文章针对 Pi 编程代理插件市场插件过多、选择困难的问题，给出系统性的选择指南。作者核对了 46 个插件，淘汰 9 个停止维护或无人使用的，提出'常驻 3 个插件'的核心建议：pi-cc-extensions（优化输出排版）、pi-web-access（联网搜索）、pi-context-view（查看上下文占用）。文章先讲清 Skill、Extension、Package 三个概念及安装、试用的基本命令，再按 7 个场景（订阅接入、多线程、上网、浏览器操作、省 Token、安全、写代码）推荐每个场景的最佳选择，最后教读者通过四个指标自行判断插件可靠性和避开同名包的坑。
本文译自 Earendil Engineering 的《How Compaction Works in Pi》，讲解编程 Agent（如 Pi、Claude Code、Codex）中的上下文压缩机制。LLM 的上下文窗口有限，随着对话和工具调用不断积累，请求会超出上限。解决方案之一是压缩：用 LLM 生成的摘要替换较早的历史记录，同时原样保留近期消息。文章详细介绍了 Pi 的实现——触发时机（接近上限自动触发或 /compact 手动触发）、token 预算、压缩提示的设计（像一份交接简报，包含目标、进度和关键决定），以及压缩与提示缓存的关系：压缩会打破前缀缓存，导致后续请求需重新计算。
本文译自 Earendil 的 What is a Harness?，以攀岩安全带类比 Agent Harness，面向初学者介绍其概念与工作原理。文章指出 Agent = Model + Harness，Harness 是为 AI 模型提供运行环境的软件，核心职责包括四点：提供系统提示、提供可调用的工具、构建 Agent 循环、以及作为转换层支持多种 AI 模型。作者通过比较小学排名并撰写建议邮件的示例，演示了 Agent 循环的完整流程。文章还强调开源中立 Harness（如 Pi、OpenClaw 等）能将自主权交还用户，用户可以拥有、改造自己的 Harness，自由选择模型并比较结果与成本，从而避免对 AI 实验室单一应用的依附。
作者分享了自己深度学习 Pi Agent 两个月后，将零散的学习心得整理成一本开源蓝皮书的完整过程。文章涵盖整理 98 条学习推文并提炼判断、选择 VitePress 作为技术方案、两轮 UI 返工、创建 GitHub 开源仓库、使用 Cloudflare Pages 部署并绑定域名，以及主动发邮件向 Earendil 获取文章翻译授权的经历。作者提供了可照做的实操步骤，说明即使没有前端经验，也能从材料整理到网站上线的全流程完成一本可公开访问、持续维护的开源知识手册。
本文以“任务结束提醒”为例，手把手讲解如何为 Pi 编写第一个 Extension。作者先区分了 Skill、Extension、Package 三个概念，然后明确了具体需求：Pi 一轮处理结束后在桌面弹出通知，方便切换窗口后回来查看结果。文章演示了如何用自然语言让 Pi 自己生成扩展代码，保存到 .pi/extensions/ 目录，通过 /reload 加载并用 /notify-test 测试，使用 iTerm2 的 OSC 9 协议发送通知。还介绍了全局与项目级扩展的区别、常见问题排查方法，以及如何修改文案和停用扩展。强调第一次动手只需解决一个小问题，随需求逐步完善。
