扩展性强、缓存命中 90% 以上、响应还利落：我用 Pi 换掉了 Claude Code

一个可扩展、有主见、极简的 AI 编程 CLI

📌 实测笔记

我是个写代码的人，之前一直用 Claude Code 干活。用了一阵子，慢慢觉得别扭：每次开工，账单在悄悄变厚，反应也在慢慢变钝。

于是换到了 Pi。它很低调——名字故意取得不显眼，而最近爆火的 OpenClaw 其实就是基于它构建的。我用了挺长一段时间，才动了写篇推荐的心思：上手之后，它确实是我目前用过最好用的 AI Agent CLI 之一。

说点真实的体感：我自己的日常使用里，缓存命中率基本在 90% 以上，响应明显比那些「大块头」快，扩展也特别顺手。甚至因为有些供应商接口不稳、老报 429/400，我还自己动手写了一个重试扩展。下面把我的体验和踩过的点都摊开讲讲。

天天留在手边的，反而是这个最极简的 Pi

⚠️ 避雷：如果需要开箱即用的 Coding Agent，请不要用 Pi，Claude Code / Codex 更适合你。

---

01｜它是什么：极简、有主见、可扩展

Pi Coding Agent 的作者 Mario Zechner 把它定义成一个「有主见且极简」的 Coding Agent。所谓有主见，是它不替你规定工作流；所谓极简，是核心只保留最必要的东西。

它奉行近乎激进的可扩展性：很多在别的工具里「内建」的能力，在 Pi 这里都交给 extensions、skills，或者第三方 pi packages 来实现。这样核心保持精简，你又能按自己的方式塑造它。

一个有趣的细节：Pi 这名字是作者有意取的，跟数学里的 π 关联，就是为了降低知名度——很多项目爆火后会涌来各种低质量 issues 和 AI 生成的 PR，作者想绕开这个。结果 OpenClaw 火了，大家才注意到底下这个引擎。

---

02｜它「不」做什么：少即是多

Pi 最反直觉的一点，是它明确「不」内建很多别家当成卖点的功能。这不是偷懒，而是哲学：核心越薄，每一轮越便宜、越聪明。

它不内建 → 怎么补上

• 不做 MCP：自己写带 README 的 CLI 工具，或写 extension 加支持
• 不内建 sub-agents：用 tmux 起多个 Pi 实例，或装 pi-subagents 包
• 不弹 permission popups：丢容器里跑，或写 extension 做确认流程
• 不设 plan mode：计划写进文件，或装 plan-mode 包
• 不内建 to-dos：用 TODO.md，或装 pi-todo 包
• 不提供后台 bash：用 tmux，全程可观测、交互更直接

一开始你会觉得「这也太裸了」。但用顺了就明白：你真正需要的，几乎都能用一行命令装回来；你不用的，就别再每轮替你付一次「占位税」。

---

03｜为什么性价比高：一万八千 token 的差距

这是我最想展开讲的部分。先看一个数字。

精简的系统提示词

Claude Code 每次开始干活，还没轮到你说话，先往模型那边送两万多 token。token 是模型计费和处理的「最小单位」，一个汉字大约算一到两个 token。社区逆向出来的数据是：截至 2026 年 2 月的版本，系统提示词本身约 23500 token，外加 27 个内置工具定义（近十万个字符）。这两块构成每次对话的固定开销。

Pi 这边：系统提示词不到 1000 token，内置工具只有 4 个——读文件、写文件、改文件、执行命令。

23500 对 1000，27 个工具对 4 个。有人实测过：通过 Claude Code 说一句「你好」，整个请求实际消耗了四万多 token。

缓存救不了「注意力」

看到这你可能会说，现在各家都有提示词缓存，同一会话里第二次之后只按一折计费——这问题不大。话对，但只对一半。

缓存解决的是「重复发送」的计费，没解决的是：这两万多 token 每一轮都真实地占着模型的注意力。Pi 作者引用的关键结论是，Pi 每轮送给模型的内容大约是别的工具的三分之一，这个差距在整个任务里持续存在，任务越长、改的文件越多、轮次越密，累积越狠。

还有个容易忽略的点：子任务。Claude Code 支持把活派给独立 subagent，但每个 subagent 每轮都要重新加载一遍系统提示词和工具定义。实测一个任务：直接做消耗 121000 token，拆成两个 subagent 去做，消耗 513000 token，翻了四倍多。

省 token 和提质量，是同一件事

精简，反而让模型更聪明

2023 年斯坦福和伯克利的《Lost in the Middle》测了六个模型家族：同样一条信息放开头或结尾，模型能用上；放中间，准确率掉超过 30%——因为位置编码机制，距离拉远注意力自然衰减。

2025 年 Chroma 更贴近实际的测试覆盖 18 个模型：输入变长，表现下降 20% 到 50%；号称 20 万 token 窗口的模型，实际到 5 万 token 就已经明显衰退，而且越需要综合判断、语义越模糊，掉得越快。

把这两件事放一起看：你每轮多送进去的那两万 token，既在账单上收你钱，也在稀释模型对真正重要内容的注意力。

harness 越薄越好

Pi 作者有句话大意是：一个 harness 工具里，到底有多少东西真正起支撑作用，有多少只是因为「大家都这么做」才留着？Pi 用「删掉」来回答。他还说，这个工具应该小到你能把它每一个 token 都装在脑子里。

这跟大厂逻辑正好相反。Claude Code 和 Codex 过去一年持续加功能——任务管理、团队协作、各种子系统。前面提到的系统提示词，在 2026 年 2 月的两周内就涨了 28%。每一个功能都要在系统提示词里占一段，告诉模型「你还可以这样做」，而这段占位每一轮都要重新付费、重新占注意力——哪怕你这次任务根本用不上它。

---

04｜快速上手：装好就能用

STEP 01 安装

npm install -g @mariozechner/pi-coding-agent

装完用 pi 命令启动，或给终端配个快捷键。

STEP 02 Windows 记得配 bash

如果你在 Windows，还需要一个 bash shell。检查顺序：settings.json 里的自定义路径 → Git Bash → PATH 里的 bash（Cygwin / MSYS2 / WSL）。大多数人选 Git for Windows 就够了。

{ "shellPath": "C:\\cygwin64\\bin\\bash.exe" }

STEP 03 配模型

配置好通过 /model（或 Ctrl+L）选模型。Pi 的模型配置很优雅，三条路：

• 订阅：有买Coding Plan或者Token Plan订阅的，直接 /login 登录，token 存 ~/.pi/agent/auth.json。。
• Key：环境变量（如 ANTHROPIC_API_KEY=sk-ant-...）或写进 auth.json。
• 自建：建 ~/.pi/agent/models.json，支持 openai-completions / openai-responses / anthropic-messages / google-generative-ai 等 API。每次 /model 都会重载，会话中改不用重启。

几个用了就回不去的命令

• 消息队列：干活时还能继续发消息。Enter 排入引导消息（当前工具执行完立即送达并打断后续），Alt+Enter 排入跟进消息（全部完成后才送达）。
• 上下文压缩：/compact [prompt] 手动压缩，可给自定义提示。
• 会话分支：/tree 在历史节点间跳转、/fork 从当前分支开新会话，所有历史都留在同一个 JSONL 文件里。
• 项目上下文：启动时从 AGENTS.md（或 CLAUDE.md）加载项目说明与约束，全局和项目级都会被拼接。

这一段只讲骨架。更细的安装、各家 Key、TUI 操作，建议直接看官方文档。

---

05｜扩展生态：想要什么，装什么

Pi 的能力边界，基本等于 packages 生态 的边界。所有扩展都能在 https://pi.dev/packages 下载安装。我按用途分了几类：

模型与接入

• pi-model-manager：在 TUI 里可视化增删改模型和接入配置，以原生 models.json 为唯一数据源
• pi-ollama-cloud：把 Ollama Cloud 注册为提供商，自带联网搜索/网页抓取，不用本地跑 Ollama
• pi-xai-oauth：xAI OAuth 接入 + Grok 账号模型目录，让 Pi 直接调用 Grok

效率与压缩

• pi-hypa：本地压缩嘈杂的工具输出，改写 shell 命令走确定性压缩，给上下文窗口减负
• pi-rtk-optimizer：把 bash 命令改写成 rtk 等效命令，再压缩输出，省 token
• pi-hashline-edit-pro：基于 3 字符哈希锚点的严格 read/replace，文件编辑锚点不会错位
• pi-autoresearch：自动跑实验、测指标、保留好的/回滚差的，适合持续性能调优

搜索与网络

• pi-web-access：网页搜索、URL 抓取、GitHub 仓库克隆、PDF 提取、YouTube 视频理解以及本地视频分析，支持 OpenAI、Brave、Parallel、TinyFish、Search1API、Searchinfinity、Querit、Tavily、SERPdive、Kagi、Ollama、AnySe 等多种搜索源
• pi-fff：FFF 模糊搜索文件和内容，快速定位仓库里的代码

自动化与代理

• pi-computer-use：跨平台桌面自动化，能点击、输入、截屏、操作 GUI
• pi-subagents：子代理编排，支持链式、并行、异步、分叉上下文和跨代理协调
• pi-goal：Codex 风格的 /goal 目标驱动循环，带证据检查、预算和阻塞检测

任务与交互

• pi-todo：给模型用的待办清单悬浮层，/reload 和会话压缩后还能保留
• rpiv-ask-user-question：结构化问卷工具，让模型在需要决策时给选项而不是让用户自由输入
• pi-btw：/btw 侧边追问命令，临时提问不污染主会话
• plan-mode：只读计划模式，禁用写入并限制 bash 白名单，让 Pi 先安全制定计划再执行

TUI 与状态

• pi-powerbar：底部常驻 powerline 状态栏，实时显示 tokens、上下文、模型
• pix-pretty：增强工具输出渲染，语法高亮、文件图标、树状视图、diff
• pi-extension-settings：集中管理各扩展配置的通用设置框架

还有一个我很喜欢的：Pi Atelier。它把默认底部栏换成了响应式状态栏，侧边栏能显示 Agent 状态、回合信息、工具调用、上下文、会话和项目数据——信息密度一下就上来了。

我自己在用的扩展

上面是公开生态，顺手列一下我本机实际装着的（npm 包）：

pi-subagents pi-fff rpiv-todo pi-lsp pi-hashline-edit-pro pi-btw pi-web-access pi-atelier pi-rtk-optimizer pi-model-manager pi-hypa rpiv-ask-user-question

基本覆盖了「省 token / 搜代码 / 待办 / LSP / 联网 / 状态栏」，够我日常折腾了。

---

06｜我的真实体验：快、省、还能自己改

我自己的日常会话里，缓存命中率基本在 90% 以上。这意味着大部分轮次只按一折甚至更低计费，账单比用那些「大块头」友好太多。

响应也明显更快。原因前面说过——每轮送给模型的固定内容只有别人的三分之一左右，模型「看到的噪音」少，出活就利索。

扩展方便到，我自己写了个插件

真遇到问题是在用某些第三方供应商时：接口不稳定，经常甩 429（限流）或 400（请求错误），链接一断，正在跑的任务就废了。

本来这是个 annoyance。但 Pi 的扩展机制太顺手，我就让 AI 照着文档帮我写了一个扩展：链接断开时自动重试。名字叫 pi-retry-codes。

pi-retry-codes：一个 Pi Coding Agent 扩展，检测到底层连接断开（常见于 429/400 这类瞬时错误）时自动重试，不让任务中途夭折。地址：https://github.com/jlifeng/pi-retry-codes

⚠️ 踩坑提示 🕳 选供应商时别只看单价。有些便宜的第三方接口限流狠、报错多，频繁 429 反而拉低效率。先用稳的跑通，再考虑省钱；真遇到不稳定，像我一样写个重试扩展，比来回换 key 实在。

这件事本身也说明 Pi 的好：核心极简，但你要加一层容错，写个扩展就能塞进去，不用等人家发版本。

---

写在最后

我不太会给工具贴「年度最佳」这种标签，但 Pi 确实是我目前用得最舒服的一个。它不完美——如果你想要开箱即用、功能全包、不用动脑配置，它可能不是你的菜；但如果你愿意花十分钟理解它的哲学，想要一个轻量、便宜、可控、还能自己改的编程助手，它值得一试。

几个链接放这儿：

• 扩展市场：https://pi.dev/packages
• 我的重试扩展：https://github.com/jlifeng/pi-retry-codes

Tool 是手段，把活干漂亮才是目的。祝你的 AI 搭档又快又省。

---

我是 {{作者名}}，{{一句话简介，如：热衷于折腾 AI 编程工具、分享实战经验}}。如果今天这篇对你有用，欢迎点赞、在看、转发三连，我们下篇见。