我自己做了一个Pi核心20道题，理解了这20道题，对agent就有了一个大概的了解了。

有意思。

jev现在可以便利的接入pi中了，这个通用分类器的潜力巨大。

openai在模型能力上看来还是落后于Anthropic，期待能够追赶上。

理解 Pi 的 Session 机制后，我对 Agent 的运行方式有了一个新的认识。 很多人理解 Session，只想到“聊天记录”。 但 Pi 的 Session 更像一个 Agent 的运行事件日志（event log）。 它不是简单保存用户和 AI 的对话，而是记录一次 Agent 运行过程中发生的各种事件： 用户消息 Assistant 回复 模型切换 Tool Call Tool Result Token 使用情况 Context Compaction Extension 状态 Branch 分支 底层使用 JSONL 保存： 一个 Session 对应一个 JSONL 文件。 文件中的每一行都是一个 entry，通过 id 和 parentId 连接成一棵历史树，而不是简单的一条消息列表。 一次 Agent 运行过程中： 用户输入后，模型可能产生多个 content block： thinking text toolCall 其中 toolCall 表示模型决定执行某个动作。 工具执行完成后产生 toolResult。 然后模型继续基于新的上下文生成下一步结果。 所以一个 Agent 任务可能包含多次模型调用，每一次调用都有自己的 assistant message。 而 Branch 机制让 Session 不再是一条线。 当你回到历史某个节点重新探索时，Pi 不需要创建新的 Session，而是在同一个 Session 中产生新的分支。 这和 Git 的 commit 历史很像： 保留过去的路径，同时允许从某个节点发展新的方向。 但需要注意： Session 保存的是 Agent 的状态，不是整个项目环境。 它可以恢复： ✅ 对话历史 ✅ Agent 运行状态 ✅ 工具调用记录 ✅ 模型状态变化 ✅ Context 压缩记录 但不能保证恢复： ❌ 项目文件 ❌ 代码版本 ❌ 运行环境 所以一个可靠的 Coding Agent 系统，需要 Session、Git、项目环境和 Sandbox 等多个部分共同配合。 理解 Session，其实是在理解 Agent 如何实现： 可恢复（durable） 可分支（branchable） 可持续运行（long-running） 这也是未来 Agent 系统区别于普通 Chatbot 的重要基础。 #AI #Agent #LLM

有一条大概至少能赚到6美金，还是不错的，看看过两日的结算。这个平台起码能把老马的订阅费赚回来。

这个会把客服问题解决掉吗

pi最近的版本迭代速度真快。

给客户做的一个中小学生考试作业辅导系统，客户反馈还不错。虽然是白菜价，不过总算是个好的开头。

有cloudflare，有国外的vps，感觉做国外的客户会比国内的反而容易些。

Codemode 是让模型写一小段程序，来组织工具调用。 模型负责决定“怎么查、怎么处理”，程序负责执行循环、并行、筛选和计算，最后把需要的结果交回模型。Pi 把这段 JavaScript 放在专门的沙箱里运行。官方实现说明 它最重要的变化，是让工具之间传递的数据，可以先留在程序里处理，不必全部经过模型的上下文。 拿一个具体任务来说： 查询 100 条 issue，找出评论最多的 5 条，给我标题和链接。 普通工具调用可能是这样： ```mermaid flowchart LR A[模型请求 issue 列表] --> B[列表返回给模型] B --> C[模型请求各条评论] C --> D[评论返回给模型] D --> E[模型比较并输出前 5 条] ``` 如果工具本身不能排序、聚合，模型就得接收大量中间数据，再决定下一步。有些 agent 能并行调用工具，但返回结果通常仍会进入模型上下文。 Codemode 可以这样： ```mermaid flowchart LR A[模型写查询程序] --> B[程序调用工具] B --> C[程序统计、排序、筛选] C --> D[仅返回前 5 条] D --> E[模型解释结果] ``` 100 条 issue 仍然被查询了，但模型可以只看到最终的 5 条。 Pi 的 Codemode 文档明确说明，内部工具调用的原始结果不会自动进入模型上下文；脚本输出和返回值才会进入。官方实现说明 下面这段是示意代码，假设两个工具分别返回 issue 数组和评论数组，实际名称与返回格式由接入的服务决定： const issues = await tools.listIssues({ limit: 100 }); const ranked = []; for (const issue of issues) { const comments = await tools.listComments({ issueId: issue.id }); ranked.push({ title: issue.title, url: issue.url, commentCount: comments.length }); } return ranked .sort((a, b) => b.commentCount - a.commentCount) .slice(0, 5); 这段程序做了四件事：查询、循环、统计、排序。模型不用每收到一条评论就重新思考一次。 这个例子为了清楚用了顺序执行；实际可以用并行或限制并发的方式加快查询。Codemode 减少的是模型参与中间步骤的次数，并不会减少任务本来需要的全部服务请求。 再往里面看，它是怎么执行的？ Pi 的流程大致如下： Pi 告诉模型有哪些可调用工具，以及参数格式。 模型生成 JavaScript，作为一次 codemode 工具调用。 Pi 在 QuickJS 的 WebAssembly 沙箱里执行代码。 代码执行到 await tools.xxx(...) 时，Pi 的宿主程序真正调用工具，再把结果送回沙箱。 程序继续处理数据，通过 return、text() 或 image() 输出给模型。运行机制 所以，代码里的： const result = await tools.someTool({ ... }); 并不是模型“模拟”了一次调用，而是真实执行了已经接入 Pi 的工具。 脚本里的普通循环、条件判断、排序，也由 JavaScript 执行。只有你显式调用了模型或分类器，才会在这段流程中额外发生模型推理。 为什么它与 MCP 很搭？ MCP 和 Codemode 分别解决两个问题： 能力负责的事情MCP接入外部工具，处理通信、工具发现与认证等Codemode把这些工具组织成程序，处理调用顺序和中间数据 例如 MCP 提供“查 issue”“查评论”；Codemode 把它们组合成“查 issue → 查评论 → 统计 → 排序”。 但 Codemode 不依赖 MCP。Pi 的内置工具和扩展工具也能被它调用，比如同时读取几个文件，再提取其中的特定字段。官方也支持在 Codemode 中调用 Jev 等分类模型。Pi 使用文档 这里还有一个关键条件：工具返回结构化数据，组合起来才顺畅。 如果工具返回： { "issues": [ { "id": "123", "title": "登录失败" } ] } 程序直接读取 issues[0].id 就行。 如果工具返回的是一大段自然语言，程序还得从文字里猜字段。官方因此强调，MCP 服务应该提供更适合程序处理的结构化结果，而很多现有服务仍没有做好这一点。官方设计解释 它具体省在哪里？ 可以分成三个方面： 少传中间数据。 完整结果先留在脚本里，模型只接收筛选后的内容。 少进行模型往返。 一段程序可以提前写好几十次有依赖关系的调用，不必每一步都等模型生成下一次请求。 按需提供工具说明。 Pi 的工具声明有预算，默认约 3000 个估算 token；放不下的工具可以通过搜索、查看说明后再使用。CLI 文档、设置说明 不过，“省上下文”不是自动发生的。脚本如果最后写： return everything; 仍会把一大堆数据交给模型。收益取决于程序有没有有效地过滤和汇总。 写程序本身也需要 token，因此只有一个简单查询时，直接调用工具通常更省事。 你可能会问：那直接让模型写 Python 或 Bash 不也行？ 确实，很多数据处理任务用普通脚本就能完成。Codemode 的特点是，它能直接使用 Pi 已经注册好的工具接口。 例如，一个 MCP 服务已经在 Pi 中完成 OAuth 登录，Codemode 可以直接调用它。自己写外部 Python 脚本，则通常还要自行处理相应的连接、认证、客户端和调用方式。 另外，Codemode 内部调用会经过 Pi 的工具执行流程，包括参数验证和扩展的调用钩子；已有权限扩展也能拦截这些调用。MCP 执行机制 因此，两者有重叠，但接入的位置不同：普通脚本使用操作系统和软件库，Codemode 使用 agent 已经提供的工具能力。 “沙箱”也需要准确理解。 Pi 的 Codemode JavaScript 没有普通 Node.js 那样的 process、require、模块导入或直接 fetch 能力。它通过注入的工具与外部交互。沙箱说明 但这不代表里面的操作都是安全、只读的。假如暴露的工具能够执行命令、修改文件或删除 issue，脚本也可以调用这些操作。 还有两点实际限制： 脚本失败，不代表前面已经完成的写入会自动撤销；不能把整个程序当作一个数据库事务。 程序擅长规则明确的筛选和计算；“哪个方案更合理”这类判断，仍需要模型或人来完成。 Pi 还允许保留部分跨调用数据。 脚本可以： store("issues", issues); 下一次再： const issues = load("issues"); Pi 会把成功写入的 JSON 数据记录到会话里，恢复会话和分支时按对应路径读取。它不是一个永久保留所有 JavaScript 变量的运行环境，需要保留的数据应显式存储。会话存储说明 如果要启用，在 ~/.pi/agent/settings.json 中合并： { "defaultTools": ["+codemode"] } 启用后默认是 on：模型既可以直接调用工具，也可以通过 Codemode 调用。only 则把可调用工具集中到 Codemode，让模型通过脚本使用它们。这是工具呈现方式的区别，使用时可以根据任务选择。配置文档 对你前面说的这次更新，真正值得关注的是：Pi 开始正式支持“模型编写工具流程，程序执行并处理数据”的工作方式。 MCP 提供工具来源，Codemode 则让这些工具更容易组合成一个完整任务。

感觉蹬不完了，咋办

我更喜欢用agent学习，而不是网页的llm进行学习，用agent感觉更放心些。当然也贵一些

自建了一个可以发送邮件的agent，连接到飞书使用。以后的工作中心就转向可以干活的agent了。

kayce036.gumroad.com/l/under… ，期待第一单！

AI agent 20问：pi的设计取向和定制方式 youtu.be/MSkJy8AHpf4?si=2d_Z… 来自 @YouTube

所以用pi比用claude本身效果更好

感觉还不错。

claude真的非常耐用。

开始自己构建属于自己的类似muse 的agent，感兴趣的可以和我聊。