去年，在享受了数个月 GitHub Copilot 的智能代码补全后，我受够了反复在 Web 页面和编辑器之间复制粘贴，开始正式使用 Coding Agent 处理日常编码。
从 Windsurf、Augment 到 Cursor，Agent 在我的编码工作中占比越来越大，我在桌面上能看到的代码却越来越少。一开始，我还会逐行看 Agent 的实现，带着一点洁癖挑剔地 review 代码，甚至自己动手修改；到现在，Agent 生成代码的速度已经完全超过了我的 review 能力。我也彻底放弃逐行审查，只关注架构设计、模块抽象和最终效果。
今年年初，我开始使用 OpenCode。Oh My OpenCode 带来的 LSP、多 Agent Orchestrator、Plan 和对抗审查等特性，让我对 Agent 的能力有了新的认识。彼时 Claude Opus 4.6 风头正盛，相比之下，其他模型在 Agent 工具调用、指令遵循和取舍分寸上都差了很多。于是，我靠着 Google Antigravity 和 GitHub Copilot 提供的 Claude Opus 4.6，配合 OpenCode + OMO，完全踏入了 Agent 编码领域，从此不再手写任何一行代码。慢慢地，除了代码以外，调试、运维等工作也完全交给了 Agent。
到 4 月中旬，我通过 Google Antigravity 和 GitHub Copilot 把订阅模型接入第三方 Agent 的路径先后失效。Antigravity 后来更是明确写进 FAQ，通过 Claude Code、OpenClaw、OpenCode 等第三方工具使用 Antigravity 账号违反服务条款，可能导致账号被暂停或终止。
其中 Copilot 更是不当人：我的年付账号此后没有再拿到任何新模型，现有模型的倍率也被调整到了令人咋舌的地步。没错，就在我写这篇文章的 8 月 30 日，如果你和我一样是尊贵的 Copilot Pro+ 390 美元年付旧套餐用户，现在可以用 57x 的倍率使用落后一代的 GPT-5.5。没错，是 57x。
于是，我在 4 月下旬投入了 Codex 的怀抱。到写作当天，统计页面显示我已经连续使用了 117 天，接近 4 个月。
Codex 很好。至少 Sam 只是一个忠于现金流和估值的商人：OpenAI 明面上说不在中国大陆提供服务，但在我的实际使用中，并没有真的阻止我。
至少它没有像某个 A 姓组织那样，曾在 Claude Code 的系统提示词中，用几乎不可见的 Unicode 差异编码 API 端点和中国时区信息。Anthropic 后来称这是一项为了防止账号滥用和模型蒸馏的实验。
我从来没有使用过 Claude Code。我知道它很好，作为 Agent 的先驱之一，至今仍是众多开发者的首选，拥有庞大而活跃的社区；Claude 系列模型至今也是编程领域最优秀的前沿模型之一。
可是我受不了自己的生产工具可能随时因为地区和组织归属限制，或者所谓的平台完整性检查，要求我提交政府证件进行身份验证，甚至直接停摆，最后只收到一封邮件通知。在我看来，这种把地区、组织归属和身份直接当作风险代理变量的政策，武断得近乎极端种族主义。
话题扯远了。原谅我只是想借这个机会，狠狠吐槽一下 GitHub Copilot 糟糕的运营决策，以及 Anthropic 极端的有效利他主义（EA）倾向。
那么，为什么在用了 Codex 4 个月以后，我选择转而使用 Pi 呢？
首先声明，我并没有放弃 GPT 系列模型。我至今仍在订阅每月 200 美元的 ChatGPT Pro（20x）。这是目前最廉价的、可以获得大量前沿模型 Token 的方案之一。Sam 应该感谢，他的对手比他更能劝退用户。
我只是不想再使用 Codex 的 Harness 了。
简洁
我非常喜欢简洁的东西。简洁意味着清晰的定位。当软件失去这种取舍判断，就会不断膨胀，因为你根本不知道哪些应该做、哪些不应该做，只会为了增长和抢地盘不停增加新的功能和特性。
Codex 曾经也是一个相当精简的工具，几乎可以说就是 Codex CLI 的 GUI 呈现。后来它陆续增加了 Connections、Pets、Invite 等功能。不得不说，Codex 原生的手机控制真是灾难：对网络要求很高，效果还非常差。
甚至很多人喜欢的 Subagent、Goal、MCP、Schedule、Permission 等功能，我也从来没用过。特别是 Permission，我几乎只开启 YOLO 模式。后来 Codex 合并到 ChatGPT 桌面端以后，又出现了 ChatGPT vs Codex、Sites 之类的功能。
我知道自己可以关闭其中一些功能，但它们仍然挤在工作界面和设置区里，侵占我的注意力。你的注意力非常宝贵，请珍惜它。
回过头来看，Codex 已经从一个 Coding Agent 演变成了 OpenAI 在你电脑上的入口。它承载了很多 OpenAI 需要的功能，而不是我需要的。
这方面，Pi 的每一项设计取舍和官网宣传点都直击我的喜好：
- 你不需要 MCP：CLI 是最好的接口；如果 CLI 比较复杂，那就配个 Skill。
- 你不需要内置 Subagent：这会带来很多调度消耗。如果真的需要，再开一个 Pi 实例不就好了？
- 你不需要权限弹窗：你真的会逐个审查 Agent 的命令，然后认真思考允许还是拒绝吗？如果真的害怕，就把它放进隔离环境执行。
- 你不需要内置沙箱：真正需要隔离时，用容器或虚拟机解决。我不想把排查时间浪费在和半吊子的应用级沙箱斗智斗勇上。
- 你不需要后台执行：你知道有个东西叫 tmux 吧？不够好用吗？
- 你不需要 Plan Mode：让它把计划写进文件不就好了，为什么还要特意切换模式？
- 你不需要 Todo：又不是你的 Todo，弄个精致的 UI 展示出来，除了好看还有什么意义？Agent 的 Todo 让 Agent 自己用文件管理就好了。
可控
我非常不喜欢不可控的东西。比如随时可能封号的 Anthropic——不过我似乎冤枉它了，它其实非常可控：“你来自中国？”“封号！”
而不可控的东西在我使用的 Codex 里到处都是。最明显的是各种内置工具、Skill、MCP 和 Plugin。它们默认开启，什么会进入上下文并不总是透明。有的可以卸载，但会随着 Codex 更新自动回来；有的甚至无法卸载，只能禁用，却又会在一些神秘的时刻自动启用。还有很多内置工具，我甚至无法完整感知，更谈不上关闭。
慢慢地，我产生了一种感觉：我并不是在和“我的 Agent”合作，而是 OpenAI 设计好了一个“不错的通用 Agent”，然后借给我用。他们可能随时修改它，也不会通知我。我需要时不时自己检查，再通过配置或奇技淫巧绕过去。
速度
我真的不理解，为什么 Codex 能这么慢。
一开始我怀疑是自己的网络问题。有时候只是发个 Hi，它都要 Loading 和思考很长时间。但当我切到 Pi 以后，同一个订阅、同一个模型、同一个接入端点，Pi 快得让我没有喘气的时间。我没有做定量分析，这只是体感。
除了模型每个 Turn 的响应时间，还有整个 App 的响应。Codex / ChatGPT 桌面端真的越来越卡了。我用的是 M1 Pro、32GB 内存，无论发送消息、切换会话还是使用内置浏览器，都卡得让我觉得自己的电脑可能老了，该换新了。要不是最近 MacBook 也涨价了，我可能真换了。
换成 Pi 以后，我发现原来自己的电脑挺好的：快速、安静、凉快。我知道拿 CLI 和 GUI 比不公平，但这就是事实。哪怕我使用 Orca 配合 Pi，响应也非常迅速。
定制
在可定制性方面，Codex 和 Pi 几乎不在同一个可以比较的层面上。我更想聊聊 DeepSeek Harness（DSH）。
体验 DSH 以后，我真的很喜欢它“一切皆插件”和 Creator Mode 的设计。我不仅可以定制功能，还可以直接定义自己的交互界面，令人惊叹。我相信，只要投入足够多的时间，我可以用 DSH 定制一套真正属于自己的 Agent。
但问题也在这里：评估以后，我发现这会花掉太多时间。毕竟我的工作不是打磨工具，而是用工具创造其他价值。也许以后 DSH 逐渐完善，我还会重新考虑是否切换，但至少不是现在。
生态
这是我选择 Pi 而非 DSH 的另一个重要原因：生态质量。抱歉，在这方面 Codex 依然没有可比性。
DSH 的插件能力非常强大，但社区似乎仍停留在如何换更好看的皮肤、加电子宠物、加手机连接、增加更多功能，以及让 DSH 变得更像 Codex 和 Claude Code。插件数量在野蛮生长，社区质量仍有待进一步发展。
Pi 的生态质量显然高得多。很多开发者把自己对 Agent、Harness、上下文工程，甚至人与 Agent、Agent 与 Agent 之间关系的理解，做成了一个个扩展。我不一定会启用它们，但这些设计思路启发了我很多。
我相信这也是 Pi 的魅力之一：克制而强大的 Agent，与一群优秀的建构者相互吸引。DSH 也有这样的潜力，希望它越来越好。
性能
下面这张很出名的图来自 Databricks 对内部数百万行代码库的 Coding Agent 评测，展示了不同 Harness 与模型组合在相同任务集上的通过率和平均单任务成本。
在他们的任务中，相同模型、相同推理档位通过不同 Harness 运行时，质量基本不变，单任务成本却能相差两倍以上；Pi 每个 Turn 发送的上下文大约少三倍，并用更少的轮次完成任务。
这当然不是一个放之四海而皆准的结论，Databricks 自己也强调结果与任务集有关。但对我来说，这张图是切换到 Pi 的最后一根稻草：它不仅精简，而且强大。
节省
Token 曾经一度让我非常苦恼。使用 Codex 时，20x 套餐的周额度，我甚至一度只需要一天半就能用完，只能靠 Tibo 偶尔发放的额度 Reset 施舍度日。
但切换到 Pi 以后，我惊讶地发现 Token 从未如此耐用，我彻底失去了 Token 焦虑。我没有仔细分析这究竟来自更高的缓存命中率、精简工具对上下文长度的影响，还是更少的执行步骤和废话。总之，我现在有了大量富余 Token，可以做任何自己想做的事情。
厂商绑定
当 GPT-5.6 在正式发布前，一度因为美国政府要求而只向获批合作方开放时，我意识到 Codex 也不是长久之计。
可喜可贺，国内模型真的太争气了。从 GLM 5.3、Kimi K3、DeepSeek V4 Flash，到 Qwen3.8-Flash 和 GLM 5.3 Flash，国内模型不仅正在逼近闭源前沿，可选路线也越来越多。
两台 DGX Spark 大约就是 8 万元人民币，已经可以部署不少量化后的前沿开源模型。对于一些简单任务，一张 24GB 的 7900 XTX 已经可以部署 Qwen3.8-Flash。
我相信以 Sam 的性格，他一定会尽可能把最新的 GPT 卖给我用，但我不信任地缘政治。既然如此，那就从远离 Codex 开始，从使用 Pi 开始。我可以自由切换模型、自由定制、自由开发。
Pi 很不错。它现在已经支持通过 /login 直接使用 ChatGPT Plus / Pro 的 Codex 额度；我自己的方案则是配合 CLIProxyAPI（CPA）使用 ChatGPT 订阅。感谢 Tibo 愿意公开为这种方案站台——和某个 A 姓公司完全不一样。
更令我惊喜的是 Orca。这个 ADE 似乎就是为 Pi 而生。等我详细使用和研究以后，再写一篇关于 Orca 的文章，聊聊它精准的定位、精妙的设计、工程质量和思考。