Pi的极简主义是其优势 人工智能使代码成本降低，因此许多公司正在追求更好的性能而构建更大的工具。更大的提示、更复杂的编排、更多层次、更多复杂性。这使得这些工具在使用时本质上变得更昂贵。Pi采取了相反的方法。Pi是一种故意选择极简主义的编码工具。它开箱即用，仅带有4个工具，其系统提示和工具定义的字数低于1000个标记。其理念是大多数工作可以用基础工具完成，如果你需要更多，就自己构建。越来越多的证据表明，Pi的设计不仅更简洁，而且成本更低，性能更好。用户发现，普通的Pi在添加适配用户特定工作流和需求的扩展之前就能产生行业领先的结果。我们将在Databricks和Shopify的案例研究中看到，Pi为这两者都带来了理想的成果。 案例研究 Databricks研究：每个任务的成本 Databricks最近分享了他们的研究结果“在Databricks的数百万行代码库中对编码代理进行基准测试”。他们的研究目标是了解哪些编码代理在现实世界的编码任务中提供最佳性能，以及任务性能与价格的变化。为了避免来自外部基准的偏见（这些基准已变得过于饱和），他们根据工程师团队定期执行的任务创建了自己的基准。结果符合我们的预期，但许多人可能会感到惊讶。在他们看来，“……模型调用的工具极大地影响了成本和质量”，并且“在许多情况下，像Pi这样的简单工具在我们的工作负载上表现最佳。” 由Databricks制作的图表。与Opus 4.8和xhigh结合时，Pi的整体通过率最高，其成本显著低于Claude Code和Codex。 极简工具，可量化效果 Pi之所以出色是因为它并不试图将模型包裹在一堆默认值和说明中，这些内容在指令层次中会变得模糊。相反，Pi不干扰模型的运行，团队能够添加他们在工作流中实际需要的内容。Databricks的研究很有见地，因为它将模型与工具分开。他们报告说，当他们在不同的工具间用相同的思维努力运行相同的模型时，“每个任务的成本差异显著（在某些情况下超过2倍），而质量保持不变”。我们称之为Pi的“上下文纪律”。“每次回合Pi发送的上下文减少了约3倍。它更好地管理上下文，保持更紧凑的工作集，并在更少的运行中完成任务。” 我们同意必须考虑端到端的工程经济学，而不仅仅是每个标记的价格。这在模型层面也是成立的；例如，我们观察到在Haiku 4.5上运行复杂的工作流通常比在Sonnet 4.6上更昂贵，特别是在涉及代码执行时，因为代理执行任务成功所需的回合更多。现在我们在工具层面也看到了这一点；强大且昂贵的模型配合高效的工具可能比相反情况更便宜。 Shopify构建Pi自动研究：可扩展性胜过臃肿 极简主义是Pi核心哲学的一部分。这之所以可行是因为极简并不意味着不灵活。实际上，这是第一个为可扩展性和自我编辑而创建的广泛使用的代理基础架构。来自Shopify的另一个有见地的外部验证了Pi的设计。在Shopify工程部的一篇文章中，David Cortés描述了通过直接请求“Pi，创建一个自动研究的扩展……”来构建pi-autoresearch。Pi阅读自己的扩展文档并从中开始构建新的工作流。自动研究是一个优化的自主循环，使用编码代理。当你要求更改时，它会运行实验以找出什么有效，什么导致回归。只要目标是可衡量的，它就可以抛弃这些回退并不断自我改进。对于Shopify和其他公司而言，自动研究扩展迅速成为一种重要的内部生产力工具。Shopify报告了包括单元测试运行“快300倍”、React组件挂载“快20%”、多个项目的构建时间减少，甚至pnpm性能提升等案例。来自Shopify的pi-autoresearch GitHub库的图片。 这里重要的一点是Pi不随便搭载这些工具。相反，它让你构建这些工具变得极其简单。Pi并不假设供应商了解你的工作流并试图提供所有可能的工具，而是假设你自己知道得最好，并赋予你可扩展性，让你塑造自己的工作流。 为什么极简主义如今获胜 大约一年前，关于本地工具在结构上优于所有其他工具的论点可以成立，因为模型是围绕它们构建的。然而，这种论点已经减弱。前沿模型现在通常非常擅长理解终端（或代码）。