大大节省tokens！Pi Agent：极简底座驱动的个人Agent

开场导语

过去一年，Claude Code 和 Codex 把“让 AI 直接改代码、跑命令、交付结果”这件事做成了主流工作方式。但对很多普通知识工作者来说，问题并不是“我需要一个更强的编程助手”，而是“我有一堆 PDF、Word、Excel、网页资料、图片、音频、视频和汇报材料，能不能一句话交给本地智能体，让它最后真的交付成品”。

从这个角度看，Pi Agent 的有趣之处不在于它声称自己比 Claude Code 或 Codex 更强，而在于它把 Agent 的核心做得很小：让模型拥有最基础的文件读写、编辑和命令执行能力，再把其他能力交给 Skill、Extension 和 Package 去装配。它更像一个“可拼装的本地工作流底座”，而不是一个大而全的官方编程平台。

这篇文章基于用户提供的观点稿、Pi 官方文档、Agent Skills 标准、Claude Code 与 Codex 官方文档，以及 Pi GitHub 仓库的本地源码核对，尝试回答一个更准确的问题：

Pi Agent 是否真的更适合普通人？如果成立，它成立在哪些场景里，又有哪些边界？

核心结论

1. Pi Agent 的官方定位仍然是 coding harness，不是一个已经包装好的“办公套件”。 Pi 官方 README 将其描述为极简终端 coding harness，官方文档也以 CLI、本地文件、命令、Skills、Extensions、Packages 为中心。

2. 用户原稿里“极简底座 + Skill 定制”的判断是成立的。 Pi 官方 quickstart 说明默认工具是 read、write、edit、bash；本地源码也能看到默认 system prompt 和 skill 注入逻辑。

3. “更适合普通人”不能写成绝对事实。 更准确的说法是：Pi 更适合愿意把日常办公流程沉淀成 Skill、脚本和本地工具链的人。它的优势是可塑性，不是开箱即用的产品完整度。

4. Claude Code 和 Codex 的优势是平台成熟度。 Claude Code 官方定位是面向终端、IDE 和 GitHub 的 agentic coding tool；Codex 官方 CLI 文档也明确围绕代码读写、运行测试、创建 PR 等开发任务展开。Codex 同时在官方 use cases 中覆盖研究、表格处理、日程和知识工作，但其核心产品重心仍更靠近代码驱动的执行环境。

5. Pi 的风险也来自同一个设计选择。 Pi 文档明确提示第三方包和 Skills 可能拥有完整系统访问权；Pi 还刻意不内置 MCP、权限弹窗、计划模式、后台 bash 等功能。这让它更轻、更可改，也意味着普通用户必须更重视来源审查、隔离环境和工作流可维护性。

6. 本次验证等级：B/C 级混合验证。 文档和源码层面的架构判断达到 B 级；安装运行、速度、Token 省幅度、真实办公效率没有完成量化验证，因此只能算 C 级或推断。

添加图片注释，不超过 140 字（可选）

图 1. Pi 的机制：小核心，把能力留给 Skill。

图注：自制机制图，基于 Pi 官方文档和本地源码核对；它不是产品截图。

用户提供的原始观点

用户原稿的核心判断可以压缩成三句话：

• Pi Agent 相比 Claude Code 和 Codex，更像面向普通人的本地智能体，而不是只为交付代码服务的编程助手。

• Pi 的底座设计极简，系统提示词短、工具少，因此可能运行更快、Token 更省、注意力更集中。

• Pi 的真正差异化来自 Skill 机制：用户可以像搭积木一样装入联网搜索、PDF/Office 解析、TTS、图像生成、视频制作等能力，并把它们串成自动化工作流。

这套叙事有吸引力，但需要拆开看。第一句是判断；第二句和第三句是可以核对的技术事实；“更快、更省、更适合普通人”则需要证据边界。

事实层：Pi 到底是什么

Pi 官方文档给出的安装方式很直接：可以通过 npm 安装，也可以用官方安装脚本；启动后，默认给模型的工具是文件读取、写入、编辑和 bash 执行。官方 quickstart 还说明，用户可以通过 Skills、Prompt Templates、Extensions 和 Packages 添加能力。

本地仓库核对也支持这一点。在本次研究中，Codex将 earendil-works/pi 仓库浅克隆到本地，检查到的 commit 是：

b63d26332f35b9b8456f4abd3bc03e2d4bf2cc3e

2026-05-28 12:34:02 +0200

Finish harness tool registry semantics

本地源码里有几个关键证据：

• packages/coding-agent/README.md 将 Pi 称为极简终端 coding harness，并说明它跳过了 sub-agents 和 plan mode 等内置功能。

• packages/coding-agent/package.json 中，@earendil-works/pi-coding-agent 的描述是带有 read、bash、edit、write 工具和会话管理的 coding agent CLI。

• packages/coding-agent/src/core/system-prompt.ts 中，默认工具列表是 read、bash、edit、write。

• packages/agent/src/harness/system-prompt.ts 会把可见 Skills 格式化进 available_skills 区块，并提示模型在任务匹配时读取完整 Skill 文件。

所以，用户原稿里“Pi 的底座很小”这件事是可以被官方文档和源码共同支持的。

事实层：Skill 不是装饰，而是 Pi 的核心设计

Pi 的 Skills 文档写得相当明确：Skill 是一种自包含能力包，可以包含专门工作流、设置说明、辅助脚本和参考资料；启动时先扫描名称和描述，任务匹配后再读取完整 SKILL.md。这就是典型的 progressive disclosure：不是把所有能力说明一股脑塞进系统提示词，而是先只把“有哪些能力”放进上下文，真正用到时再加载细节。

这点也和 Agent Skills (https://agentskills.io/home) 的标准思路一致。Agent Skills 强调用 SKILL.md 把 agent 能力组织成可发现、可复用、可按需加载的包。Pi 还显式支持从 ~/.agents/skills/、.agents/skills/、~/.pi/agent/skills/、.pi/skills/ 等目录加载 Skill，并允许通过 --skill 显式指定。

更有意思的是，Pi 官方 Skills 文档还说明可以把 Claude Code 或 OpenAI Codex 的 skills 目录加入 Pi 的设置中。这意味着 Pi 不只是自己搞了一套私有插件系统，而是试图贴近跨 harness 的 Skills 生态。

添加图片注释，不超过 140 字（可选）

图 2. 核心说法证据矩阵。

图注：自制证据矩阵。它把“已验证”“部分验证”“推断”和“未验证”分开，避免把设计逻辑直接写成性能结论。

机制层：为什么小底座可能更适合普通人的办公工作流

普通人真正需要的，常常不是一个“懂所有东西”的 Agent，而是几个稳定、可复用、能交付的流程：

• 给它一批 PDF、网页和表格，产出一份带引用的行业简报。

• 给它会议录音和聊天记录，产出纪要、待办、邮件和汇报页。

• 给它 Excel 和业务口径，产出清洗后的表、图和解释。

• 给它资料、文案、图片、TTS 和视频工具，产出一个可发布的网页或短视频报告。

这些任务不是纯代码任务，但它们都可以被拆成“读文件、调用工具、生成中间产物、校验输出、打包交付”。这正是 Pi 这种小底座能够发挥作用的地方。

换句话说，Pi 的价值不是“我内置了所有办公功能”，而是“我愿意把外部 CLI、脚本、文档解析器、TTS、图像模型、视频生成器都变成 Agent 可以调用的 Skill”。一旦 Skill 写得好，普通用户以后只需要说一句目标，底层流程就能复用。

这个逻辑能解释用户原稿中“像搭积木一样安装能力”的说法。Pi 官方 package catalog 中能看到 pi-docparser 这类文档解析包，说明它可以处理 PDF、Office、电子表格和图片等输入；pi-sheets 展示了面向电子表格的 Skill；badlogic/pi-skills 仓库则包含 Brave Search、browser tools、Google Calendar、Google Drive、Gmail、transcribe、YouTube transcript 等示例能力。

但这里要非常清楚地补一句：这些例子证明 Pi 具备拼装办公工作流的生态基础，不证明它已经拥有像 Notion、Office Copilot 或桌面 RPA 那样面向普通用户的完整体验。

与 Claude Code / Codex 的差异：不是谁替代谁，而是谁更适合哪种工作流

Claude Code 官方 overview 将它描述为可以在终端、IDE 和 GitHub 中理解代码库、编辑文件、运行命令、创建提交和 PR 的 agentic coding tool。Claude Code 也有 Skills、MCP、hooks、subagents 等能力，产品完成度和工程生态非常强。

Codex 官方 CLI 文档也以本地代码代理为核心：可以读写文件、运行命令、测试代码、管理 approvals 和 sandbox，并支持 MCP 与 Skills。OpenAI 官方的 Codex use cases 还把表格、日程、研究、整理文档等知识工作纳入用例，所以 Codex 并不是只能写代码。只是从产品心智看，它依然是一个以代码执行环境为中心的强 agent。

Pi 与它们的差异不在“有没有 Skill”。Claude Code 和 Codex 也都有 Skills。真正的差异在底座取舍：

• Claude Code 和 Codex 更像成熟平台：开箱功能多、官方约束强、工程路径清晰。

• Pi 更像裸露但灵活的本地 harness：少内置、少假设、鼓励用户把想要的能力自己装上去。

所以，把 Pi 写成“比 Claude Code 和 Codex 更适合普通人”会过头。更准确的判断是：

如果普通人只是想要一个开箱即用、少配置、少风险的智能助手，Pi 不一定更适合。

如果普通人愿意把高频工作做成一套本地 Skill 工作流，Pi 的小底座反而可能更合适。

添加图片注释，不超过 140 字（可选）

图 3. Pi、Claude Code、Codex 的适用边界。

图注：自制适用人群图。Pi 的优势是可塑性，Claude Code/Codex 的优势是平台成熟度。

对“速度快、Token 省、专注力更强”的验证边界

用户原稿里有一句很关键：Pi 因为系统提示词极短，所以运行速度快、Token 消耗极省、专注力更强。

这个判断有合理性，但本次不能把它写成已验证事实。

可以确认的是，Pi 的默认 system prompt 和默认工具说明确实比很多大而全 harness 更克制；Skills 又采用按需加载，理论上可以减少不相关说明占据上下文。Pi 作者在官方 README 的 philosophy 部分也强调，小核心可以让用户按自己的工作流扩展，而不是让工具规定用户的工作流。

但“更快”和“Token 更省”需要同任务、同模型、同上下文、同工具调用次数的基准测试。比如要比较：

• 同样的 PDF 摘要任务，Pi、Codex、Claude Code 分别消耗多少输入/输出 token。

• 同样的多文件报告任务，三者完成时间、工具调用数量、错误率如何。

• 同样的 Skill 工作流，Pi 是否真的减少了无关上下文。

本次没有完成这类 benchmark。因此文章只能写成：

Pi 的设计有利于降低默认上下文负担，但“速度快、Token 省”的幅度尚未在本次验证中量化。

这是一个重要边界。它不削弱 Pi 的设计价值，反而让文章更可信。

本地验证：做了什么，没有做什么

本次本地验证包括：

git clone --depth 1 https://github.com/earendil-works/pi.git research/pi-agent-local-workflow-2026-05-28/artifacts/pi

git -C research/pi-agent-local-workflow-2026-05-28/artifacts/pi rev-parse HEAD

git -C research/pi-agent-local-workflow-2026-05-28/artifacts/pi log -1 --format='%H%n%ci%n%s'

rg -n "Available tools|skills|Agent Skills|--no-skills|plan mode" research/pi-agent-local-workflow-2026-05-28/artifacts/pi

验证结论：

• 成功克隆并检查 Pi 仓库。

• 成功核对 README、package metadata、system prompt 构建逻辑、Skill 注入逻辑、CLI 参数和 Skills 文档。

• 成功生成三张自制解释图，并将 Markdown 打包为本地交付稿。

未完成的部分：

• 当前环境没有全局 npm、pnpm、bun，因此没有执行 npm install、npm test 或启动 Pi。

• 没有进行 Pi、Claude Code、Codex 的同任务性能对比。

• 没有逐一验证用户原稿里提到的 Edge TTS、GPT 图像模型、Hyperframes 等每一个第三方工具链；这些更适合作为“可通过 Skill 接入的方向”，而不是本次已验证的 Pi 官方能力。

因此，本文采用 B/C 级混合验证：

• B 级： Pi 的最小底座、Skills 机制、Package/Extension 扩展方向、与 Claude/Codex 的产品定位差异。

• C 级： 更快、更省 Token、更适合普通人、完整办公自动化效率。

风险与边界

Pi 最值得喜欢的地方，也是最需要小心的地方。

第一，Skills 和 Packages 的能力很强，但安全边界需要用户自己承担。Pi 的包文档明确提示：Packages 可以拥有完整系统访问，Extensions 能执行任意代码，Skills 也可能指示模型运行可执行文件。普通用户如果随意安装来路不明的包，风险不比随便运行脚本低。

第二，Pi 的“无内置”不是免费午餐。没有内置 MCP、没有内置权限弹窗、没有内置 plan mode、没有内置后台 bash，这些决定让核心更轻，但也要求用户或团队自己补齐流程治理。对于非技术用户，这可能不是优势，而是门槛。

第三，办公交付不是“能调用工具”就够了。真正有用的办公 Agent 需要稳定的输入规范、错误恢复、版本管理、引用校验、图文排版、文件格式验证和最终交付检查。Pi 的架构很适合承载这些流程，但每一个 Skill 都要认真写、认真测。

第四，Pi 当前仍更像 power user 工具。它适合愿意把任务变成可复用脚本和 Skill 的人，不一定适合只想点按钮、不想理解文件路径和命令行的人。

谁应该试 Pi，谁不应该

适合试 Pi 的人：

• 经常处理 PDF、Word、Excel、网页资料、图片、音频、视频等混合材料的人。

• 愿意把重复办公流程固化成 Skill 的研究员、运营、销售工程师、咨询顾问、投资研究员、内容创作者。

• 已经会使用命令行，或者至少愿意接受“本地文件 + 脚本 + Agent”的工作方式的人。

• 想要把自己的私有工具链、公司内部脚本、文档模板和报告格式装进同一个 Agent harness 的人。

不适合 Pi 的人：

• 希望完全开箱即用、不想管理目录、脚本、依赖和权限的人。

• 对第三方包安全没有判断能力，又打算安装大量未知 Skills 的人。

• 主要工作是大型工程代码库开发，并且更看重官方 IDE/GitHub/权限/团队协作能力的人。

• 想要马上替代完整办公套件、RPA 平台或商业 Copilot 的人。

可以怎样把 Pi 变成“普通人的工作流 Agent”

如果要把用户原稿里的想法真正落地，Codex建议不要一开始就追求“万能 Agent”。更好的路线是从三个高频交付流开始：

1. 调研报告流

输入：网页链接、PDF、公司官网、新闻稿、表格数据。 流程：联网检索、下载材料、抽取核心 claims、建立 source log、写 Markdown、生成图表、导出 Word/PPT。 交付：一份可引用、可修改、可分享的行业调研文档。

2. 会议纪要流

输入：录音、会议转写、聊天记录、客户邮件。 流程：转写、摘要、决策点提取、行动项拆分、风险标注、邮件草稿生成。 交付：会议纪要、客户跟进邮件、内部行动清单。

3. 内容生产流

输入：主题、资料、参考风格、图片或视频素材。 流程：资料核对、文案撰写、图片生成或检索、TTS 配音、视频分镜、自动打包。 交付：网页文章、短视频脚本、演讲页或视频报告。

这三类流程都有一个共同点：它们不是“让 Agent 变聪明”就能解决，而是要把工具链、格式、验证和交付物都写进 Skill。Pi 的小底座正适合做这件事。

最后一层判断

Pi Agent 最值得写的卖点，不是“它比 Claude Code 和 Codex 更强”，而是：

它把本地 Agent 重新拉回到一个很朴素的位置：文件、命令、脚本、Skill、交付物。

对普通人来说，这反而可能是更实用的方向。因为大多数日常办公任务不是缺一个华丽界面，而是缺一套稳定、可复用、能从输入一路走到成品的工作流。

Pi 的极简底座让这件事变得容易想象，也比较容易动手。但它还不是一台自动办公机器。真正的价值，需要用户或团队把自己的工作方式写成 Skills，把每个 Skill 做到可审计、可维护、可交付。

所以，本文给出的最终判断是：

Pi Agent 是一个值得关注的本地工作流 Agent 底座。它不一定比 Claude Code 或 Codex 更适合所有普通人，但它很可能更适合那些愿意把日常办公流程工程化、资产化的人。

已核对来源：

• Pi official quickstart (https://pi.dev/docs/latest/quickstart)

• Pi official usage docs (https://pi.dev/docs/latest/usage)

• Pi official skills docs (https://pi.dev/docs/latest/skills)

• Pi GitHub repository (https://github.com/earendil-works/pi)

• Agent Skills (https://agentskills.io/home)

• Claude Code overview (https://code.claude.com/docs/en/overview)

• Claude Code MCP docs (https://code.claude.com/docs/en/mcp)

• OpenAI Codex CLI docs (https://developers.openai.com/codex/cli)

• OpenAI Codex Skills docs (https://developers.openai.com/codex/skills)

• OpenAI Codex MCP docs (https://developers.openai.com/codex/mcp)

• OpenAI Codex use cases (https://developers.openai.com/codex/use-cases)

• pi-docparser package (https://pi.dev/packages/pi-docparser)

• pi-sheets package (https://pi.dev/packages/@sttronn/pi-sheets)

• badlogic/pi-skills (https://github.com/badlogic/pi-skills)

作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～