随着 2026 年的到来,科研人员正积极探索如何将 AI 助手深度融入科研工作——涵盖文献整理、数据分析以及实验流程自动化等多个环节。在此,我们推荐一款名为 pi-mono 的开源项目,该项目为构建 AI Agent 提供了高度优化且精简的底层架构。https://github.com/badlogic/pi-mono
01 项目简介
pi-mono 是一个 TypeScript 单仓项目,专门用于构建 AI Agent 并管理 LLM 部署。核心工具 Pi 是一个终端编程 Agent,我们可以直接在项目目录中:Pi 的设计哲学非常科研友好:极简而强大。它只提供四个核心工具:read、write、edit、bash,系统提示词不到 1000 token,所有操作都是透明可追溯的。这意味着在科研流程中,我们可以完全掌控 AI 的行为,而不是被黑箱工具绑住。02 模块化服务科研场景
pi-mono 把 Agent 开发拆分为七个独立 npm 包,每一层都可以单独使用,非常适合科研中的定制化需求:科研中,如果我们只想统一调用 LLM,可以只用 pi-ai;想搭自己的实验 Agent,可以只用 pi-agent-core。模块化设计让科研开发变得灵活。
可以无缝切换模型,支持 API Key 或订阅登录,非常适合对比实验或模型验证。会话以 JSONL 文件存储,每条信息有 id 和 parentId,形成树状结构。科研人员可以分叉实验思路,探索不同假设,所有历史数据保留,方便复盘和论文整理。TypeScript 扩展 + Markdown 技能文件,可自定义工具、命令、UI 组件,实现零代码能力扩展。科研助手可以根据实验流程自由升级。支持交互式、JSON/RPC、SDK 模式,可嵌入科研工作流或数据处理管道。长会话不会撑爆内存,历史完整保留,可随时回溯,便于长期实验记录和分析。
04 使用方法
由于 Pi 是基于 Node.js 生态构建的,推荐使用 Node 包管理器进行安装。其核心 CLI 包名为 @mariozechner/pi-coding-agent。
1. 使用包管理器全局安装(最推荐)
如果我们已经安装了 Node.js,可以直接使用 npm、pnpm 或 bun 将其安装为全局命令:
npm install -g @mariozechner/pi-coding-agent
pnpm add -g @mariozechner/pi-coding-agent
bun add -g @mariozechner/pi-coding-agent
2. 使用快捷安装脚本
如果使用的是类 Unix 系统(macOS 或 Linux),可以通过 cURL 直接执行官方的快速安装脚本:
curl -fsSL https://pi.dev/install.sh | bash
3. 源码编译安装
如果我们想要基于 pi-mono 的源码进行二次开发或修改,可以克隆整个仓库并自行构建:
git clone https://github.com/badlogic/pi-mono.gitcd pi-mono
npm install
npm run build
npm run check
./pi-test.sh
4. 在 VS Code 中使用
虽然 Pi 优先为终端设计,但社区和开发者也提供了 VS Code 插件支持,在插件市场搜索 pi Agent for VS Code。
快速上手指南
安装完成后,我们可以在终端中按以下步骤开始使用:
1、配置 API 密钥: 你可以通过交互式命令登录、订阅或配置 API:
或者直接在终端环境变量中配置你拥有的 API 密钥(例如使用 Claude):
export ANTHROPIC_API_KEY=sk-ant-...
2、启动 Pi: 在任何你要处理的代码项目目录下,输入以下命令即可启动交互式终端:
3、切换模型: 在 Pi 的终端内,输入 /model 或按下 Ctrl+L 可以无缝切换不同的 LLM 供应商和模型。