pi

上图为 pi 项目的官方 Logo，设计简洁有力，体现了极简主义的开发工具哲学

编程助手的「瑞士军刀」：Pi 让你把 AI 变成真正的搭档

想象这样一个场景：你正在深夜赶一个紧急需求，AI 给你写了一段代码，你总感觉哪里不对，但又找不到问题在哪。传统方案是你追着 AI 反复问，AI 给出的解释越来越模糊，你越来越焦虑。

Pi 给你提供了另一种可能性——一个以「你」为中心、可深度定制的 AI 编程终端。Pi 不喧宾夺主，不强制你接受它的世界观，而是把自己变成一把趁手的瑞士军刀，你需要什么工具就调什么工具，工具不够用就让 AI 帮你造。

出身名门：游戏引擎老将的 AI 转型之作

Pi 的作者是 Mario Galic（GitHub @badlogicgames），他更广为人知的身份是 libGDX（一个 Java/Gradle 的跨平台游戏引擎框架，在 GitHub 拥有超过 22,000 颗星）的核心维护者。

libGDX 的用户遍布全球，从独立游戏开发者到商业游戏工作室都在用，这意味着 Mario 对「工程化思维」和「开发者体验」有着极其深刻的理解。他从 2024 年开始将这一理念迁移到 AI 编程工具领域，一手打造了 Pi。所以当你使用 Pi 时，实际上是在用一位有着 15+ 年工程化经验的老兵打磨出来的作品。

Mario 同时运营 exe.dev，该项目也托管在 earendil-works 组织下，形成了以「编程工具链」为核心的生态布局。

核心架构：Mono-repo 的四层设计

Pi 采用 mono-repo 结构（TypeScript/NPM workspace），内部拆分为 4 个独立发布的包，各司其职：

包	功能	类比
@earendil-works/pi-coding-agent	交互式编码 CLI，是用户直接打交道的「前台」	餐厅的服务员
@earendil-works/pi-agent-core	Agent 运行时 + 工具调用系统，是「大脑」	餐厅的经理
@earendil-works/pi-ai	统一 LLM API，屏蔽底层模型差异，是「通用接口」	餐厅的采购部门
@earendil-works/pi-tui	终端 UI 渲染库，给 TUI 提供「妆容」	餐厅的室内装潢

这种分层设计有一个显而易见的好处：解耦。如果你只想用它的统一 LLM API 能力，可以单独引入 @earendil-works/pi-ai；如果你是 TUI 控，@earendil-works/pi-tui 同样可以独立使用。

工具链设计哲学：少即是多

与市面上大多数「功能堆砌型」编程 agent 不同，Pi 刻意不做 sub-agent 和 plan mode。作者认为，这些功能应该在更上层（prompt 层面）实现，而不是内置到框架里。

Pi 默认提供的工具集极为克制：read（读文件）、bash（执行命令）、edit（编辑文件）、write（写文件），仅此而已。这与 Claude Code 等主流方案一致，但 Pi 的扩展机制让它可以轻松接入更多工具——你甚至可以让 AI 帮你写一个新的扩展。

多模型支持：不被单一厂商绑定

在 AI 层，Pi 通过 @earendil-works/pi-ai 实现了真正的模型无关设计。从 package.json 可以看到，它原生支持：

• OpenAI 系列（GPT-4o、GPT-4.5 等）
• Anthropic Claude 系列
• Google Gemini
• AWS Bedrock（通过 AWS SDK）
• Mistral 系列

这种「统一 API 层」的设计意味着：你可以随时在不同的模型之间切换，无需修改业务代码。对于需要在不同场景下平衡成本和效果的团队来说，这个特性非常实用。

四大运行模式：适配你的每一种工作流

Pi 不是只有一种「交互式终端」模式，而是设计了 4 种运行形态：

1. 交互模式（Interactive）：用户实时对话，AI 边执行命令边回复，是最常用的模式
2. 打印模式（Print）：一次性输入任务，AI 完成后打印结果，适合 CI/CD 集成
3. JSON 模式：输出结构化 JSON，方便被其他程序解析
4. RPC 模式：进程间通信，Pi 作为后台服务被其他应用调用

特别是 RPC 模式，让它可以嵌入到任何已有工具链中。作者还专门提到了 openclaw/openclaw 作为 SDK 集成的参考案例，说明 Pi 的设计从一开始就是面向工程集成的。

扩展生态：TypeScript 写扩展，npm 发包

Pi 的 .pi/extensions 目录提供了 TypeScript 扩展机制，而 .pi/skills、.pi/prompts、.pi/git 等子目录则允许用户自定义：

• Extensions：自定义行为（如 URL 预览组件、刷新控制）
• Skills：特定领域的 AI 技能包
• Prompts：提示词模板
• Themes：终端配色主题
• Git 集成：Git 操作相关的 prompt 模板

这些配置和扩展可以打包成 Pi Package 通过 npm 发布，实现社区共享。这种「npm 化的 agent 扩展生态」思路非常有意思——你可以像安装 npm 包一样安装别人写的 AI 技能包。

供应链安全：生产级质量要求

作为一个严肃的工程化工具，Pi 在供应链安全上下了不少功夫：

• 依赖精确锁定：.npmrc 设置 save-exact=true，所有直接依赖精确到补丁版本
• shrinkwrap 机制：发布的 CLI 包内置 npm-shrinkwrap.json，锁定所有传递依赖，防止「上游更新导致 CI 失败」
• 提交前检查：pre-commit hook 阻止意外的 lockfile 变更
• 发布流程验证：通过 npm run release:local 在真实隔离环境中测试安装流程

这些措施在开源项目中极为罕见，反映了 Mario 从 libGDX 带来的工程化基因。

上手体验

安装（简单，5 分钟内搞定）

npm install -g @earendil-works/pi-coding-agent
# 或通过 pi-test.sh 从源码运行

硬件要求：无 GPU 需求，普通笔记本即可运行（推荐 2GB RAM + 500MB 磁盘）。

依赖：Node.js >= 18。

配置模型

首次使用需要配置 LLM API Key（支持上述所有主流模型）。项目文档建议直接在终端让 AI 引导你完成配置——本身就是一种「用 AI 配置 AI」的有趣体验。

项目亮点与局限

亮点

1. 极简但不失深度：默认工具集克制，但扩展机制极其灵活
2. 多模型无缝切换：一个 API 层解决厂商绑定问题
3. RPC 模式：不只是终端工具，还可以嵌入任何工作流
4. npm 生态扩展：技能包发布和安装像安装 npm 包一样自然
5. 工程化程度高：供应链安全措施在开源 AI 工具中属于顶级

局限

1. 纯 CLI/TUI：没有 Web UI，在服务器上使用体验不如有图形界面的工具
2. 无容器化部署：没有 Dockerfile，对习惯 Docker 部署的团队来说需要额外适配
3. Node.js 生态绑定：非 JavaScript/TypeScript 团队可能需要额外的集成工作
4. 社区生态尚在成长：相比 Claude Code 等成熟产品，第三方扩展数量有限

行业意义

Pi 的出现代表了 AI 编程工具领域的一种「第三条路」——既不像 Cursor/Windsurf 那样做 IDE 插件型产品，也不像 Claude Code 那样做功能完备的单一方案，而是做 平台化的 agent harness（AI agent 工具链框架）。

这种思路的核心洞察是：未来不会有唯一一个「完美」的编程 agent，而是会有无数个针对不同场景、不同团队的垂直 agent。Pi 的使命是让构建这些 agent 变得更容易。

Mario Galic 在 2024 年发推号召大家分享开源项目的 coding agent session 数据，推动用真实项目数据训练更可靠的 AI 工具，而不仅是靠 toy benchmark 来评估 AI 编程能力。这个倡议也体现在 Pi 的设计理念中——Pi 是为真实开源工作而生的工具。

如果你对 AI 编程 agent 有深度定制需求，或者想构建自己的 agent 平台，Pi 值得深入研究。

项目地址：https://github.com/earendil-works/pi | 官网：https://pi.dev | Star：53,000+