Pi：极简编码代理框架的实战验证

Pi的极简主义是它的优势

人工智能让代码变得廉价，因此许多公司都在构建更大的工具以追求更好的性能。更大的提示词、更多的编排、更多的层次、更复杂的结构。

这也使这些工具本质上使用成本更高。而树莓派则采取了相反的做法。

Pi 是刻意选择极简主义的编码工具。它开箱即用 4 个工具，而且系统提示工具定义通常低于1000个token。理念是大部分工作都能从基础完成，如果想要更多，就自己构建。

越来越多的证据表明，Pi的设计不仅更简洁;它更便宜、更高性能。用户发现，原版Pi在添加符合用户特定工作流程和需求的扩展之前，就能产出行业领先的成果。

正如我们在Databricks和Shopify的案例研究中看到的，Pi为两者都带来了理想结果。

案例研究

Databricks 研究：每任务成本

Databricks最近分享了他们的发现”在Databricks数百万行代码库上对编码代理进行基准测试.”他们的研究目标是了解哪些编码代理在现实编码任务中表现最佳，以及任务性能如何随价格变化。

以避免外部偏见这些基准已经变得过于饱和他们根据工程师团队定期执行的任务创建了自己的成果。结果符合我们的预期，但业内许多人可能会感到惊讶。

用他们的话说，“......模型所从哪种线束极大地影响成本和质量”，而且，“在许多情况下，像Pi这样的简单线束在我们的工作负载上表现最佳。”

与Opus 4.8 xhigh结合使用时，Pi的整体通过率最高，成本明显低于Claude Code和Codex。

最小的背带，可测量的效果

Pi的优势在于它不会试图用一堆默认和指令包裹模型，这些指令会在指令层级.相反，Pi 不干扰模型，团队能够添加他们实际需要的工作流程。

Databricks的研究具有启发性，因为它将模型与机束区分开来。

他们报告称，当他们用相同的思维方式运行同一模型并通过不同的工具时，“每个任务的成本差异显著（有些情况下超过2倍），而质量保持不变”。

我们称之为Pi的“上下文纪律”。“Pi每回合发送的上下文大约是3倍。它更好地管理上下文，保持了更紧凑的工作集，并在更少的运行中完成任务。”

我们同意必须考虑端到端的工程经济性，而不仅仅是每个代币的价格。这在模型层面同样适用;例如，我们观察到，在Haiku 4.5上运行复杂工作流程往往比Sonnet 4.6更昂贵，尤其是在涉及代码执行时，因为代理需要更多回合才能成功完成任务。

现在我们在线束层面也能看到这一点;更强、更贵且配备高性能线束的型号，价格可能比相反的更便宜。

Shopify 打造 Pi AutoResearch：可扩展工具战胜臃肿

极简主义是 Pi 核心理念的一部分。之所以能做到这一点，是因为极简并不意味着不灵活。事实上，它是第一个广泛使用的可扩展性和自我编辑智能体基础设施。

另一个对Pi设计的外部验证来自Shopify。在这篇文章中Shopify 工程，大卫·科尔特斯描述了建筑pi-autoresearch直接作为 Pi 扩展，只需问“Pi，[以]为 Autoresearch 创建一个扩展......”。

Pi 会读取自己的扩展文档，并从那里开始构建新的工作流程。

Autoresearch是一个用编码代理进行自主优化的循环。当你请求变更时，它会运行实验，找出什么有效，什么导致回归。只要目标是可测量的，它就能剔除这些回归，继续自我改进。

针对 Shopify及其他Autoresearch扩展迅速成为一个严肃的内部生产力工具。Shopify报告了包括单元测试运行“快300倍”、React组件挂载“快20%”、多个项目构建时间缩短，甚至pnpm性能的提升。

这里重要的是，Pi 不会直接出货这些工具。相反，它让你构建它们变得异常简单。Pi 不会假设供应商了解你的工作流程，试图把所有工具都推上去，而是假设你最懂，并赋予你灵活性，让你能够使用和打造属于自己的工作流程。

为什么现在赢得很少

大约一年前，有人认为本土背带在结构上优于其他所有，因为模型是围绕它们构建的。然而，这一论点已经变得薄弱。

Frontier模型现在通常非常擅长理解终端（或终端风格）编码环境，并在其中操作。Anthropic最近将Claude Code的系统提示减少了80%这就是一个明显的标志。

所以问题越来越少是线束的原生程度，而是它如何处理上下文以避免冗余，并与干净的原语一起工作。模型需要一个干净的环境接口，以及一个不浪费上下文的线束。

Pi 提供了这一点：更少的提示开销和重复上下文，更便宜的运行，减少不必要的抽象。因为它可扩展，你不会失去能力，但会获得选择性。

只有当它“值得它应得”时，你才会增加复杂度。

我们也看到本地模型快速发展，且在埃兰迪尔我们认为它们非常有前景。Pi 的上下文学科在这里尤其具有优势。局部模型通常上下文窗口较低，且预填这可能需要很长时间，因此保持稳定的提示词前缀非常重要。

上下文约束意味着我们不会在用户明确要求的情况下更改上下文，避免了长达几分钟的重新填充。结合最少的默认系统提示和工具集，使 pi 成为本地模型的理想工具。

Pi正在证明它能处理所有这些。更便宜、更简洁、更高性能。