这是我让 pi 自己给自己下的诊断。你有什么建议?
Creato il: 17 novembre 2026
Risposto usando GPT-6 Thinking da Chat01
Creato il: 17 novembre 2026
Risposto usando GPT-6 Thinking da Chat01
这是我让 pi 自己给自己下的诊断。你有什么建议?
我会把这份自诊断当作一次架构审查来读:先核对它的证据和结论是否匹配,再结合你附的模型用量数据,给出我认为值得优先修、应该删掉,以及暂时不该动的部分。
我认真读了这份合并诊断,包括 Pi 自己的总结、各模块的证据、修宪提议和 K3.1-pro 的意见,也看了你附的当天模型用量 CSV。
我的总体判断是:
Pi 对问题的定位大体正确,但它提出的解决方案仍然有些过度工程化。我会赞成它做减法,却不会完全照它给出的优先级执行。
这套系统最有价值的地方,是它已经形成了「需求 → 实现 → 独立审查 → 修复 → 交付」的工程纪律。真正需要修的,是支撑这套纪律的状态管理,而不是把纪律本身拆掉。
我认为有三个核心问题:
还有一个重要的统计修正:报告中「27% 未认证交付」这个说法不够严谨。它直接观测到的是 27% 的审查轮最后一次结果为额度拒绝;其中可能存在此前已经 PASS 的版本。要计算真实未认证交付率,必须关联最终交付的文件快照与审查收据。
下面是我会实际采用的调整顺序。
| 优先级 | 改造对象 | 我希望得到的结果 |
|---|---|---|
| P0 | Review 认证状态与覆盖范围 | 不再有假放行,也不允许审查未读完的内容后 PASS |
| P0 | 提交与回滚的可靠性 | 审查、提交、checkpoint 对同一份产物有一致认识 |
| P0 | 补丁与运行环境 | 升级不会静默丢失关键修复 |
| P1 | 模型窗口、压缩、上下文 | 只有一套可信的容量口径和压缩策略 |
| P1 | Skills、LSP、自动注入 | 减少无效上下文,不损失真正需要的知识 |
| P2 | Claim gate、经验收割、闲置扩展 | 删除重复责任和低价值的强制行为 |
Pi 建议删除额度耗尽时的 runBaselineHash = hash。这个方向完全正确,但我认为四行补丁不足以解决根本问题。
需要把几个状态真正分开:
预算阻塞是未完成状态,不是 PASS,也不必导致无限循环。
认证收据应该绑定到仓库身份、代码基准版本、文件路径与完整内容哈希、审查范围,而不只是一次会话或一次工具调用。
尤其要同时处理报告里另一个问题:超过 20,000 字符的未跟踪文件可能被截断展示,却仍然获得 PASS。这是审查证据不完整的问题,和额度豁免一样值得列为 P0。
我会允许预算耗尽时停止尝试,但必须明确留下 BLOCKED_BUDGET 状态,并在后续继续审查或由用户显式豁免。不能隐式当成已认证。
/commit-reviewed 的问题,比 Pi 描述的更深Pi 把仓库键控 bug 排第二,我同意需要修,但它忽略了一个更大的事实:
报告统计中,/commit-reviewed 只被调用过一次,而普通 git commit 出现了 118 次。
这不能直接证明大家是因为前者有 bug 才使用后者,但可以说明:目前 /commit-reviewed 不是实际交付过程中稳定使用的入口。
如果你真正想要强制认证,单靠 Pi 的 slash command 不够。可以让 Pi 的正常提交工作流自动带上收据验证;更重要的仓库则让 CI 检查审查状态。否则即便修好了跨仓键控,普通 Git 提交仍然能够绕过这条流程。
另外,报告已经证实 patch 修改绕过了 pi-checkpoints 的监听,切换后约 894 次 patch 没有对应的文件快照。这会让回滚能力出现静默缺口,我会在删除任何 checkpoint 包之前先修它。
这部分比拆技能卡更值得尽快修。
报告里的 models.json、context-display.json、compaction.reserveTokens 对窗口的理解互相冲突。最危险的做法是只删除九条 override,却留下错误的 contextWindow,那反而可能让压缩触发得更晚。
我的建议是先验证网关实际支持的上下文长度,再让压缩触发阈值从它计算出来。同时让 pi-tuck 与 Pi 原生压缩明确选择一个主要控制者,不再让两个扩展反复互相让位。
在当前压缩状态没有跑通前,继续增加 pin、recall、escalate 规则,只会扩大排查范围。
我觉得 Pi 这里有一个更值得注意的发现:skill-push 是在工具执行之后通过 tool_result 注入知识的。
例如报告里的 jj abandon @:危险命令已经执行了,随后才推送「这种情况不要 abandon」的规则。即使模型完全遵守卡片,也来不及挽救本次操作。
所以我会区分两类知识:
不可违反的操作约束,例如破坏性版本控制操作、认证边界,应该在动作之前由轻量规则或明确的工具接口约束。
问题排查与领域知识,例如 LLVM_DEBUG、编译器陷阱、Python pickle,应该按需读取,而不是无条件长篇注入。
Pi 的「索引卡 + 症状表」值得试,但我不建议强制每次命中都读完整 docs。最好先测真实任务中能否正确选择文档,再判断什么时候值得增加读取成本。
另外,用 argv[0] 替代整段命令正则是改进方向,但 shell 可能包含管道、bash -c、heredoc、多个子命令,仅看首个 token 也会漏报。宁可先收窄触发条件,也不要制造一个看似准确的简陋解析器。
我根据 usage-models-today-2026-11-17.csv 重新计算了一下:
模型请求总数
估算 Credit 用量
缓存命中输入 Tokens
缓存未命中输入 Tokens
总体输入 Token 缓存命中率
按三种模型输入 token 加权计算;不是请求级缓存命中率。
其中 DeepSeek Flash 贡献了 604 次请求,绝大部分输入又命中了缓存。
这意味着我不会直接把历史上技能卡注入的 133 万字符换算成可节省的费用。两份数据时间范围不同,而且缓存命中与未命中的收费结构不同。
降低冗余上下文仍然有价值,但更值得测的是延迟、有效上下文空间、任务重试次数和最终结果。
尤其是反复送审、修复、再撞额度造成的循环,很可能比一张偶尔注入的技能卡更伤害实际效率。
首先,不赞成立刻按使用次数卸载所有低频插件。
statusline 是 UI 功能,本来就不应该期待在 JSONL 里看到使用记录。gh_pr_reviews 刚实现、还没有形成使用习惯,零调用并不能说明它无价值。
同理,patch 的 9.3% 错误率和旧 edit 的 4.9% 不构成严格的对照实验,两组调用时期和工作负载并不完全一致。
可以先停掉明确无用、容易恢复的功能,但不要把「日志不可见」直接等价为「没有收益」。
其次,我会大幅降低自动经验收割的权力。
这份报告里最让我警惕的数字之一,是 115 个经验收割轮写入了全局 AGENTS.md,尽管 prompt 声称这类阶段应该只读。
我建议全局 AGENTS.md 保持稳定,只存真正跨项目适用的约束。普通项目经验应该落入项目文档;新的全局规则只能先作为候选,由你决定是否吸收。
否则它会逐渐把一次性问题、局部 workaround 和临时经验沉淀成永久契约。这类知识污染比多消耗一些 token 更难察觉。
对于「修宪提议」,我赞成 Pi 的基本主张:允许记录,不允许自动实施。不过现阶段只用现有文档记录和人工分诊就足够了,不急着再写 /amend 命令和新扩展。
它提供了很多可以复现的程序缺陷,但对「改造后的效果」基本仍是推断。
例如,索引卡刚在本轮重构中拆出来,却拿整个历史会话里 docs 的读取次数评估其有效性;技能卡触发器也在统计期间改变过。这样的历史数据只能帮助发现问题,不能直接证明新旧策略的效果差异。
我建议 Pi 下一步停止继续横向调查其他插件,转而建立一个很小的回归任务集:选取 20~30 个有真实历史记录的任务,冻结相关代码、配置版本和输入条件,比较改造前后。
我最关心的验收指标是:最终交付物是否完整认证、用户需要纠正多少次、审查发现的有效问题数量、每个成功任务的 Credit 和耗时,以及回滚是否真的覆盖全部修改。
对于真正危险的行为,保留强制约束;对于模型能力和体验优化,则依赖对照数据决定去留。
如果这套 Pi 是我长期使用的工程代理,我会先花一轮改造只完成三个目标:修复认证状态和未审内容 PASS 的漏洞、恢复可靠的提交与回滚路径、让模型窗口和压缩配置一致。
这些跑通之后,再关闭 LSP 重复注入,缩小技能卡推送范围,清理高误报的 claim-gate,最后才考虑卸载低频包或重构 3,000 行的 review-workflow.ts。
还有一件独立的安全卫生问题值得顺手处理:报告提到 models.json 里存在明文 API key,沙箱网络白名单又是 ["*"]。我会检查凭据是否能够改由受控环境变量或凭据存储提供,并按实际需要收窄网络权限,而不是只依赖 denyRead。
我的最终观点是:
你真正想构建的,不是一个「更听话、更守规矩的 Pi」,而是一个能够自主完成任务,同时能准确说明自己做了什么、验证了什么、还没有验证什么的工程代理。
目前它已经有了相当成熟的纪律意识。下一阶段最重要的,不是教它更多规则,而是让少数关键规则变得可信、可检验、不会互相矛盾。