Recenzja Pi Coding Agent: Minimalistyczny, modyfikowalny AI CLI do programowania

Pi Coding Agent to minimalistyczny, otwartoźródłowy terminalowy framework do programowania, który dostarcza cztery domyślne narzędzia i pozostawia większość zachowań rozszerzeniom, umiejętnościom oraz Twojemu własnemu przepływowi pracy.

Większość agentów AI do programowania staje się coraz większymi produktami. Dodają tryby planowania, subagentów, warstwy uprawnień, integracje z IDE, pracowniki w tle i coraz bardziej skomplikowaną orkiestrację wokół modelu. Pi podejmuje niemal odwrotne podejście: domyślny agent startuje z czterema podstawowymi narzędziami — read, write, edit i bash — podczas gdy większość ciekawych zachowań jest celowo pozostawiana rozszerzeniom, umiejętnościom, pakietom i Twojemu własnemu przepływowi pracy.

Ta recenzja jest zgodna z wersją Pi v0.84.2, wydaną 14 sierpnia 2026. Projekt został stworzony przez Mario Zechnera; w maju 2026 roku przeszedł do Earendil Works, dlatego bieżące pakiety używają zakresu @earendil-works zamiast starszych nazw @mariozechner. Pi zmienia się szybko, więc konfiguracje i API rozszerzeń zasługują na sprawdzenie wersji, zanim ustandaryzujesz je w zespole.

Haczyk jest równie ważny: Pi daje Ci znacznie więcej kontroli niż wiele agentów programistycznych, a co za tym idzie, więcej odpowiedzialności. Nie zapewnia wbudowanego piaskownicy bezpieczeństwa ani systemu uprawnień, jakiego deweloperzy mogą oczekiwać po użyciu Claude Code lub podobnych narzędzi. Poniżej omawiam szybki start, architekturę, wsparcie modeli, rozszerzenia, model sesji, implikacje bezpieczeństwa oraz gdzie, moim zdaniem, Pi znajduje się wśród współczesnych narzędzi AI do programowania.

Czym jest Pi Coding Agent?

Pi najlepiej rozumieć jako framework agenta (harness), a nie jako gotowe, jednoznacznie zdefiniowane środowisko programistyczne. To rozróżnienie ma znaczenie: model programistyczny odpowiada na prompty, podczas gdy framework agenta decyduje, jaki kontekst widzi ten model, jakie narzędzia może wywoływać, jak wyniki narzędzi do niego wracają, jak sesje są utrwalane i co dzieje się między turami. Pi sprawia, że prawie wszystkie te warstwy są dostępne, dlatego znajduje się po stronie budowania zestawów narzędzi w dziedzinie narzędzi dla deweloperów AI niż wśród produktów programistycznych z wbudowanymi funkcjami.

Najsilniejszym powodem do użycia Pi nie jest to, że ma więcej funkcji niż konkurencyjni agenci programistyczni — ich nie ma. Powodem jest to, że Pi ujawnia więcej samego agenta. To czyni go szczególnie atrakcyjnym dla doświadczonych deweloperów, inżynierów platform, zespołów narzędzi AI i każdego, kto doszedł do punktu, w którym ograniczenia jego agenta programistycznego wynikają z frameworka, a nie z leżącego u podstaw modelu. Pi jest mniej przekonujący dla kogoś, kto chce zainstalować agenta, zatwierdzić kilka bezpiecznych domyślnych ustawień i nigdy więcej nie myśleć o jego architekturze: jego minimalizm jest produktywny tylko wtedy, gdy cenisz kontrolę, którą ten minimalizm tworzy.

Co Pi faktycznie daje

Domyślny zestaw narzędzi skierowany do modelu jest celowo mały:

read
write
edit
bash

Dostępne są dodatkowe narzędzia tylko do odczytu, w tym grep, find i ls, a niedawne wydania Pi pozwalają na skonfigurowanie początkowego wyboru wbudowanych narzędzi.

Domyślne ustawienie wygląda skromnie, i o to właśnie chodzi. Każde dodatkowe narzędzie zwiększa liczbę decyzji, które model musi podjąć, rozszerza prompt systemowy i tworzy kolejną powierzchnię zachowań, która może wymagać debugowania. Pi zamiast tego startuje od zdolnego zestawu prymitywów i pozwala dodać wyspecjalizowane narzędzia, gdy Twój przepływ pracy faktycznie ich potrzebuje.

Filozofia sięga dalej niż narzędzia. Pi celowo nie czyni wbudowanych subagentów ani obowiązkowego trybu planowania centralnym elementem produktu; te zachowania można zaimplementować za pomocą rozszerzeń lub zainstalowanych pakietów. To sprawia, że Pi jest mniej wygodny od razu po instalacji, ale daje deweloperom większą kontrolę nad sposobem implementacji tych mechanizmów. Jeśli jesteś przyzwyczajony do wbudowanych subagentów Claude Code, przewodnik po subagentach Claude Code jest przydatnym odniesieniem do tego, co byś odtwarzał. Uważam to podejście za nieco odświeżające: Pi nie udaje, że istnieje jeden słuszny sposób na działanie agenta AI do programowania.

Jak zainstalować Pi Coding Agent i rozpocząć sesję

Zainstaluj bieżący pakiet z zakresu @earendil-works. Starsze tutoriale mogą nadal pokazywać pakiety @mariozechner sprzed przeniesienia w maju 2026; te nazwy są nieaktualne dla nowych instalacji.

Nazwa ta koliduje również z oh-my-pi, forkiem społecznościowym frameworka Oh My Opencode. Ten projekt jest niezwiązany z tym agentem programistycznym; recenzja Oh My Opencode wyjaśnia ten forka, jeśli trafiłeś na niewłaściwe Pi.

Instalacja i uwierzytelnianie

1. Zainstaluj Pi globalnie za pomocą npm:

   npm install -g --ignore-scripts @earendil-works/pi-coding-agent
   

   --ignore-scripts wyłącza skrypty cyklu życia zależności podczas instalacji. Pi nie potrzebuje tych skryptów do zwykłej instalacji npm, a ich pominiecie zmniejsza powszechne ryzyko łańcucha dostaw.

2. Zweryfikuj instalację:

   pi --version
   

3. Wejdź do projektu i uruchom go:

   cd /path/to/project
   pi
   

Pi oczekuje środowiska zdolnego do obsługi basha. Na systemie Windows użyj WSL lub Git Bash zamiast cmd.exe.

Pi obsługuje interaktywne uwierzytelnianie subskrypcji oraz dostawców opartych na kluczach API. Wewnątrz Pi najprostszą ścieżką jest:

/login

Po uwierzytelnieniu wybierz model za pomocą:

/model

Możesz również dostarczać dane uwierzytelniające dostawcy przez zmienne środowiskowe. Na przykład:

export ANTHROPIC_API_KEY="your-api-key"
pi

Pi obecnie obsługuje szeroką kolekcję dostawców modeli, w tym OpenAI, Anthropic, Google, Azure OpenAI, Amazon Bedrock, NVIDIA NIM, DeepSeek, Mistral, Groq, Cerebras, Cloudflare, xAI, OpenRouter i wielu innych. Obsługiwany jest również router llama.cpp dla modeli serwowanych lokalnie: szybki start llama.cpp obejmuje serwowanie modeli GGUF z API zgodnym z OpenAI, a przewodnik po hostingu LLM mapuje otaczające lokalne, self-hosted i chmurowe środowiska wykonawcze, jeśli chcesz porównać tę ścieżkę z Ollama, vLLM lub dostawcą hostowanym. Dostawcy niestandardowi obsługujący wspierane API mogą być dodawani przez ~/.pi/agent/models.json, a niestandardowe API lub przepływy OAuth mogą być podłączane za pomocą rozszerzeń.

Ten wielodostawczy design jest jedną z praktycznych zalet Pi. Model i framework programistyczny są osobnymi zmiennymi: z Pi możesz zmieniać model, zachowując w zasadzie to samo narzędzie i środowisko sesji, co czyni porównania modeli znacznie bardziej znaczącymi niż porównywanie całkowicie różnych produktów programistycznych.

Zacznij od kontrolowanej pierwszej sesji

Nie sugeruję, aby Twoim pierwszym promptem dla Pi było „refaktoryzuj moją aplikację”. Zacznij od poproszenia go o inspekcję, a nie modyfikację:

pi --tools read,grep,find,ls -p "Inspect this repository. Explain its architecture, identify the main entry points, and list the commands you would run before making a change. Do not modify files."

Gdy uruchomiłem ten prompt tylko do odczytu na istniejącym repozytorium, użytecznym wynikiem nie był sprytny esej o architekturze. Było to to, czy model nazwał prawdziwe punkty wejściowe i polecenia, które faktycznie uruchomiłbym przed poproszeniem o dostęp do zapisu. Daje to wgląd w to, jak wybrany model nawiguuje po Twoim drzewie, nie przyznając mu natychmiast ścieżki zapisu przez zwykły zestaw narzędzi.

Dla pracy interaktywnej stworzyłbym również jednorazową gałąź Git:

git switch -c ai/pi-evaluation
pi

Pi może modyfikować pliki w katalogu roboczym i wykonywać polecenia powłoki przez bash, dlatego Git pozostaje jedną z najprostszych praktycznych warstw odbijania zmian podczas jego oceny. Jeśli chcesz sesji testowej, która nie jest utrwalana, pi --no-session działa w trybie efemerycznym.

Instrukcje projektu należą do AGENTS.md. Przydatny plik startowy mógłby wyglądać tak:

# Project Instructions

- Read the existing implementation before modifying files.
- Keep changes narrowly scoped to the requested task.
- Run `npm test` after code changes.
- Run `npm run lint` before declaring the task complete.
- Do not modify database migrations unless explicitly requested.
- Do not access production infrastructure.
- Explain any destructive command before running it.

Pi rozumie również CLAUDE.md podczas przechodzenia po katalogach projektu, a AGENTS.override.md może nadpisywać zwykłe instrukcje projektu dla danego katalogu.

Następnie daj mu konkretne zadanie:

Read the authentication module and its tests.

Find one maintainability problem that can be fixed without changing public behaviour. Explain the proposed change first, then implement it and run the relevant tests.

To lepsza ocena agenta niż proszenie go o wygenerowanie nowej zabawowej aplikacji. Istniejący kod zmusza agenta do odkrycia ograniczeń, zachowania zachowań, wyboru odpowiednich plików i weryfikacji jego pracy.

Dlaczego Pi Coding Agent to edytowalny framework

Najważniejszym architektonicznym pomysłem Pi jest to, że sam agent programistyczny powinien pozostać edytowalny. System rozszerzeń używa modułów TypeScript, które mogą rejestrować narzędzia, subskrybować zdarzenia cyklu życia, przechwytywać wywołania narzędzi, wstrzykiwać lub transformować kontekst, dodawać polecenia i modyfikować interfejs terminala. Rozszerzenia lokalne projektu mogą również być przeładowywane za pomocą /reload, co sprawia, że eksperymentowanie z frameworkiem jest zaskakująco natychmiastowe.

W uproszczonej formie Pi wygląda tak:

Diagram jest prosty, ponieważ Pi stara się utrzymać prosty plan kontroli. Daje to niezwykłą opcję: gdy agentowi brakuje możliwości, niekoniecznie musisz czekać, aż opiekunowie Pi dodadzą ją — możesz dodać to zachowanie samodzielnie. Rozszerzenie może utworzyć nowe narzędzie wywoływane przez model, zainspirować proponowane wywołanie bash i zablokować polecenia pasujące do Twojej własnej polityki, wstawić dynamiczne informacje projektowe przed turą, zmienić zachowanie kompresji lub ujawnić niestandardowe polecenie wewnątrz interfejsu terminala. To znacznie głębsza powierzchnia rozszerzeń niż zmiana promptu systemowego.

Integracja MCP nie jest traktowana jako obowiązkowa wbudowana część minimalnego jądra Pi. Może być dodana przez ten sam model rozszerzalności, co jest spójne z szerszym designem: wyspecjalizowane integracje istnieją ponad małym domyślnym frameworkiem, zamiast go trwale rozszerzać.

Ten sam framework jest również ponownie użyteczny poza interaktywnym terminalem. Pi dostarcza SDK do osadzania sesji agenta w aplikacjach Node.js oraz tryb RPC (pi --mode rpc), który mówi JSON przez stdin/stdout dla hostów innych niż Node, IDE i niestandardowych UI.

Pomysł czterech narzędzi jest poważniejszy, niż się wydaje

Początkowo myślałem o narzędziach agenta programistycznego w dwóch grupach. Pierwsza zawiera prymitywy: odczyt pliku, modyfikacja pliku i wykonanie polecenia. Druga zawiera wygody: wyszukiwanie w repozytorium, uruchomiacze testów, trackery problemów, narzędzia przeglądarki, narzędzia wdrażania, pomocnicze narzędzia bazy danych, inteligencja kodu i wyspecjalizowani planiści. Pi utrzymuje warstwę prymitywów małą i pozwala warstwie wygód pozostać opcjonalną.

Istnieje architektoniczna przewaga w tym. Zespół pracujący nad infrastrukturą Kubernetes może zbudować bardzo inne Pi niż zespół utrzymujący monorepo TypeScript, bez tego, aby oba zespoły niosły narzędzia drugiego w tym samym domyślnym agencie. To jest miejsce, w którym Pi przestaje wyglądać jak odchudzona alternatywa dla Claude Code i zaczyna wyglądać jak framework do budowania własnego agenta programistycznego.

Ceną jest utrzymanie. Gdy zaczniesz polegać na niestandardowych rozszerzeniach, ich zachowanie staje się częścią Twojej platformy deweloperskiej: musisz je przeglądać, wersjonować i okresowo aktualizować wraz z ewolucją Pi. To jest ukryty podatek Pi — zyskujesz własność agenta, a własność wiąże się z utrzymaniem.

Umiejętności i pakiety utrzymują niestandardizację modułową

Nie każde niestandardowe zachowanie musi stać się rozszerzeniem. Pi wspiera umiejętności (skills), które pakują instrukcje, skrypty i materiały referencyjne wokół możliwości. Umiejętności używają postępującej ujawniania: Pi może ogłaszać dostępne umiejętności modelowi, ładując pełne instrukcje tylko wtedy, gdy możliwość jest potrzebna. To jest przydatne dla przepływów pracy, takich jak przeglądy wdrożeń, migracje bazy danych, przygotowanie wydania lub specyficzny dla frameworku przegląd kodu; zamiast trwale wstrzykiwać strony instrukcji do każdej rozmowy, agent może ładować wyspecjalizowane wytyczne na żądanie. Jeśli już budujesz Claude Skills, mechanika będzie znajoma — zobacz Claude Skills i SKILL.md dla deweloperów dla układu SKILL.md i strojenia wyzwalaczy.

Pakiety Pi idą dalej, łącząc rozszerzenia, umiejętności, szablony promptów i motywy. Pakiety mogą być instalowane z npm lub repozytoriów Git i mogą być przypięte do konkretnych wersji:

pi install npm:@foo/pi-tools@1.2.3
pi list

Model pakietów jest potężny, ale traktuj pakiety bardziej jak wykonywalne narzędzia deweloperskie niż niewinne kolekcje promptów. Rozszerzenie Pi może wykonywać kod z uprawnieniami procesu Pi, a umiejętność może również instruować model do wykonywania kodu, więc instalowanie nieznanych pakietów zasługuje na zasadniczo tę samą podejrzliwość co instalowanie nieznanego zależności deweloperskiej.

Drzewa sesji w Pi Coding Agent

Wiele asystentów programistycznych traktuje rozmowę jako w większości liniowy transkrypt. Pi przechowuje sesje jako drzewo, co oznacza, że możesz wrócić do wcześniejszego punktu, spróbować innego podejścia i zachować obie ścieżki wewnątrz sesji, zamiast niszczyć jedną historię lub tworzyć stos niezwiązanych czatów.

Główne polecenia są proste:

/resume
/tree
/fork
/clone
/compact

/tree pozwala nawigować wewnątrz bieżącego drzewa sesji. /fork tworzy nową sesję z wcześniejszej wiadomości użytkownika, podczas gdy /clone duplikuje aktualnie aktywną gałąź do osobnej sesji. Z linii poleceń, pi -c kontynuuje najnowszą sesję, a pi -r przegląda przeszłe.

Rozróżnienie stało się oczywiste za pierwszym razem, gdy użyłem Pi w przebiegu debugowania, a nie w promptcie greenfield. Pozwoliłem mu podążać za hipotezą warstwy cache dla nieudanego testu integracyjnego, a następnie rozłączyłem się od wiadomości, w której wybrano tę teorię i rozpocząłem drugą gałąź na izolacji transakcji. Nieudane śledzenie pozostało dostępne do kontrastu, zamiast zanieczyszczać nową ścieżkę lub wymuszać nowy czat, co jest przydatną reprezentacją tego, jak debugowanie faktycznie działa: wiele prawdopodobnych wyjaśnień często istnieje jednocześnie.

Pi utrwalają sesje jako JSONL i może automatycznie kompresować starszy kontekst, gdy rozmowy zbliżają się do limitów modelu; gałęzie mogą również być streszczane, gdy przechodzisz między nimi. Zaznaczałbym to powyżej kilku bardziej widocznych funkcji agentów programistycznych: dobre zarządzanie kontekstem zwykle ma większe znaczenie niż kolejny przycisk w interfejsie.

Inżynieria kontekstu jest funkcją pierwszorzędnej klasy

Pi umożliwia również niestandardizowanie tego, co dociera do modelu. Rozszerzenia mogą wstrzykiwać informacje przed turami, zmieniać historię i uczestniczyć w kompresji. Domyślny system kompresji streszcza starszy materiał, zachowując niedawną rozmowę, ale mechanizm może być zastąpiony lub niestandardizowany.

Dla zaawansowanych zespołów otwiera to ciekawe możliwości. Duży monorepo mógłby wstrzykiwać informacje o własności tylko dla plików, z którymi agent aktualnie pracuje. Projekt backendowy mógłby ujawniać metadane schematu, gdy pliki bazy danych wchodzą do kontekstu. Długotrwały agent migracji mógłby utrzymywać ustrukturyzowany stan poza rozmową, zamiast wielokrotnie prosić model o jego ponowne odkrywanie. To jest to, co uważam za prawdziwą długoterminową siłę Pi: jakość agenta programistycznego jest coraz bardziej ograniczana przez inżynierię kontekstu, design narzędzi i orkiestrację, a nie surową inteligencję modelu, i Pi daje deweloperom niezwykły bezpośredni dostęp do tych warstw.

Bezpieczeństwo Pi Coding Agent: brak wbudowanej piaskownicy

Najważniejszym negatywnym punktem w tej recenzji jest prosty: Pi nie zapewnia wbudowanej piaskownicy bezpieczeństwa. Domyślnie Pi działa z uprawnieniami użytkownika i procesu, który go uruchomił. Jego narzędzia mogą odczytywać i modyfikować dostępne pliki oraz wykonywać polecenia powłoki w tym kontekście systemu operacyjnego.

Pi ma zaufanie do projektu, ale zaufanie do projektu nie jest piaskownicą. Zaufanie do projektu kontroluje, czy lokalne ustawienia Pi, rozszerzenia, umiejętności, prompty i podobne zasoby projektu są ładowane. Gdy pracujesz w projekcie, nie tworzy granicy systemu plików, sieci, procesu lub poświadczeń wokół wywołań narzędzi kierowanych przez model. Naprawdę doceniam, że dokumentacja Pi jest explicite o tym rozróżnieniu: słaba pseudo-piaskownica może być bardziej niebezpieczna niż brak piaskownicy, ponieważ użytkownicy mogą ufać granicy, która nie istnieje naprawdę. Pi zamiast tego oczekuje, że znacząca izolacja pochodzi z kontenerów, maszyn wirtualnych, micro-VM lub innego środowiska wykonawczego kontrolowanego przez politykę.

Dla jednorazowych projektów osobistych możesz zdecydować, że Git i zwykłe uprawnienia systemu operacyjnego są wystarczające. Dla niezaufanych repozytoriów, agentów bez nadzoru, stacji roboczych zawierających poświadczenia produkcyjne lub agentów przetwarzających dostarczaną z zewnątrz zawartość, użyłbym silniejszej izolacji. Dokumentacja Pi opisuje trzy wzorce:

Ważną granicą jest nie tylko katalog źródłowy. Agent, który może wykonywać polecenia powłoki, może potencjalnie interagować z konfiguracją SSH, poświadczeniami chmurowymi, rejestrami pakietów, lokalnymi usługami, stanem przeglądarki i innymi rzeczami dostępnymi dla procesu. Ustawienie produkcyjnej jakości musi więc myśleć o montowaniu systemu plików, zmiennych środowiskowych, dostępie do sieci i poświadczeniach łącznie. Moim preferowanym wzorcem oceny jest:

Montowanie prawdziwego repozytorium do odczytu/zapisu do kontenera nadal pozwala agentowi modyfikować to repozytorium; kontenery pomagają tylko w takim stopniu, w jakim ich montowania, poświadczenia, możliwości i dostęp do sieci są faktycznie ograniczone. Gondolin ma powiązaną uwagę: niestandardowe narzędzia rozszerzeń nadal działają na hoście, chyba że delegują również do VM.

Istnieje inna powierzchnia bezpieczeństwa warta zapamiętania: rozszerzenia i pakiety. Rozszerzenie strony trzeciej to kod działający w środowisku agenta. Przeglądaj go przed instalacją, przypinaj ważne zależności i unikaj traktowania publicznego katalogu pakietów jako implikowanej przeglądu bezpieczeństwa.

Dwie praktyczne kontrole przed uruchomieniem Pi na maszynie, o którą Ci zależy:

# Confirm the version you actually have
pi --version

# Disable startup network operations (update checks and install telemetry)
export PI_OFFLINE=1
pi

PI_OFFLINE=1 wyłącza wszystkie operacje sieciowe przy starcie, w tym sprawdzanie aktualizacji, sprawdzanie aktualizacji pakietów i telemetrię instalacji/aktualizacji. Jeśli chcesz cieńszego podziału, PI_SKIP_VERSION_CHECK=1 wyłącza tylko sprawdzanie wersji, a PI_TELEMETRY=0 wyłącza telemetrię instalacji/aktualizacji, pozostawiając włączone sprawdzanie aktualizacji.

Ten model bezpieczeństwa jest głównym powodem, dla którego wahałbym się przed oddaniem Pi dużej organizacji inżynieryjnej jako niezarządzanej domyślnej. Pi dostarcza elementy do zbudowania silnego środowiska, ale celowo pozostawia wiele tego środowiska Tobie.

Pi Coding Agent vs Claude Code i OpenCode

Pi ma najwięcej sensu, gdy jest porównywany według filozofii, a nie według liczby funkcji. Wśród agentów terminalowych OpenHands jest bliższym krewnym: również działa z CLI, ale dostarcza piaskownicę i większy wbudowany przepływ pracy, zamiast prosić Cię o złożenie jednego. Claude Code ma coraz bardziej wyrafinowane wbudowane uprawnienia, hooki i subagentów. OpenCode ujawnia konfigurowalne reguły allow, ask i deny oraz wbudowane koncepcje agenta lub subagenta. Pi startuje niżej w stosie.

Dlatego nazywanie Pi „klonem Claude Code” pomija ciekawą część. Jeśli jesteś zadowolony z przepływu pracy Claude Code, Pi nie poprawia go automatycznie: Claude Code daje Ci więcej bezpieczeństwa i zachowań orkiestracji agenta, nie wymagając, abyś składał te elementy samodzielnie. Pi staje się ciekawy, gdy chcesz zmienić założenia pod spodem produktu. Może chcesz ten sam framework dla Anthropic, OpenAI i modeli lokalnych. Może Twoja organizacja ma własną piaskownicę. Może potrzebujesz narzędzia, które wstrzykuje wewnętrzne metadane architektury przed każdą turą. Może chcesz, aby kompresja produkowała ustrukturyzowany stan inżynieryjny, zamiast ogólnego streszczenia rozmowy. To jest teren Pi.

OpenCode jest prawdopodobnie filozoficznie bliższy, ponieważ również oferuje znaczącą konfigurację. Nawet tam Pi czuje się bardziej jak zestaw do budowania samego frameworka, podczas gdy OpenCode ujawnia więcej gotowych koncepcji agenta i uprawnień.

Nie ma tu uniwersalnego zwycięzcy. Dla wielu deweloperów opinijne domyślne ustawienia Claude Code są zaletą. Dla innych OpenCode może oferować lepszy środek. Pi to opcja, którą zbadałbym, gdyby zdanie „chciałbym, aby mój agent programistyczny działał inaczej” stało się ważniejsze niż „chciałbym, aby mój agent programistyczny miał kolejną funkcję”.

Czy powinieneś używać Pi Coding Agent?

Pi Coding Agent jest jednym z bardziej technicznie ciekawych agentów programistycznych, ponieważ odmawia ukrywania frameworka. Domyślna implementacja jest celowo mała, ale API rozszerzeń, umiejętności, pakiety, warstwa dostawców, SDK, tryb RPC i drzewo sesji dają mu znacznie większą efektywną powierzchnię, niż sugerują jego cztery domyślne narzędzia.

Najsilniej rekomendowałbym Pi doświadczonym deweloperom, którzy lubią konstruować własne narzędzia. Jest szczególnie przekonujący dla pracy platformy AI, eksperymentalnych badań nad agentami programistycznymi, wyspecjalizowanych przepływów pracy inżynieryjnych i zespołów, które już mają bezpieczną infrastrukturę wykonawczą. Jest również przydatny dla deweloperów, którzy chcą porównywać modele bez zmieniania całego środowiska programistycznego za każdym razem. Byłbym bardziej ostrożny dla początkujących i dla organizacji oczekujących kontrol polityki w stylu korporacyjnym natychmiast po instalacji.

Brak piaskownicy zmienia sposób, w jaki Pi powinien być wdrażany, zwłaszcza gdy agent jest pozwolony działać bez nadzoru lub może spotkać się z niezaufanymi instrukcjami. Traktuj Pi jako potężny lokalny proces deweloperski, a nie granicę bezpieczeństwa: dla niezaufanych repozytoriów, operacji bez nadzoru lub środowisk zawierających cenne poświadczenia, użyj piaskownicy opartej na systemie operacyjnym, kontenerze, VM lub polityce i ujawniaj tylko zasoby wymagane dla zadania.

Moja ogólna ocena to 8,4/10. To jest werdykt redakcyjny, a nie średnia z powyższej tabeli i może łatwo stać się wyższa dla odpowiedniego użytkownika. Największa słabość i największa siła Pi są tą samą rzeczą: nie kończy agenta za Ciebie.

Czy powinieneś przełączyć się z Claude Code? Nie automatycznie. Używaj Claude Code, gdy jego wbudowane uprawnienia, subagenci, hooki i przepływ pracy pasują do sposobu, w jaki już pracujesz. Oceń Pi, gdy chcesz szerszej własności frameworka, wyboru dostawcy, konstrukcji kontekstu i architektury narzędzi. Dla zaawansowanych deweloperów nie zakładałbym nawet, że wybór musi być wyłączny: Claude Code może pozostać wypolerowanym codziennym kierowcą, podczas gdy Pi staje się programowalnym laboratorium agenta. Po wystarczającej niestandardizacji to laboratorium może stać się narzędziem, które faktycznie wolisz.

Licencja i koszt

Sam Pi jest otwartoźródłowy i wydany pod licencją MIT. To nie czyni inferencji modelu darmową: Twój rzeczywisty koszt zależy od dostawcy modelu, użycia API, wspieranego uwierzytelniania subskrypcji, obliczeń lokalnych i dowolnej infrastruktury piaskownicy, którą zdecydujesz się uruchomić.

Referencje

• Repozytorium Pi Coding Agent: https://github.com/earendil-works/pi
• Strona internetowa i instalator Pi: https://pi.dev
• Pakiet npm: https://www.npmjs.com/package/@earendil-works/pi-coding-agent
• Micro-VM Gondolin: https://github.com/earendil-works/gondolin
• NVIDIA OpenShell: https://docs.nvidia.com/openshell/about/overview
• Licencja: MIT