系列入口：[[解剖Pi-八支柱视角下的极简Agent架构]]（总纲）一期五篇拆完了"执行、会话、工具、安全、落地"。。模型层是整个 Agent 公式里"大模型"那一半——。这篇拆。但就是这么一层"统一 API"，撑起了模型适配、流式、重试、超时、缓存、推理级别、上下文交接全部能力。

一个很普通的电商下单服务，逻辑就三步：查库存、扣库存、建订单。@Service.orElseThrow(() -> new IllegalArgumentException("商品不存在"));throw new IllegalStateException("库存不足");代码读起来顺不顺？顺。有，有库存校验，有异常抛出，格式也干净。如果这就是你 PR 的全部内容，很多团队可能就点了合并。但先别急

两个模式的取舍，本质上是在灵活性和结构性之间做权衡。ReAct 把决策权分散到每一步，模型实时决定下一步干什么。代价是 token 烧得多，还有死循环风险。Plan-and-Solve 把决策集中在规划阶段，后面就是机械执行。代价是一旦规划有误，整个任务可能白干。所以没有"哪个更好"，只有"哪个更适合你当前的任务"。从 ReAct 开始试。跑通了但觉得 token 开销太大、或者模型经常跑偏，再考

直觉上你可能会写一个。

四个工具没有一个直接碰 Node 的或 。它们全部通过注入的 （）操作文件系统、执行命令：这个抽象有三个直接收益：这是"工具层与操作系统解耦"的标准姿势——你的 Java 工具也应该定义/接口，而不是直接在工具里 。 的 schema（）：三个细节值得抄：① 输出有界，且明确告诉模型怎么读完。 工具描述原话：“输出截断 + 指引模型用 offset 继续读完”——Pi 把"怎么处理大文件"写进工具

那是因为你一直在看"树"，没看到"林"。这篇文章是一张林的地图——把目录里那些博客（生产级 Agent、可观测性、上下文窗口、幂等、SSE、Redis、TTFT）和两个真实项目（Pi Agent Harness、Claude Code 会话式 CLI）串成一张总图，按四个维度收拢，最后补一节从 Session 设计里提炼的硬需求与软实力。看完它，你再回头看任何一篇，都能说得出"它解决的是这条链路上

上一篇文章《设计Agent与AI工具-总纲博客》里，我把 Agent 开发收拢成八个词——判断、授权、执行、记录、会话、隔离、决策、看见。，约 4 万 star，OpenClaw 的核心运行时构建在它的 SDK 之上）。这篇文章从 Pi 的 GitHub 仓库直接拉源码和文档，逐条核对：它是否符合这八支柱？符合到哪一层？不符合的地方，它自己的逻辑是什么？每一段结论都附源码或文档原话，不靠转述。

上一篇文章《设计Agent与AI工具-总纲博客》里，我把 Agent 开发收拢成八个词——判断、授权、执行、记录、会话、隔离、决策、看见。，约 4 万 star，OpenClaw 的核心运行时构建在它的 SDK 之上）。这篇文章从 Pi 的 GitHub 仓库直接拉源码和文档，逐条核对：它是否符合这八支柱？符合到哪一层？不符合的地方，它自己的逻辑是什么？每一段结论都附源码或文档原话，不靠转述。

那是因为你一直在看"树"，没看到"林"。这篇文章是一张林的地图——把目录里那些博客（生产级 Agent、可观测性、上下文窗口、幂等、SSE、Redis、TTFT）和两个真实项目（Pi Agent Harness、Claude Code 会话式 CLI）串成一张总图，按四个维度收拢，最后补一节从 Session 设计里提炼的硬需求与软实力。看完它，你再回头看任何一篇，都能说得出"它解决的是这条链路上

那是因为你一直在看"树"，没看到"林"。这篇文章是一张林的地图——把目录里那些博客（生产级 Agent、可观测性、上下文窗口、幂等、SSE、Redis、TTFT）和两个真实项目（Pi Agent Harness、Claude Code 会话式 CLI）串成一张总图，按四个维度收拢，最后补一节从 Session 设计里提炼的硬需求与软实力。看完它，你再回头看任何一篇，都能说得出"它解决的是这条链路上