为什么我选择Pi：一个极简Agent Harness的真实价值

当市面上涌现出越来越多的Agent Harness时，如何选择一个真正适合自己的框架，成为了开发者需要认真思考的问题。经过对Pi、DeepSeekHarness、OpenHands、Goose等多款方案的深入比较，我最终选择从Pi开始搭建自己的个人Agent体系。这个选择背后，核心考量其实很朴素：我能否理解它、修改它，并把积累的Skill、工具和工作流完整带走？

极简设计的深层含义

Pi本质上是一个开源的Agent Harness，而非大模型本身。它的职责是将大模型、工具调用、会话状态和交互界面有机连接——模型负责思考下一步行动，Harness则负责将这个判断转化为实际动作：读取文件、执行命令、修改代码，再将结果反馈给模型进入下一轮循环。

按需加载的Skill机制

Pi的"轻量"不仅体现在安装包体积上，更深刻地影响着使用成本。传统的Coding Agent在每一步推理时，都需要重新携带系统提示词、工具定义、会话历史和工具返回结果。固定内容越长，多轮任务中的重复开销就越高。Pi默认仅提供四个核心工具——read（读取文件）、bash（执行命令）、edit（修改文件）和write（创建文件），而且只有实际被调用的工具才会出现在系统提示词的工具列表中。这意味着，从第一轮对话开始，Pi就比那些内置数十种工具的方案少背负了相当一部分固定上下文包袱。

效率数据的真实解读

Pi对Skill的处理同样体现了这种克制。启动时，它只将Skill的名称和简介放入上下文；当任务真正需要某项能力时，才动态加载完整的说明文档。对于计划长期积累各类Skill——代码分析、内容创作、资料研究、图片生成的开发者而言，这种设计意味着：能力越多，成本不一定越高。你可以保留一个轻量内核，在需要时再按任务装入相应的能力。

写在最后

社区中流传着不少关于Pi能节省Token的惊人数字，有人声称高达90%，甚至30倍。但这些数字往往测量的是不同维度：有的统计单轮固定前缀，有的统计完整任务，有的将缓存Token计算在内，有的只看最终账单。我们需要理性看待这些数据——它们可能是真实的，但测量标准各异。在评估时，应同时关注新输入Token、缓存读取、输出Token、推理轮次、工具调用次数、任务成功率和实际耗时等多个指标。仅凭单一数字，很容易得出好看但不完整的结论。

如有侵权，请联系删除。