很多基础行为不需要再用冗长系统提示词反复灌输。因此，Pi 用更精简的系统提示词和少量基础工具启动任务，把更多上下文空间留给真正的项目资料、任务过程和工具结果。

三、四个基础工具：少即是可控

Pi 默认只提供四个技术工具：读文件、写文件、编辑文件、执行终端命令。这种设计看起来简陋，却让运行边界变得非常清楚。Agent 能做什么、不能做什么，几乎一眼可见。

成熟产品通常会内置搜索、文件树、补丁、计划、权限、任务状态、MCP、外部服务、网页、记忆等能力。这些能力能提高开箱体验，但也会让 Harness 自身变得厚重。Pi 的选择是先提供最小可用内核，再让用户根据任务补充能力。

这类设计适合两种人：一类是想把 Agent 嵌进自己工具链的开发者，另一类是想学习 Agent 如何工作的研究型用户。因为默认工具少，系统提示词短，用户更容易判断一次行为到底来自模型本身、工具结果、项目规则，还是来自 Harness 的隐性预设。

四、Skill 与 Extension：一个教方法，一个改运行方式

Pi 的深度定制可以分成两个层面：Skill 和 Extension。

Skill 更像一本按需加载的专业说明书。它告诉 Agent 遇到某类任务时应该如何分析、如何拆步骤、用什么模板、遵守什么规范、最后怎样验证结果。例如视频制作 Skill 可以告诉 Agent 如何分析脚本、设计分镜、生成视频并做最终验证。Skill 改变的是任务方法，而不是 Agent 的运行机制。

Extension 则更进一步。它通过代码接入 Pi 的运行过程，改变 Agent 如何接收输入、如何调用工具、如何显示状态、如何输出结果、如何处理权限。Extension 可以增加新工具、接入外部服务、修改终端界面、为危险命令增加确认，也可以引入新的交互方式。

简单说，Skill 教 Agent 如何完成专业任务；Extension 改变 Agent 本身如何运行。前者像知识和流程，后者像改造发动机外面的整套车辆系统。

五、语音交互扩展：让 Agent 改造 Agent 自己

Pi 的扩展能力最有意思的地方在于，用户不必亲手写完每一行代码。可以直接用自然语言描述想增加的能力，让 Pi 阅读自己的扩展文档，再由它创建和修改扩展，重新加载后立即测试。

例如可以给 Pi 增加一套中文语音交互能力：把本地语音识别、语音接口和系统播放器连接起来，使任务输入和结果反馈不再局限于键盘和屏幕。用户可以用语音要求它读取某个文件夹下的内容，分析用途，总结摘要，再用语音播报结果。

这个过程的关键不是语音本身，而是“Agent 参与构建和改造 Agent 本身”。当运行层足够开放，Agent 不只是执行项目代码，也可以修改自己的工具、界面和交互方式。成熟产品通常不鼓励用户触碰这些底层环节，而 Pi 把这些环节变成了可实验、可迭代的对象。

六、Sub-agent 与多模型：按任务拆角色，按难度配模型

Pi 默认没有完整的 Sub-agent 机制，但这反而说明了它的可塑性。用户可以自己实现，或者安装别人设计好的扩展包，为 Pi 加入多 Agent 协作能力。

一种实用方式是按任务角色拆分 Agent：设计、执行、审核、证明、修复分别由不同角色完成。每个角色可以配置不同厂商、不同级别的模型，也可以设置不同思考强度。简单任务交给速度快、成本低的模型，复杂任务再调用推理能力更强的模型。

这种机制对成本控制和工程质量都很重要。并不是所有任务都需要最贵、最强、最高思考强度的模型。Harness 如果足够开放，就可以把“任务路由”“角色分工”“模型选择”“思考强度”变成可配置策略，而不是全部交给一个默认产品决定。

七、可观察的执行循环：理解 Agent 的最佳入口

在成熟产品中，工具、权限、上下文管理和执行细节已经被整合成完整体验。用户看见的是结果，很难看清中间层如何组织。Pi 的代码开源、核心结构精简，更容易观察一次 Agent 任务怎样运行。

典型循环大致如下：用户输入任务；Harness 组织系统提示词、项目规则、工具说明和历史消息；模型根据上下文判断是否调用工具；Harness 负责真正执行工具；工具结果返回给模型；模型继续判断下一步；循环持续，直到任务完成。

这个循环看似简单，却是所有 Coding Agent 的共同基础。只要理解了它，就更容易判断规则应该怎样写、工具应该怎样给、上下文什么时候应该压缩、什么时候该加 CPU 或 GPU 资源、为什么不同配置会导致不同结果。

Pi 的价值在于把这个循环暴露得足够清楚。用户可以修改某个环节，再用实际结果验证效果。这种学习会迁移到其他 Agent 工具上，即便最终日常工作仍然使用 Claude Code 或 Codex，也会更懂得如何配置规则、控制上下文和设计工作流。

八、SDK 与嵌入能力：从终端工具到应用中的 Agent 引擎

Pi 也支持通过 SDK 调用核心能力，使 Agent 不再只能存在于终端里。借助 Vibe Coding，可以从零做一个小工具、桌面应用或自动化流程，把 Pi 作为其中的 Agent 引擎。

这意味着 Pi 既可以作为现成 Agent 使用，也可以成为自己应用里的运行内核。一个极简 Agent 内核继续向外组合，就能扩展出消息渠道、定时任务、长期运行、多 Agent 协作、外部服务接入等复杂能力。

从工程角度看，这种嵌入能力很关键。许多团队并不只是想在终端里让 Agent 改代码，而是希望把 Agent 放进内部工具、数据处理流程、桌面助手、自动化脚本和业务系统中。成熟产品未必允许这种深度嵌入，而极简 Harness 的开放性更适合做二次开发。

九、安全边界：控制权越大，责任越大

Pi 把更多控制权交给用户，也意味着默认安全保护没有成熟产品那么完整。极简设计带来透明和自由，也会带来配置、调试和维护成本。

初次使用时，应该优先安装权限保护类扩展，尤其是在删除文件、执行高风险命令、访问敏感目录、调用外部接口之前增加确认机制。Agent 具备终端执行能力后，本质上已经能影响本地文件系统和开发环境，不能只把它当成聊天工具。

安全策略最好分层设计：低风险读取操作可以自动执行；写文件和编辑文件需要保留差异记录；删除、覆盖、批量移动、网络请求、凭据读取和部署命令必须人工确认；涉及生产系统的操作应该放进隔离环境。Pi 的可扩展性让这些策略可以被做成 Extension，而不是依赖用户每次手动提醒。

十、安装与模型配置：先跑起来，再逐步加能力

Pi 的安装路径相对直接：打开官方网站，根据当前环境复制安装命令，在终端执行；安装完成后输入启动命令即可进入交互。登录时可以选择账号认证，也可以通过 API Key 接入模型。

如果选择 API 方式，可以按提供商搜索模型服务，例如接入 DeepSeek，再填入 Key。随后通过模型选择命令切换要使用的模型，也可以用快捷键调整模型思考强度。实践中更建议先用低成本模型跑简单任务，确认工作流和权限配置没有问题，再逐步接入更强模型处理复杂任务。

不要一开始就把 Pi 配成全能工具。更好的方式是先保持默认四工具，理解它如何读、写、改、执行；然后加入 Skill，让它掌握特定任务方法；再加入 Extension，改变交互方式、权限策略和外部服务；最后再实验 Sub-agent、多模型和嵌入式应用。

十一、什么时候选择 Pi，什么时候选择成熟产品

如果目标是完整、稳定、开箱即用，成熟产品仍然更省心。Claude Code、Codex 这类工具已经帮用户处理了大量默认规则、权限交互和工程细节，适合直接投入日常开发。

Pi 更适合三类场景。第一，想理解 Agent 如何工作的人。它把 Harness 拆得足够简单，便于学习系统提示词、工具定义、上下文循环和执行结果之间的关系。第二，有个性化需求的人。语音交互、自定义权限、外部服务、特殊终端界面、多模型策略，都可以通过扩展逐步实现。第三，想把 Agent 放进自己应用的人。SDK 和极简内核让它更像一个可嵌入的 Agent 引擎，而不是只能在终端运行的成品工具。

Pi 不一定是所有人的默认选择，但它能帮助用户看清一个更底层的问题：大模型只是 Agent 的发动机，Harness 才决定发动机如何被使用。理解 Harness，才能真正理解 Agent 为什么会消耗不同 Token、为什么会做出不同操作、为什么同一个模型在不同工具里表现差异很大。

十二、结论：Pi Agent 的价值在于把 Agent 运行层交回用户手里

Pi Agent 的核心价值不是功能更多，而是更少、更透明、更可改。默认四个基础工具、不到一千 Token 的系统提示词、开源代码、Skill 与 Extension 双层扩展、Sub-agent 实验空间、SDK 嵌入能力，共同构成了一个适合学习和改造的 Agent Harness。

成熟产品让 Agent 更像工具，Pi 让 Agent 更像材料。前者帮助用户更快完成任务，后者帮助用户理解并重塑任务系统。对于只想省心完成开发工作的人，成熟产品更合适；对于希望掌握 Agent 运行机制、降低上下文开销、深度定制工作流、把 Agent 嵌入自己应用的人，Pi 提供了更大的实验空间。

未来 Agent 能力的竞争，不会只发生在模型层。谁能更好地组织上下文、设计工具、控制权限、分配模型、嵌入业务流程，谁就能把同一个模型用出更高效率。Pi Agent 值得研究，正是因为它把这些运行层问题清晰地摆在了用户面前。