本文是 Pi Durable 访谈译文第三篇，Mario Zechner 与 Armin Ronacher 讨论各类编码 harness 的体验。他们聊到 AMP 的 Orbs 设计与团队愿景、OpenCode 的持久化探索、DeepSeek harness 的插件架构与极简体验、以及 Claude Code 的自我修改趋势与稳定性问题。还谈及 Pi Mobile 让手机本地运行 agent 的愿景、Web 插件系统的安全挑战（XSS、沙箱隔离）、对 MCP 支持的转变，以及让非开发者上手 agent 的 onboarding 难题和对 AI 技术真正落地应用的期待。
本文是一篇面向新手的 Pi Coding Agent 全面入门教程。Pi 是一个跑在终端里的极简 AI 编程智能体框架，定位为'最小智能体外壳'：内核只保留基本工具循环，计划模式、子智能体、权限系统等能力全部拆给扩展。文章详细介绍了安装方式（官方脚本、npm、Nix）、界面与常用快捷键、模型配置、四种使用模式（交互、打印/JSON、RPC、SDK）、技能/扩展/提示词模板/主题的扩展体系，以及树状会话管理。作者重点总结了七个常见坑：无内置权限系统需容器隔离、默认无 plan mode、npm 不锁传递依赖、grep 等工具默认关闭等。Pi 支持 15 家以上模型商，MIT 协议，与 Claude Code、Codex 是两条路线：要开箱即用选成品，要可自由定制的个人智能体选 Pi。
文章帮助开发者厘清不同 Coding Agent 工具的选型思路，将需求分为三类：开箱即用的 Coding Agent 产品、可编程调用的 Agent SDK、以及用于定制自有 Agent 的 Agent Framework。预算充足可选 Claude Code 或 Codex，预算有限可用 OpenCode，追求极简与插件机制可选 Pi，想尝试递归自进化（RSI）可关注 DeepSeek Harness。作者认为 DSH 目标宏大但短期不会作为主力工具，会持续关注学习。
作者宣布其 AI 视频情报站正式开放 MCP 接口，支持 Claude Code、Codex 等 Agent 直接接入查询。文章介绍了接入方法（一条命令即可），并展示了几种典型用法：每天早上让 Agent 查询新起和升温的视频题材、查询某个题材的来源和时间线、追踪特定 AI 模型的动态，以及将情报站接入自己的工作流（如自动生成选题卡、晨会材料等）。情报站每天早上更新一期，提供题材归类、X 热议、开源项目、题材溯源等数据，同时说明了查询范围限制。不接 MCP 也可通过网页或开源版自行部署使用。
文章系统解释了 AI 领域中 harness（套件/执行框架）的概念。作者指出 LLM 默认只能生成文本，要真正执行操作需要工具、调用语法、解析系统、结果回传和工具清单，这一切组成了 harness。文中区分了界面（如 Claude Code 的 TUI/GUI）与底层 harness（如 Anthropic Agent SDK、Codex App Server），并用厨房比喻说明 harness 与工具的关系。文章还解释了 MCP 的作用——类似'食谱'，让代码可以在外部运行，以及 agent 的定义：LLM 与 harness 的结合体。
作者分享了一个长期痛点：与 AI 多轮讨论敲定的项目方案往往锁在某台电脑的聊天窗口里，换设备或同事接手时需重新投喂上下文。作者接入 EverOS Cloud（GitHub 1.3w 星开源 Agent 记忆系统 EverOS 的云端托管版），将公司电脑和家里电脑的 Codex 挂到同一云端记忆空间。AI 讨论过程中的方案与约束自动沉淀为云端记忆，跨设备、跨团队无缝续接工作，无需手动整理 Markdown。网页端 Memory Bank 可查看阶段摘要和事实卡片，支持记忆的增删改。该方案也适合团队协作，共享记忆成为项目知识资产，降低人员交接风险。
中国人民大学开源了 EvoOntology，登顶 Hugging Face Daily Papers。传统做法是把数据字典塞进 prompt，但实验显示这反而使 Claude-Sonnet-5 得分下降 15 分。EvoOntology 让 Agent 自主维护数据本体：从问题出发整理指标定义与表关系，经真实数据验证后入库；通过 MCP 按需检索而非硬塞上下文；每次任务后分析出错点，只增量修改对应部分，新版需跑赢旧版才上线。该方法使 Claude-Sonnet-5 提升 8.8 分，GPT-5.5 在 DDR-Bench 上提升 26.7 分。已提供 Claude Code 和 Codex 插件，模型权重不变，变强的是 Agent 的数据说明书。
作者分享用 Codex 结合 ChatCut 浏览器/桌面剪辑器自动剪口播视频的工作流：将原本在剪映需要一两天的剪辑工作压缩到一小时内。文章介绍了通过托管 MCP 插件让 Codex 或 Claude Code 直接操作剪辑时间线的安装方式，给出了四条核心指令（只读分析、按语义删减、插入内容并自查、最后刷字幕）和五道验收方法（重读项目状态、核对总时长、逐轨道检查、实际试听、复查字幕），并以片尾卡未跟随移动导致时长短两秒的实例说明：AI 报告'完成'不等于真正完成，验收环节必须由人掌握，这一原则适用于所有 Agent 交付的工作。
作者介绍了 amontlabs/lcu 项目，它将 Codex 的 Computer Use 能力（让 AI 看屏幕、点鼠标、敲键盘操作电脑）拆分出来，通过 MCP 接口供 Claude Code、Codex CLI、Pi 等其他 AI Agent 工具调用。该项目并非重新实现，而是直接调用本机 ChatGPT 桌面版内置的 OpenAI 原版 Computer Use 运行时。它只提供 js 和 js_reset 两个工具，模型通过预置的 cua 对象编写 JavaScript 代码完成点击、输入、截图等操作，环境保留状态，并支持读取无障碍信息按元素点击。已适配 Pi、Codex CLI、Claude Code，支持 Apple Silicon Mac 和 X11 Linux，Windows 11 处于候选阶段。
本文详细介绍 AI 剪辑工具 ChatCut 的使用方法。ChatCut 通过自然语言对话完成视频剪辑，与需要手动操作的剪映形成互补：ChatCut 负责初剪、挑高光、配乐、加字幕等，剪映负责最后精修，且支持导出为可编辑的剪映草稿。文章涵盖桌面端/网页端/Agent Plugin 三种入口的安装方式，讲解如何接入 Codex 和 Claude Code 等 AI 智能体，介绍界面布局、剪辑流程、字幕文本式剪辑、导出设置、免费与 Pro 套餐区别，以及常见坑和实用指令速查表，帮助创作者快速上手 AI 驱动的视频剪辑工作流。
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。
文章探讨如何为智能体（Agent）构建知识工作系统。作者认为需要三点：持久化的知识与工作上下文、契合个人工作方式的系统、可复用的基础。提出“知识系统”概念，整合领域对象、证据、工作方法、进行中的工作和界面。介绍其开发的本地优先框架 ars umbris：agent repo 将类型化 Markdown 知识、Agent 能力（skills、MCP 工具）和界面捆绑在一起，仓库间可像代码包一样相互依赖。核心思想是让知识库像代码库一样工作，具备类型系统、诊断、包管理等机制，让编码 Agent 将其代码能力迁移到研究和企业经营等知识工作领域。
本文介绍 TypeSafe 推出的决策模型 Jev 的实操接入方法。Jev 不生成代码，而是通过输入材料（state）和问题（questions）返回选项、分数或概率，用于判断 AI 编码 Agent 的工作质量。文章依次讲解：如何设计清晰的判断问题、跑通首次 API 调用、用 Python SDK 一次发起选择题/评分题/判断题、通过社区插件 jev-review 给 Claude Code 或 Codex 接入代码评审流程，以及安装官方 Skill 和编写 PreToolUse hook 对 Bash 命令做风险检查。文章强调 Jev 只提供质量信号，正确性仍需测试和人工审查保障，并提醒注意阈值校准、模型标识记录和敏感信息安全。
