Pi 把 Agent 砍到只剩 4 个工具，却做出了“无限记忆”

8 月 16 日，Pi 官方账号发布了一段 2 分 56 秒的视频。Mario Zechner 和 Armin Ronacher 介绍了他们目前使用 coding agent 的几种具体做法，内容集中在代码记忆、Bash、Skill、MCP 和上下文控制。

视频配文把这些做法概括为三点：

代码是事实源。
Bash 足以承担通用工具层。
工具必须控制上下文消耗。

这些做法与 Pi 当前的产品设计一致。

Pi 默认只有四个工具

Pi 是一个终端 coding agent。根据官方 README，它默认向模型提供四个工具：

read
write
edit
bash

Pi 没有内置 MCP、Subagent、Plan Mode、待办事项和后台 Bash，也不会默认弹出权限确认框。

这些能力可以通过 TypeScript Extension、Skill 或第三方 Pi Package 添加。Pi 的核心保持最小，用户根据自己的工作流选择扩展。

当前版本还提供 grep、find、ls 等可选内置工具，并允许通过 --tools、--exclude-tools、--no-builtin-tools 等参数调整实际暴露给模型的工具集合。

代码仓库承担项目记忆

Pi 团队在 coding 场景中把代码仓库视为项目的主要事实源。

模型可以直接读取当前代码、目录结构和代表性文件，判断项目的实现方式与编码风格。项目级说明则放在 AGENTS.md、CLAUDE.md 或简短的目录地图中。

Pi 会从用户目录、项目父目录和当前目录加载这些上下文文件。项目也可以使用 AGENTS.override.md 覆盖同目录下的默认说明。

这套方式没有额外维护代码向量库或 AST 记忆索引。代码发生变化后，Agent 下次读取的是当前文件，不需要同步另一套项目记忆。

Pi 仍然支持会话保存与压缩。会话以 JSONL 文件存储，并通过 id 和 parentId 保存分支结构。长会话接近上下文上限时，Pi 会压缩较早的消息，同时把完整历史保留在原始 JSONL 会话文件中。

历史记录保存为 JSONL，需要时再查询

视频还展示了另一种长期记忆实现。

Mario 的 Slack Bot 名为 MOM，即 Master of Mischief。它把频道中的问题、回答和系统响应保存到 append-only JSONL 文件中，再使用 jq 查询需要的记录。

完整历史保存在文件系统里，不需要在每次模型调用时全部进入上下文。模型处理具体问题时，只加载查询命中的数据。

这一实现由三个普通组件组成：

JSONL 负责追加保存历史。
文件系统负责持久化。
jq 负责过滤和组合结果。

视频中将这种方式称为近似“无限记忆”。这里的“无限”指历史容量不受单次模型上下文窗口限制，并不表示每轮调用都能同时读取全部记录。

Bash 作为统一的组合层

Pi 默认保留 Bash，是因为模型可以直接调用现有 CLI，也可以临时生成脚本处理数据。

命令行工具之间可以通过文件、管道、标准输入和标准输出组合。大结果可以先写入磁盘，再用 jq、rg、sed 或其他程序筛选，筛选后的内容才进入模型上下文。

Mario 在 2025 年发布过一组浏览器 CLI 工具，用来替代自己工作流中的通用浏览器 MCP。按他当时的统计：

方案	工具数量	工具说明占用
Playwright MCP	21	约 13.7K token
Chrome DevTools MCP	26	约 18.0K token
自用浏览器 CLI 的 README	少量命令	约 225 token

这组数据来自 2025 年 11 月的文章，相关 MCP 的工具数量和 Schema 之后可能已经变化。它反映的是当时特定版本与特定工作流的对比。

Skill 按需加载完整说明

Pi 支持 Agent Skills 标准。Skill 可以包含 SKILL.md、辅助脚本、参考文档和资源文件。

Pi 启动时只扫描 Skill 的名称和描述，并把这些元数据放进系统提示词。任务匹配后，Agent 才使用 read 加载完整的 SKILL.md。Skill 中更长的参考资料和脚本继续保存在文件里，需要时再读取或执行。

官方文档将这种机制称为 progressive disclosure，也就是渐进披露。

因此，一个 Skill 不需要把全部使用说明、API 文档和示例永久放进每个会话。常驻上下文只承担能力发现，具体任务承担完整加载成本。

Sentry Skill 只返回样例和文件路径

视频中的 Sentry 案例展示了一个具体输出策略。

Agent 为固定需求创建了一个 Skill，由它处理认证、拉取 Sentry 数据并转换为常用格式。当查询返回 52 条记录时，工具不会把 52 条记录全部返回给模型，而是：

把完整结果保存为 JSON 文件。
在当前上下文中展示 3 条样例。
告诉 Agent 完整文件的位置。
由 Agent 判断字段结构是否正确，再使用 jq 查询完整数据。

对应的输出可以概括为：

共找到 52 条记录，完整结果已保存到指定 JSON 文件。
当前展示 3 条样例。
如需继续分析，请使用 jq 查询完整文件。

这种接口把数据存储与模型上下文分开。记录数量增加时，返回给模型的摘要仍然可以保持固定大小。

这套实践如何节约 Token

Pi 团队展示的几种做法都在减少常驻或重复进入上下文的内容：

内容	保存位置	进入上下文的时机
当前代码	代码仓库	Agent 按需读取文件
项目规则	`AGENTS.md` 等文件	启动或进入项目时加载
完整会话	JSONL 会话文件	恢复、分支或查询时使用
Slack 历史	append-only JSONL	`jq` 查询命中后加载
Skill 说明	`SKILL.md`	任务匹配后加载
大型 API 结果	JSON 文件	先看样例，再按需查询

工具 Schema、完整历史、API 大结果和长篇文档不会同时常驻在每一次模型决策中。

适用范围

这套方式适合具备文件系统和代码执行环境的 coding agent。仓库代码可以直接验证，CLI 输出可以保存和二次处理，Skill 也可以围绕个人工作流快速修改。

企业环境仍可能需要 MCP 或其他标准化集成提供统一发现、权限、审计和跨客户端兼容。Pi 也允许用户通过 Extension 添加 MCP 支持。

安全方面，Pi 官方提醒，第三方 Extension 会执行任意代码，Skill 也可能指示模型运行程序。安装前需要审查来源和实现，并根据使用环境增加容器、沙箱或权限控制。

Pi 的实现把记忆和工具拆成文件、命令与按需说明。模型上下文只保留当前任务需要的部分，其余内容留在可以查询和验证的外部存储中。