我測試了一下Pi Agent + Deepseek V4 Flash 終於感受到了什麼才是真實的吐字速度
我測試了一下Pi Agent + Deepseek V4 Flash 終於感受到了什麼才是真實的吐字速度
簡直是原地起飛，基本上沒有什麼停頓，前面Claude和GPT用多了再用其他就沒有感覺慢的模型了，但是今天這個測試的速度，可能才是我真正想要的AI 生成速度
什麼時候國產也可以和國外模型能力齊平或者超越，我會毫不猶豫全面切回國產模型
個人學習記錄 · STAGE 02
先把第一個任務做完
這一階段要解決的問題 認識模型選擇、入門技巧和基礎介面，再回到一個可以獨立驗收的小任務。
這些記錄裡既有零基礎教學，也有不同模型的使用體感。具體型號和產品狀態會過時，挑選模型的方法仍然值得保留。學習時先完成任務，再比較速度與價格。
本頁收錄 25 篇原文。正文來自個人 Google Drive 原文庫，已移除 x.com 地址和 t.co 媒體短鏈。原文涉及的版本與產品狀態以釋出日期為準。
Pi Agent + 最新的Deepseek V4 Pro會擦除怎麼樣的火花？
Pi Agent + 最新的Deepseek V4 Pro會擦除怎麼樣的火花？
今天我就用這兩個組合寫一個炫酷的粒子特效頁面，結果是讓我驚喜的。
主要是Pi Agent幾乎沒有什麼系統提示詞，所以能最好的測試模型的原生能力，跑分可以作假很多時候都是高分低能，但是把這些外部影響去掉之後，留下來的就是模型最根本的能力。
整體效果很不錯，這個提示詞我在Qwen和Kimi都跑過，從流暢度和完整性，這次我只能說Deepseek還是牛逼的！
其實Pi 相關網站不用收藏那麼多，只要幾個就夠了。
其實Pi 相關網站不用收藏那麼多，只要幾個就夠了。
官網： 文件、安裝、更新都從這進，不要一上來先搜第三方教學。
技能（Skill）文件： 怎麼寫技能.md、放哪、什麼時候載入。重複流程優先寫成技能，別先上 MCP。
擴充文件： 要加命令、攔危險操作、改狀態列才看這個。技能是說明書，擴充是改執行時。
包裝安裝： pi install 怎麼用。擴充帶系統權限，裝之前先看安全說明。
外掛程式市場： 裝包先在這搜，比群裡複製命令靠譜。
官方原始碼 權限攔截、沙箱、子代理示例都在倉庫裡。
中文文件： 英文看著費勁就看這個，快速開始夠用。
外掛程式合集： 還想找外掛程式再翻這個，當目錄用。
建議你一定要先實作起來，結合文件一起看。不然收藏再多，有沒有什麼實際的提升。
原帖包含圖片或影片，媒體素材待後續整理。
很多人問我 Pi Agent 和 Deepseek 代理框架（Agent Harness）有什麼區別？
很多人問我 Pi Agent 和 Deepseek 代理框架有什麼區別？
其實這兩條路看起來不一樣，本質是一回事：都是給你一個能跑起來的 Agent 殼子，但是模型和工具需要自己往裡面對接。具體會長成什麼樣，只有你自己知道。
這兩個我都用了一段時間，比較明顯的差異點：
Pi 預設極簡，系統提示詞很少；DSH 更完整，一上來就給你一套能幹活的架子
Pi 哪裡不舒服就補技能、寫擴充；DSH 是萬物皆外掛程式，連代理框架自己都能改，核心都可以直接替換
上下文（Context）處理不一樣。DSH 工具結果太長會裁中間，裁掉就沒了；Pi 走的是先壓縮、完整內容落盤，需要再讀回來
對外掛程式的態度也在分叉。DSH 越加越開放，主打一個萬物皆可換；Pi 最近反而在劃邊界，哪些是對話、哪些是執行時、哪些能持久化
體感上，Pi 更像角色編輯器，DSH 更像把「怎麼造 Agent」整套開源出來 所以別問哪個更強。一個是先給你乾淨的底盤，一個是先給你能改的全套零件。
雖然兩個Agent 有這麼多不同，但是本質還是提供了相當高的自由度的Agent，一個是基於外掛程式，一個是最少的干預，各有各的優點
Pi Agent 第一步，肯定是設定好看的狀態列🔥
Pi Agent 第一步，肯定是設定好看的狀態列🔥
我這裡給大家推薦 pi-footer 這個專案。
它不是簡單換個顏色，而是把 Pi 當前的模型、模型服務商（Provider）、Thinking Level、上下文使用率、Token 消耗、工作階段（Session）費用、執行時間和 Git 狀態，全都放到狀態列裡。
平時 Pi 跑久了，最容易忽略的就是上下文還剩多少、用了多少 Token、當前是什麼模型。裝上 pi-footer 之後，這些資訊看一眼就知道，不需要頻繁輸入命令檢查。
它目前內建了 10 套預設模式，比較常用的是：
compact：資訊精簡，適合螢幕較窄的終端機。
powerline：彩色分塊效果，最好看，但建議搭配 Nerd Font。
git-heavy：重點顯示分支、檔案修改、程式碼增刪和同步狀態。
pi-footer：接近 Pi 原生狀態列，改動不大，但可以自由編輯。
powerline-bright / blocks / mono：分別是亮色、多行分塊和黑白高對比風格。
除了直接使用預設，你還可以自己增刪狀態元件、調整順序、修改顏色和圖示，甚至做成多行狀態列。喜歡簡單就少放幾個，想把 Agent 和專案狀態都擺出來，也可以自己慢慢組合。
需要注意的是，Powerline 風格最好搭配 Nerd Font，不然部分圖示可能顯示不完整。
我影片裡面就是沒有安裝Nerd Font，導致顯示的圖示不全。但是對我來說已經夠用了，再做一些細分和最佳化就完全夠了。所以意見大家把它用起來。
Pi的零基礎實戰，萬字長文教學終於來了🔥
Pi的零基礎實戰，萬字長文教學終於來了🔥
終於有時間把Pi 學習內容整理成文章了，沒有一上來就講基礎概念，而是直接帶你實作。
文章桉順序劃分了五個板塊：
1、認識 Pi 先分清它能讀寫哪些檔案、執行哪些操作。本地 Agent 和本地模型不是一回事。
2、安裝與介面 從練習目錄裝起，確認版本和登入，再認輸入區、工具事件、狀態列和模型設定。
3、第一個真實任務 用 @ 引用會議記錄，把材料、動作、限制和驗收寫進提示詞，生成能開啟的行動清單。
4、獨立驗收 不看它自己的總結。核對校驗值、輸出檔案、負責人和截止日期，再用 AGENTS.md 和工作階段命令管後面的任務。
5、擴充與安全 分清技能、擴充功能（Extension）、包（Package）。專案信賴（Project Trust）不是沙箱，「不要存取目錄外」只是提示詞，不是系統鎖。
只要你認真跟著教學實作，我相信你也可以從一個Pi小白蛻變成一個玩轉Agent的大佬。
如果還有什麼想了解，可以在評論區留言，下次我努力出對應的內容文章😂
Pi Agent 零基礎實作，萬字長文就怕你們沒耐心看🔥
Pi Agent 零基礎實作，萬字長文就怕你們沒耐心看🔥
我專門把這篇萬字長文濃縮成了幾個關鍵點，做成了影片給你觀看。
文章裡面主要的幾個章節都有複述，而且還有相關的動畫和命令。
最主要也是我想嘗試一下用知識小短片的方式，來科普AI相關的知識，如果大家喜歡以後，我會多嘗試一些方向。
原帖包含圖片或影片，媒體素材待後續整理。
Pi 裡模型不用多，三檔就夠。
Pi 裡模型不用多，三檔就夠。
1、GPT 5.6 Sol 主力。改程式碼、看結構、排問題、任務稍微繞一點，都先丟給它。它不是最便宜的，但少返工。我現在不會一上來就用免費模型硬剛複雜活，省那點錢，後面改的時間更貴。
2、DeepSeek 日常整理、批次改檔案、寫清單、重複性活，Flash 就夠；要推理、要對齊邏輯，再上 Pro。Pi 的上下文乾淨，接 DeepSeek 快取和帳單都更好看。能用這檔解決的，就別把 Sol 拉來搬磚。
3、OpenRouter 免費額度和剛出的新模型從這進 Pi。新模型先跑兩三個小任務：整理一份紀要、改幾個檔名、讀一個小倉庫。手感對了再進正式專案；不對就換，不心疼。別拿還沒驗證的模型改你真正在用的程式碼。
具體建議就一條：先把預設使用好的模型當主力，便宜模型幹雜活尤其是重複性高的勞動。
最後保留一個 OpenRouter 來作為兜底和白嫖，防止主力模型不可用不能排查問題，最主要是免費模型量大管飽，測試還是體驗都很不錯。
本地模型+ Pi Agent，才是本地模型正確開啟方式🔥
本地模型+ Pi Agent，才是本地模型正確開啟方式🔥
今天看到Pi + 本地 Qwen3.8 模型的測試影片 ，我才發現，對於本地 Agent 來說，上下文的大小可能是成為下一個討論的熱點。
雖然本地模型雖然沒有按 Token 收費，但是因為硬體限制，上下文可能只能支援256k，甚至64K。
總結下來：
1、上下文越長，等待時間越久
每次 Agent 調模型，都要先處理前面的上下文。雲端可能只是帳單變貴，本地模型則很直接，Prompt 越長，Prefill 越慢，你能明顯感覺到 Agent 越聊越卡。
2、上下文還會真實佔用你的硬體資源
長期工作階段、Tool Result、各種外掛程式說明全部塞進去，最後吃的不只是 Token，還有 KV Cache、記憶體和視訊記憶體。
尤其本地跑 Qwen3.8-27B 這種模型，本身硬體資源就沒有雲端那麼富裕，Pi 預設 Prompt 短、工具少的優勢反而會被放大。
3、外掛程式越多，本地模型反而越容易吃虧
Pi 最開始只有很少的工具，技能又是按需載入，這種設計以前看起來只是“極簡”。
但是放到本地模型場景，你會發現這些無關的 Tool Schema、日誌、網頁內容，少一點就意味著模型每一輪少處理一點垃圾資料。
4、省 Token 在本地其實變成了省時間
在本地因為Token免費了，我們更在意的應該是時間的消耗，因為如果執行的太慢，時間消耗就是一種成本了。
以前是：省 Token = 省錢，但是現在本地模型：
省 Token = 更低延遲 + 更少資源佔用 + 更大的有效上下文 + Agent 可以工作得更久。
所以最近看 Qwen3.8 和 Pi 的時候，我反而越來越理解 Pi 為什麼一直在上下文上做減法。
以前只知道它有極簡的設計和高效的快取，現在回過頭來看，這套設計天然就契合本地模型的現實情況。
以後真的到了每家每戶都可以自己在家部署自己的大模型，那我們就需要想怎麼在有限的算力前提下，越快完成自己的需求越好。
看到GPT推出表情包功能，立馬給我心心念唸的Pi 安排上了。
看到GPT推出表情包功能，立馬給我心心念唸的Pi 安排上了。
給它生成了一組表情包，以後別人來問我，我就去看發自己的Pi表情包了😂
原帖包含圖片或影片，媒體素材待後續整理。
Pi Agent 跑國產大模型，和我預想的差不多
Pi Agent 跑國產大模型，和我預想的差不多
專案裡有個介面會偶發失敗，提交以後轉圈，重新整理又好了。日誌不太乾淨，就讓它們自己翻，找出原因，並給出能改的地方。
幾個模型的體感差挺多。
GLM 5.3 Flash：跑得比較久，最後能說個大概，但分析偏幹，改哪裡還是不夠明確
DeepSeek V4 Flash：快很多，步驟也完整，給出的方向能直接拿去試
GPT-5.6 Terra：最快，分析最細，這輪品質最高
Kimi K3：跑了一會兒就提示超負荷，這輪等於沒跑完
現在整體上國產的模型能力已經是跟上了，但是算力還是跟不上，但是已經在追趕的過程中
或許有空的話，我還會繼續測試，看看整體的效果有沒有進步或者提升
原帖包含圖片或影片，媒體素材待後續整理。
同一個模型，換一個Agent Harness，就像換了一個模型？
同一個模型，換一個Agent Harness，就像換了一個模型？
最近我一直在看 Pi + Qwen3.8 這類本地模型實測，越看越覺得，以前把 Agent 能力都歸因到模型本身，可能一開始就想錯了。
模型肯定是重要的，但是現在代理框架在AI的使用當中，起到越來越關鍵性的作用了。
1、模型每一輪看到的東西，本來就不一樣
Pi 預設工具很少，System Prompt 也比較剋制，很多能力都是按需載入。
換成另外一個代理框架，可能預設就給模型塞進去十幾個 Tool、更多說明、更多狀態。
對於雲端大模型，這可能只是多一點 Token。
但是對於 Qwen3.8-27B 這種本地模型，額外的 Tool Schema、上下文和選擇，本身就有可能改變它的推理方式。
2、工具設計不好，模型再聰明也沒用
我看到一個挺有意思的 Qwen 實測，同一個模型，最開始只給 Bash，讓它自己用 sed、Python 去改檔案，SWE-bench Pro 的 pass@1 只有 28% 左右。
後面只是把編輯工具換成更適合程式碼修改的 str_replace，再最佳化測試方式，成績直接跑到了 50% 左右。
模型權重一行沒變。
變的是它手裡的工具。
這其實很像你讓同一個人幹活，一個人手裡只有錘子，另一個人有完整工具箱，最後結果當然會完全不一樣。
3、Agent 真正拉開差距的，往往是第一次犯錯以後
Tool Call 失敗以後返回什麼、日誌截多少、要不要 Retry、什麼時候繼續、什麼時候停，這些事情模型自己其實控制不了。
代理框架每一次把執行結果重新塞回上下文，本質上都在重新告訴模型：
“你剛才做了什麼，現在發生了什麼。”
所以代理框架其實一直在影響模型下一步怎麼判斷。
4、上下文管理也會直接改變 Agent 能堅持多久
同樣 100K 上下文，一個代理框架可能很早就開始壓縮（Compaction），另一個還能繼續保留大量原始歷史。
一邊後面看到的是完整 Tool Result、程式碼和之前的判斷，另一邊已經只剩 Summary。
到了這裡，即使兩邊用的是同一個模型，其實也已經不是在解決同一個問題了。
我自己也是一個Agent的重度使用者，平時像Codex、Claude Code、Pi Agent、Deepseek-Harness、Hermes這些都有使用過。
但是很多時候同一個模型在不同的Agent裡面，我是真的感覺不一樣，有的能力更強，有的反而更削弱了。
所以這方面以後會越來越重要。
原帖包含圖片或影片，媒體素材待後續整理。
分享我最推薦的4個Pi Agent使用技巧🔥
分享我最推薦的4個Pi Agent使用技巧🔥
我玩Pi 時間也不短了，我就分享一些我自己的使用技巧，不是簡簡單單的命令技巧，是一些從根本上的技巧分享
1、別一上來裝一堆擴充功能
Pi 本身最大的優勢就是輕。
我一般先裸用，真遇到重複需求，再加技能或擴充功能。否則工具越來越多，最後反而把 Pi 用重了。
2、技能儘量按需載入
專案規則可以常駐，但教學、流程、臨時資料沒必要全部塞進上下文。
需要的時候再讓 Pi 讀取，對長任務尤其有用，上下文會乾淨很多。
3、重複工作直接讓 Pi 自己做技能
比如固定的 Code Review、資料整理、釋出流程，我現在更喜歡直接告訴 Pi：
“把剛才這套流程整理成一個技能。”
用久了以後，Pi 會慢慢變成一套更適合自己的工具，而不是一直去找別人的外掛程式。
4、遇到複雜任務先拆，再考慮子代理
子代理不是越多越好。
我一般只有任務明顯可以並行，比如“查資料 + 看原始碼 + 跑測試”這種，才拆出去。
不然多個 Agent 來回傳遞上下文，有時候反而比一個 Agent 做到底更亂。
如果總結成一句話就是：
先保持最小設定，用到哪裡，再補到哪裡。
保持本身的乾淨簡介，只有遇到對應的需求才去安裝外掛程式，不要為了所謂的功能就去增加過多的元件
原帖包含圖片或影片，媒體素材待後續整理。
Claude Code、Codex、DeepSeek 代理框架和 Pi，看起來都在做 Agent，但走的其實是四條完全不同的路。
Claude Code、Codex、DeepSeek 代理框架和 Pi，看起來都在做 Agent，但走的其實是四條完全不同的路。
以前我也喜歡比較誰寫程式碼更強，但最近堅持研究 Pi，我越覺得真正應該在意的：它想替使用者決定多少東西，又願意把多少控制權交給你。
1、Claude Code：越來越像一個完整的 Agent 產品
Claude Code 現在已經把 Plan、子代理（Subagent）、Hooks、技能、MCP、外掛程式這些東西基本都補齊了，甚至已經可以從 CLI、IDE、Web、Mobile 不同入口去使用。
它給我的感覺就是，Anthropic 已經替你把大部分正確答案選好了。
你不需要研究太多代理框架，拿起來就能幹活，而且整個 Claude 生態配合得非常順。
如果只是問我哪個最適合直接工作，我可能還是會優先想到它。
2、Codex：更像一個被嚴格管起來的工程師
Codex 給我印象最深的反而不是某個功能，而是 Sandbox、Approval、Network Policy 這些東西。
它一直在解決一個很現實的問題：Agent 權限越來越大以後，怎麼讓它可以大膽幹活，但又不至於真的把機器幹廢。
包括現在的自動 Review，本質上甚至是再安排一個 Agent，專門判斷另外一個 Agent 這一步能不能執行。
所以我覺得 Codex 的方向很明顯：
不僅要讓 Agent 會幹活，還要讓它在一個可控的邊界裡面幹活。
3、DeepSeek 代理框架：目前最像一個大型實驗場
它現在的口號非常直接：
Everything is a Plugin。
Plan、子代理、模型、Tool、工作階段，包括很多核心能力都在往外掛程式化方向拆，甚至工具呼叫本身還分 Native Mode 和 Code Mode。
而且現在已經可以接 DeepSeek、Anthropic、OpenAI、自定義模型服務商，並不是只能跑 DeepSeek。
但是它目前仍然處於 Developer Preview，官方自己都明確提醒會有 Breaking Changes。
所以我更願意把它理解成一個正在快速進化的 Agent 架構實驗，而不是一個已經完全穩定的成品。
4、Pi：四個裡面最像“什麼都不替你決定”的那個
Pi 預設甚至連子代理、Plan Mode、Sandbox 這些很多人認為 Agent 應該有的東西都不願意往 Core 裡面塞。
需要什麼就擴充功能，想給 Agent 一套工作流程就技能，再複雜一點就直接打成包。
這種方式最大的好處就是輕，上下文很乾淨，而且你幾乎可以一直往裡面改。
其實這些Agent我一路折騰下來，最開始想得也很簡單：哪個 Agent 更強、哪個模型寫程式碼更好，我就用哪個。
但是工具用得越多，我反而越開始關心同一個模型為什麼換個代理框架表現就不一樣，上下文怎麼組織，Tool 為什麼這樣設計，哪些能力應該進 Core，哪些應該留給外掛程式。
到這裡以後，我研究的已經不只是“哪個工具更好用”，而是在慢慢形成自己對 Agent 的判斷。
可能真正有意思的，不是選出最強 Agent，而是慢慢理解一個好 Agent 到底應該怎麼被設計出來。
原帖包含圖片或影片，媒體素材待後續整理。
DeepSeek 代理框架和 Pi，你覺得誰更強？🔥
DeepSeek 代理框架和 Pi，你覺得誰更強？🔥
如果只是看表面，兩個都很像：都是開源、都是MIT、都說能力用外掛程式加，給使用者足夠的自由度。
但是如果拆開來看，其實重心根本不在同一個地方。
1、Pi 護住的是迴圈，dsh 拆掉的是迴圈 Pi 預設就 read / write / edit / bash，系統提示詞壓得很短。 技能、擴充功能、包都往外掛程式，Loop 和工作階段還是你能摸到的那一層。
DeepSeek 代理框架更狠：模型、工具、沙箱、儲存、UI，連 Agent 下一步怎麼想，都做成外掛程式。 口號不是營銷，是架構——Everything is a Plugin。
一個像毛坯房：牆少，承重清楚。 一個像樂高工作室：每一塊都能換，包括怎麼玩本身。
2、複雜放的位置不一樣 Pi 把選擇權留給你。缺什麼再補，上下文才幹淨。 dsh 把選擇權做成設定棧。Profile 一層層疊上去，後一層覆蓋前一層，換能力很快，出問題也要順著整疊外掛程式找。
所以會有一種錯覺：dsh 功能更多，所以更強。 其實它只是更早把複雜攤開了。Pi 不是沒有這些能力，是預設不替你裝上。
3、現在別用誰更強來選 有人拿同一套 DeepSeek V4 Pro，在 Claude Code、dsh、Hermes、Pi、OpenCode 上跑過一輪 Agent 任務。 結果挺有意思：Pi 做完的題最多，DeepSeek 自己的代理框架最省錢。
我不知道未來誰的設計風格才是主角，因為我也不知道哪條路是正確的，但是我只相信一條路，給使用者足夠的自由度這件事肯定是沒錯的。
我自己的需求和理解，只有我自己知道，你開放了我才有機會構建自己的Agent！
原帖包含圖片或影片，媒體素材待後續整理。
Flash 模型已經能幹活了，很多人還不知道上Pi有多爽🔥
Flash 模型已經能幹活了，很多人還不知道上Pi有多爽🔥
這事看起來挺彆扭。V4 Flash、GLM-5.3 Flash、Qwen 那一檔，價格壓得很低，但是工作能力一點也不差。
日常的比如：改改檔案、跑個指令碼、補一下測試用例，應付日常的簡單任務基本上沒啥問題。
可是一到真正用的時候，大多數人還是把預設思考深度開到最大：工具先掛一串，系統提示詞寫得很長，Plan、子代理、瀏覽器、記憶層一起上。
我越來越覺得，Flash 要配的不是更全的產品，是更薄的那一層。Pi 剛好站在這個位置上。
1、Flash 怕的不是能力不夠，是指令太吵
便宜模型現在真正的短板，往往不是寫不出程式碼，是上下文一髒就容易空轉。工具一多，它更愛反覆讀同一批檔案，引數寫飄，同一件事繞三圈。重殼把這些能力全攤在預設環境裡，對 Opus 也許是錦上添花，對 Flash 更像噪音。
Pi 預設就四件事：read、write、edit、bash。系統提示詞壓得很短。技能、擴充功能、包都在，只是不預先替你開啟。這對 Flash 很關鍵。它每輪能看見的東西變少，注意力才回得來，便宜才有意義。
2、輕殼是在保護它的價格，不是在減功能
Flash 之所以叫 Flash，不只是快，是單價允許你多跑幾輪。V4 Flash 這類模型，輸入可以低到大約 0.14 美元 / 百萬 Token，上下文還拉得很長。可殼一厚，每輪都把長字首、閒工具描述、額外人格說明送進去，省下來的那截會先被環境吃掉。
有人拿同一顆 DeepSeek V4 Flash，在不同代理框架裡跑過同一組偏真實的任務。換的不是模型，是殼。Pi 做完的題更多，單次成功大概 0.028 美元；更重的那套預設工作流，單次成功可以到 0.195 美元左右。七倍不是模型智商差出來的，是每輪到底塞了多少東西進去。
所以我會把搭配記成一句話：Flash 負責把活做完，Pi 負責別把活做貴。
3、複雜仍然外掛程式，只是預設不交給 Flash
輕不等於簡陋。瀏覽器、審查、子代理、倉庫導航，需要時再掛。Flash 適合掃倉、改測試、跑指令碼、按已經寫清的檔案往下改。定方案、碰架構、最後過目，還是切回更重的模型。
Pi 在這裡的好處不是又多了一個 Flash 開關，是同一條工作階段裡切模型的成本低。Flash 跑到卡住，再把那一輪交給 Opus 或者 Pro，不必換一家產品，也不必把整套預設外掛程式先背起來。
日常總結下來：
日常迴圈：V4 Flash 或 GLM-5.3 Flash + Pi 裸設定
備用：同一工作階段裡切一顆重模型看方案
先別做：Flash 一上手就疊最全的預設外掛程式
Pi 核心有一句話不該進核心的東西就不進 Core，這個問題和便宜模型碰到一起，才真正開始省錢。
原帖包含圖片或影片，媒體素材待後續整理。
用了兩週 Pi，你應該知道的必備技巧🔥
用了兩週 Pi，你應該知道的必備技巧🔥
Pi 乍一看像是一個很輕的 Agent，實際是把登入改造、路由重構、順手問一句文件全堆進同一條工作階段。
很多時候其實模型沒變笨，而是上下文先被汙染了。有時候方向錯了，後面進行的任務也就沒有意義了，在透過壓縮上下文、或者調整方向補救，只能浪費更多的時間。
我看到了現在Pi社群裡用得比較好的的人，動作正好相反：
都是先把對話管住，再讓模型幹活。Pi 預設不給你子代理，分叉是做在工作階段樹上的，不是做在又一堆人格裡。
1、一件事一條工作階段
改登入就只改登入。髒了就新開，起個明天能搜到的名字。
有人會指望壓縮把一鍋粥熬清。偶爾能救，三件不相關的事纏在一起時，壓縮只是把混亂濃縮。與其祈禱它變乾淨，不如早點另開一條。
2、走歪了回到分叉點，不要用嘴硬拽
同一條裡越聊越遠的時候，回到那句還沒跑偏的話，需要另試一條路就從那裡長出去。
這是被提到最多、又最容易被忽略的習慣。Pi 的對話不是一條直線，是一棵樹。走錯枝，換一條枝繼續，不必把整段解釋再講一遍，更不必再拉一個代理傳上下文。
再補一個更狠的：模型和你要的方向一開始就分叉，立刻停，改那句提示。別等它先把檔案改完再後悔。
3、能自己看的，先別餵給模型
查狀態、掃日誌、確認檔案在不在，很多時候不需要佔用模型的眼睛。終端機裡跑完、確認有用，再決定要不要讓它看見。點具體檔案，也比讓它滿倉庫猜路徑穩。
這些不是炫技。少讓便宜模型和貴模型做清潔工，上下文會老實一截，帳單也會老實一截。
4、技能從自己的重複裡長，不要從願望清單裡長
專案規則可以寫得很短。教學、流程、臨時資料先別全塞進去。
更穩的是過幾天翻最近那幾條對話，看自己反覆在說同一段審查、同一套釋出、同一類改測試，再把這套流程收成技能。這樣留下的是你的工作流，不是外掛程式市場裡的收藏夾。
模型也當檔位。日常用輕的，卡住再切重的，思考深度按任務加。殼還是那一層，換的是引擎。
如果只記一句：
外掛程式決定你能多幹什麼，工作階段決定你還能不能看清自己在幹什麼。
先把對話整理乾淨，幹起活來又準又快。
原帖包含圖片或影片，媒體素材待後續整理。
Fable 5.1 出來了，進 Pi 就一句話：別當預設引擎🔥
Fable 5.1 出來了，進 Pi 就一句話：別當預設引擎🔥
1、針對任務選模型
整體測試裡，科學終端機從 24.7% 拉到 52.6%，辦公自動化從 17.1% 拉到 31.4%，差不多翻倍。我最關心的 Agent 程式設計從 42.0% 到 55.8%。只看模型，這波提升不小。
但在 Pi 裡我不會把它設成預設模型。畢竟大多數日常改檔案、做測試、或者是跑指令碼，Flash 模型都能直接幹。
雖然能力上去了，也變便宜了，但是該省省該花花，騎腳踏車去酒吧。
2、上下文最佳化更省錢
輸入輸出沒變，還是 10 刀和 50 刀。但是快取的價格降低了，從 1 刀砍到 0.25到。針對長時間、高負載的任務還是很省錢的。
可是Fable 5.1 更愛寫長內容，如果思考開到最滿，省下來的那點錢可能不夠你一次上下文載入的。
所以別把 1M 當福利，可以調整模型預設的上下文大小，272K，其實處理絕大多數任務也夠用。
3、安全防護不能少
雖然Fable 5.1模型是一個敏感肌，而且這次官方說安全閾值放寬了，不會像以前一樣碰一下就切換回Opus模型，但是還是建議大家給你的Pi 安裝上權限相關的外掛程式。
不能只相信模型的能力，如果遇到不安全的中轉站，中間人投毒或者提示詞汙染，很容易造成經濟和財產的損失，所以這方面也不能少。
雖然說我相信絕大部分人不會把Fable 5.1搬到Pi來執行，畢竟官方的API價格還是很貴的，但是想真正的測出一個模型的能力，就應該脫離厚重的Harness。
直接使用模型本來的能力，看看它到底是神還是鬼
原帖包含圖片或影片，媒體素材待後續整理。
Pi 模型廠商支援的還是不夠多🔥
Pi 模型廠商支援的還是不夠多🔥
在我使用Pi 的過程中，我有一個感覺越來越明顯：
很多時候所謂模型支援，很多時候只代表可以把請求完整的發出去，僅此而已。
但是它不代表Pi 裡面，就能和官方代理框架一樣完整工作。
1、DeepSeek 的問題更多出現在 Tool Call 和 Thinking
模型本身能用，但一旦涉及連續工具呼叫、思考內容回放、訊息順序，相容問題就容易冒出來。
也就是說，不是模型不能跑，而是代理框架怎麼組織上下文、怎麼回放 Thinking，會直接影響穩定性。
2、OpenRouter 最大的問題是介面一樣，行為不一定一樣
表面上都是相容 Anthropic 或 OpenAI 的介面，但後面掛的模型一換，Thinking Signature、Reasoning Replay、Prompt Cache 都可能出現差異。
看起來 API 一樣，實際內部行為完全不是一回事。
3、Kimi 這類模型還會碰到 OAuth、快取統計這種細節
模型能力本身可能沒問題，但 Token 快取怎麼算、OAuth 什麼時候重新整理、任務中斷以後怎麼續，這些外圍細節一樣會直接影響體驗。
很多時候，能不能很好的對接，是一個優良Harness的第一步。
我自己在實際使用中也遇到過相關的問題，雖然說PI是一個非常好的Agent，但是在處理多模型對接這方面還是有待提高
原帖包含圖片或影片，媒體素材待後續整理。
Pi+ Gemini 3.8 Flash 真是快到飛起😂
Pi+ Gemini 3.8 Flash 真是快到飛起😂
跑了一下鵜鶘腳踏車測試，只花了二十幾秒就完成了，真的和其他廠商的AI斷崖式領先。
但是測試結果頁不賴，整體完整的還是可調引數都是非常不錯的，尤其是嘴巴的弧度，第一波的時候是一個靜態圖，後面加上引數就動起來。
大家來看看效果👇🏻
原帖包含圖片或影片，媒體素材待後續整理。
這就是Pi速度，模型剛出就更新😂
這就是Pi速度，模型剛出就更新😂
Pi 已經支援最新的GPT-6模型，速度真的太快了
只需要一行命令：“pi update - -models”，就可以更新最新的模型清單直接使用即可
Pi都第一時間跟上了，Hermes啥時候把GPT-6對接上。
原帖包含圖片或影片，媒體素材待後續整理。
GPT-6 越貴，Pi 的價值反而越大🔥
GPT-6 越貴，Pi 的價值反而越大🔥
Astra 我感覺最大的問題不是模型強度，而是額度不耐燒普通的plus會員每幾輪對話就燒完了。
API 的價格已經漲到輸入 $10/M、輸出 $50/M，官方還明確提醒，Work / Codex 裡 Astra 會比 Sol 更快吃掉額度。
這時候 Pi 的優勢就開始被放大了。
有人專門測過 Pi、OpenCode 和 Codex，Pi 預設框架開局只有大約 1.1–1.4K Token。
在一組 MCP 任務裡：
1、總 Input Token 少了 81% 2、未快取 Input 少了 55.5% 3、模型請求次數少了 53%
以前這種極簡設計，更多時候只是幫你省 API 錢。
但到了 GPT-6 這種模型上，我覺得意義變得更大了
模型越貴、推理越強，代理框架本身就越不應該臃腫，畢竟能長期使用才是我們真正在意的東西，不然再好的模型用兩輪就沒了普通人根本用不起。
所以 GPT-6 出來以後，我反而更看好 Pi 這種極簡 Agent 了。
原帖包含圖片或影片，媒體素材待後續整理。
GPT-6 越來越貴，本地模型越來越重要🔥。
GPT-6 越來越貴，本地模型越來越重要🔥。
最近X上，我發現一個很有意思的組合：
Pi + Qwen3.8 27B。
以前本地模型最大的問題不是跑不起來，而是放進 Agent 以後，感覺只能聊天但是真正的幹活搭配Agent，總有一種力不從心的感覺。
但 Qwen3.8 27B 開始有點不一樣了。
27B Dense、256K 原生上下文，而且這代明顯強化了 Coding 和 Agent 能力。
再配上 Pi 這種極簡代理框架：
1、預設只有 4 個核心工具，本地模型不用先啃一大坨 Tool 定義
2、System Prompt 足夠輕，對本地模型最昂貴的 Prefill 更友好
3、Ollama、llama.cpp 都能直接接，模型完全跑在自己機器上
4、沒有 API 帳單，也沒有額度焦慮，真正可以讓 Agent 在後台慢慢幹活
但從規模上來講，肯定是沒辦法和GPT-6抗衡的，但是它的優點你也不能忽視。
我日常的活動絕大部分都是改檔案、跑指令碼、整理專案、簡單 Coding Qwen本地模型完全可以勝任。
如果真碰到解決不了的問題，再 /model 切到 GPT-6。
這樣一來，GPT-6 不再是 Pi 的預設模型，而更像一個偶爾請出來解決難題的專家。
Pi + 本地 Qwen3.8 負責幹活，GPT-6 負責兜底。
我感覺這可能比單純追求一個最強模型，更接近我想要的 Agent 使用方式。
GPT-6 越來越強，我的Pi Agent反而越來越乾淨🔥
GPT-6 越來越強，我的Pi Agent反而越來越乾淨🔥
我日常使用的Pi其實已經很乾淨了，但是現在能力越來越強，反而越乾淨，可能說起來有點反直覺。
以前模型能力不夠強，我們習慣性的往Agent裡面不斷加東西：技能、AGENTS.md、各種 Prompt，還有大家應該都用過的，PowerSkill或者一整套的skill。
但是 GPT-6 Astra 出來以後，OpenAI Codex 的 Eric Provencher 專門提了一件事：
以前幫舊模型少犯錯的規則，現在可能已經開始拖新模型後腿了。
OpenAI 官方的 Astra 指南其實也在提醒，GPT-6 對技能、AGENTS.md 裡的指令比以前更敏感，裡面如果有過時、衝突或者寫得太死的規則，它反而會老老實實執行。
所以如果你準備換 GPT-6，我覺得可以順手給自己的 Agent 做一次大掃除：
1、刪掉以前為了防模型犯傻寫進去的重複規則，比如強制讀完整倉庫、每次都跑一大堆測試。
2、技能描述儘量短一點，只說什麼時候該用，真正的流程、文件、指令碼等需要的時候再載入。
3、重新翻一遍 AGENTS.md，尤其是那些用了半年一年，自己都已經忘記為什麼加進去的規則。
這些東西越用越迴歸本質，就是把所有的能力都交給AI，以後AI的能力越強，這些束縛越來越不需要，給他一個乾乾淨淨的地方，然後讓他自己操作即可。
DeepSeek 釋出全新系列模型： deepseek-v4.1-flash-expires-on-0910
DeepSeek 釋出全新系列模型： deepseek-v4.1-flash-expires-on-0910
號稱：採用了新的模型結構，原生多模態支援、能力更強、速度更快、且成本更低。
第一時間我就把他放到了Pi Agent上面跑，感覺300 token/s都說少了，就一個字，快
使用步驟：直接把deepseek-v4-flash 的模型名稱換成deepseek-v4.1-flash-expires-on-0910，直接使用就可以了
剛跑的鵜鶘騎腳踏車的測試👇🏻
下一步
完成這一階段後，繼續閱讀第 3 階段 理解工作階段與上下文。