大道至简:AI Agent工具Pi(π),国内用户的更佳选择

这两天了解了一下国外比较流行的 Agent 工具 Pi（读 π），用下来之后有个明显的感受：对国内用户而言，它或许上手门槛不低、但却是能用到的效率极高的 Vibe Coding 工具。

目前，随着 vibe coding、harness engineering 这些概念逐渐走热，加上 openclaw、hermes 等工具带来的理念冲击，相信不少人已经开始真正用上 AI Agent 了。

一个很明显的变化是：过去大家习惯在在线 AI 平台上直接交互，完成一些简单任务；现在越来越多人开始用 Claude Code、Codex、opencode、openclaw、hermes、Trae 这类工具去做更复杂的工作。

以上这些工具我基本都试过。个人用得最多的是 opencode 和 Trae。原因也很简单：opencode 是这类开源工具中最有名的，很多项目、技能都默认适配它；而 Trae 虽然相对普通，但胜在图形界面友好、国内可用，对刚入门的小白来说，是个不错的起点，用这个也方便我线下对初学者进行指导。

不过各种工具用多了之后会发现，Agent 和 Agent 之间的效果差异，其实很大。

个人观点，这种差异主要来自两个方面：

1. 使用的模型

2. 工具本身对任务的处理方式

大家都说 Claude Code 强，但它的强大很大程度上依赖 Claude 系列模型本身的能力，再加上其工程实现也很出色，两者共同支撑了它的表现。对国内普通用户来说，因为各种原因，基本很难用上Claude系列模型。也有人会说，可以用 CC-Switch 这类工具让 Claude Code 接入 DeepSeek。我认可的是 CC 对任务的处理方式，而不是模型本身。但问题在于，Claude Code 的处理方式其实是围绕 Claude 系列模型专门适配过的，换成其他模型，效果未必好。

有博主研究发现，在Claude Code中调用Deepseek，明显消耗更多tokens，不是因为Deepseek太蠢，而是CC的一些设置会让它发更多上下文内容给Deeeseek处理，而用Claude的模型就不会。当然这个问题有待进一步验证。

其实，Claude Code、opencode 这类工具的核心逻辑并不复杂：把用户指令 + 自己的提示词一起发给 LLM，让模型通过指令调用本地电脑资源。其中最核心的四个工具是：读、写、编辑、执行 bash。有了这四个工具，就能衍生出一系列操作。

Claude Code 为了做到强大的功能，每次发给 LLM 的提示词 tokens 量非常大。但我们知道，提示词里掺入太多额外内容，反而可能会影响原始指令的执行效果——尤其是对于能力一般的模型，过长的提示词更容易造成注意力分散或指令覆盖。所以这里其实要把握好一个平衡。传统和在线AI平台交互，自己手动去执行命令的方式太麻烦，而使用Agent又可能面临着注意力分散。

但是，说到底，大道至简。对于一个 Agent 工具来说，真正需要的其实就是 读、写、编辑、执行 bash。工具介绍内容越少、越干净，对模型最终效果的影响就越小。

比如说，待会我说的案例，全程就用了这四个工具。

Agent读文件

Agent编辑文件

Agent执行Bash命令

最终也能高效地把任务完成，所以国内用户真想用 AI Agents 做 Vibe Coding，不一定追求Claude Code ，它未必是最适合的。当然，如果你有便捷的使用途径，那就当我没说。

总体上，如果把Harness Engineering比作AI的“道”，那么“读、写、编辑、执行 bash”则是“一”。

我们不妨回归 Agent 工具最核心的那个“一”——也就是读、写、编辑、执行 bash。工具越克制，对模型本身的干扰就越小，特别是国内普通人难以接触到Claude系列最顶级模型的情况下，对模型干扰越少可能效率越高。

而 Pi，正是这样一个回归本质的设计。用它来测试之前那篇 AI 润色工具的文章任务，只花了几毛钱，缓存命中率很高，而且几乎没有反复调试，基本一次性完成。

npm install -g --ignore-scripts @earendil-works/pi-coding-agent

pi