最近，一个名为 openClaw 的 Agent 框架项目在 Terminal-Bench 基准测试中表现出色，击败了众多功能丰富的竞品。其背后的核心是开发者 Zechner Mario Zechner 的理念：厌倦了 Claude Code 这类工具变得像“80%功能都用不上的宇宙飞船”，他决定亲手打造一个极简的 AI 编程助手。他的原则很简单：如果不需要某个功能，就绝不构建它。
最终诞生的就是 pi-mono，一个将工具数量精简到只剩四个的编程助手。
从复制粘贴到极简主义
Zechner 的开发历程颇具代表性。过去三年，他从复制粘贴代码到 ChatGPT，再到 Copilot 自动补全（他坦言从未用好过），随后是 Cursor，最终是 2025 年成为日常工具的 Claude Code、Codex、Amp、Droid、opencode 等编程助手。
他最初偏爱 Claude Code，因为其早期版本基础而简单，符合他“喜欢简单可预测工具”的性格。但几个月后，Claude Code 变得越来越复杂，系统提示词和工具定义频繁变更，破坏了他的工作流，界面闪烁问题更是雪上加霜。
作为构建过 Sitegeist 等多个 Agent 项目的开发者，Zechner 深知上下文工程的重要性。精确控制模型上下文能显著提升代码生成质量，但现有工具往往在后台注入不可见的内容，使得精确控制变得异常困难。
四个工具的哲学
pi-mono 仅保留了四个核心工具：
read # 读取文件内容，支持文本和图片，可指定行范围
write # 创建新文件或完全重写，自动创建目录
edit # 精确替换文本，oldText 必须完全匹配
bash # 执行命令，返回 stdout 和 stderr，可设置超时
Zechner 的逻辑非常直接：编程的本质就是读代码、写代码、改代码、跑代码。这四个工具的组合足以覆盖绝大多数编程场景。
例如，分析项目架构时，AI 会 read 几个核心文件；修复 bug 时，它会定位问题，用 edit 修改特定行，然后 bash 运行测试验证；需要重构时，它会理解现有逻辑，write 新的实现，并确保功能不变。
四层技术架构
Zechner 从头构建了完整的技术栈：
┌─────────────────────────────────────┐
│ pi-coding-agent │ ← CLI 工具层
│ (会话管理、主题、上下文文件) │
├─────────────────────────────────────┤
│ pi-tui │ ← 终端 UI 层
│ (差分渲染、组件系统) │
├─────────────────────────────────────┤
│ pi-agent-core │ ← Agent 逻辑层
│ (工具执行、事件流、验证) │
├─────────────────────────────────────┤
│ pi-ai │ ← LLM 抽象层
│ (多提供商 API、上下文切换、成本跟踪) │
└─────────────────────────────────────┘
pi-ai 是统一的 LLM API 层，支持 Anthropic、OpenAI、Google、xAI、Groq、Cerebras、OpenRouter 等十多家提供商。处理不同提供商的 API 差异是一项复杂工程：
// 提供商差异示例
const providerQuirks = {
cerebras: { disallowedFields: ['store'] },
mistral: {
tokenField: 'max_tokens', // 而不是 max_completion_tokens
disallowedFields: ['store', 'developer']
},
grok: { disallowedFields: ['reasoning_effort'] }
};
跨提供商的上下文切换是核心设计功能。例如，当从 Anthropic 切换到 OpenAI 时，Anthropic 的思考轨迹会被自动转换为助手消息中的内容块。
pi-tui 是一个最小化的终端 UI 框架，采用了差分渲染技术。Zechner 在 DOS 时代长大，对终端界面有深厚感情，但他不希望以 React 的方式来编写 TUI。
为防止界面闪烁，pi-tui 使用同步输出转义序列包装所有渲染操作，在 Ghostty 或 iTerm2 等现代终端中能实现完全无闪烁的体验，优于 Claude Code。
会话管理的巧思
对话以 JSONL 格式存储，每个消息包含 id 和 parentId，形成树状结构：
{"id": "1", "parentId": null, "role": "user", "content": "帮我写个函数"}
{"id": "2", "parentId": "1", "role": "assistant", "content": "好的，我来帮你写..."}
{"id": "3", "parentId": "2", "role": "user", "content": "改成异步的"}
{"id": "4", "parentId": "2", "role": "user", "content": "加个错误处理"} // 分支
/tree 命令可可视化显示对话树，/fork 用于创建分支，长对话会触发自动压缩。系统还支持在 AI 工作时插话：按 Enter 发送 steering 消息以中断剩余工具调用；按 Alt+Enter 发送 follow-up 消息，等待当前任务完成后处理。
扩展系统：原语而非功能
pi-mono 最巧妙的设计之一是其扩展系统。其他工具内置的复杂功能，用户都可以通过 TypeScript 扩展自行构建，例如：子代理、计划模式、权限控制、路径保护、SSH 执行、沙箱隔离、MCP 集成，甚至运行 Doom 游戏。
如果不想自己编写，可以让 pi 助手帮你写，或者直接安装社区包：
pi install npm:@foo/pi-tools
pi install git:github.com/badlogic/pi-doom
“不做清单”的智慧
更有趣的是 Zechner 明确的“不做清单”。pi-mono 坚决拒绝内置许多“标准功能”：
不做 MCP 支持。流行的 MCP 服务器会占用大量上下文：
Playwright MCP: 21个工具，13.7k tokens
Chrome DevTools MCP: 26个工具，18k tokens
占用 7-9% 上下文窗口，很多工具用不到
替代方案是构建附带 README 的 CLI 工具，当 Agent 需要时再读取文档，实现渐进式披露，从而更高效地利用 token。
不做子代理。Claude Code 等工具常通过生成不可见的子代理来处理复杂任务，这形成了“黑盒中的黑盒”。pi-mono 则采用透明的方式，通过 bash 直接调用自身，使过程完全可观察：
# 子 Agent 示例
pi --print --model claude-3-5-sonnet "Review this code: $(cat app.py)"
# 或在 tmux 中获得完全可观察性
tmux new-session -d "pi --session review 'Review the auth module'"
不做计划模式。pi-mono 不内置复杂的计划或 TODO 系统。需要持久化计划时，直接写入文件；需要后台任务时，使用 tmux 等标准工具管理会话。
极简的系统提示词
pi-mono 的系统提示词极为精简，总长度不到 1000 tokens：
You are an expert coding assistant. You help users with coding tasks
by reading files, executing commands, editing code, and writing new files.
Available tools:
- read: Read file contents
- bash: Execute bash commands
- edit: Make surgical edits to files
- write: Create or overwrite files
Guidelines:
- Use bash for file operations like ls, grep, find
- Use read to examine files before editing
- Use edit for precise changes (old text must match exactly)
- Use write only for new files or complete rewrites
- Be concise in your responses
- Show file paths clearly when working with files
相比其他工具动辄上万 token 的冗长提示，这种设计显得十分极端。开发者 Zechner 认为，经过大量强化学习的前沿模型已天然理解编程助手的概念，无需万字说明书。
OpenClaw 的选择
OpenClaw 选择 pi-mono 作为底层框架，证明了其设计的价值。pi-mono 简洁的 SDK 使得集成变得非常直接：
import { createAgentSession } from "@mariozechner/pi-coding-agent";
const { session } = await createAgentSession({
sessionManager: SessionManager.inMemory(),
authStorage: new AuthStorage(),
modelRegistry: new ModelRegistry(),
});
await session.prompt("What files are in the current directory?");
这种集成方式揭示了一个道理：一个简单的核心，配合强大的扩展性，往往比复杂的一体化方案更可靠。
基准测试的验证
最具说服力的是基准测试结果。Zechner 使用 pi-mono 配合 Claude Opus 4.5 在 Terminal-Bench 2.0 上进行了完整测试，每个任务进行五次试验，结果显示 pi-mono 表现优异，在排行榜上位居前列。
更有趣的是，Terminal-Bench 团队自己的 Terminus 2 也采用了类似的极简方法：仅给模型一个 tmux 会话，让模型通过文本发送命令并解析终端输出。没有花哨的工具，没有特殊的文件操作，只有原始终端交互。然而它在排行榜上同样表现良好，进一步印证了极简方法的有效性。
四种运行模式
pi # 默认交互模式
pi -p "任务描述" # 一次性执行
pi --mode json # 输出结构化数据
pi --mode rpc # 进程间通信
pi @file1.js @file2.js "重构这些文件" # 文件批处理
它支持主流 AI 提供商的订阅服务和 API key 认证，切换模型非常简单：
pi --model claude-3-5-sonnet
pi --model openai/gpt-4o
pi --model sonnet:high # 指定思考级别
YOLO 模式的现实主义
pi-mono 默认运行在“YOLO 模式”，对文件系统拥有不受限制的访问权限。Zechner 认为，许多其他工具的安全措施更像是“安全剧场”。
Simon Willison 曾提出“双 LLM”模式试图解决安全问题，但他自己也承认“这个解决方案很糟糕”。核心矛盾在于：如果 LLM 同时具备读取数据、执行代码和访问网络的能力，开发者就陷入了与攻击向量“打地鼠”的游戏。
既然无法从根本上解决这个“能力三重奏”带来的安全问题，pi-mono 选择坦然接受现实。毕竟，为了提高效率，用户最终往往还是会运行在类似 YOLO 的模式下。
极简主义的价值
Zechner 在博客中写道：“我想要一个尽可能让我掌控的工具。” 他对现有工具因“有机演进”而积累的技术债务感到不满，认为当拥有大量用户时，向后兼容性就成了必须背负的代价。
pi-mono 的成功证明了以下几点：
简单的工具组合可以产生复杂的能力。四个基础工具通过 AI 的智能组合，足以完成绝大多数编程任务。
可扩展性比内置功能更重要。用户需求千变万化，与其猜测他们需要什么，不如赋予他们构建所需功能的能力。
限制比自由更有创造力。只给你四个工具，你可能会创造出比拥有四十个工具时更有趣的解决方案。
在功能过载的时代，做减法可能比做加法更有价值。当所有工具都在疯狂添加功能时，回归本质反而成为一种差异化优势。
这种对控制权的追求，对极简主义的坚持，在当下显得反直觉。但 Terminal-Bench 的测试数据和 OpenClaw 的框架选择，共同证明了其价值。
项目地址：https://github.com/badlogic/pi-mono
关注“鲸栖”小程序，掌握最新AI资讯
本文来自网络搜集，不代表鲸林向海立场，如有侵权，联系删除。转载请注明出处：http://www.itsolotime.com/archives/22027
