我的AI编码流程：从消耗token到确定性构建
作者分享了其AI编码流程的简化过程，从使用复杂工具链转向确定性构建块，并通过自建扩展和本地工具显著降低了token消耗。
文章情报
要点
- 作者从opencode等复杂工具转向更简单的Pi Agent，强调确定性流程。
- 通过自定义扩展（如SonarQube检查和代码审查）替代LLM指令，减少token消耗。
- 使用Taskwarrior和Bugwarrior管理任务，避免重复造轮子。
- 通过caveman、condensed-milk和VCC等工具进一步节省token。
为什么重要
这条新闻值得关注，因为作者从opencode等复杂工具转向更简单的Pi Agent，强调确定性流程。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
作者Geert Theys在2026年5月发表的一篇文章中，分享了他如何简化AI编码流程，从依赖复杂工具链转向确定性构建块，从而大幅降低token消耗。他指出，许多AI编码流程变得越来越复杂，但他的做法却趋于简单。他最初使用的是名为opencode的开源工具，很快便感到限制重重。随后他发现了Pi Agent，一个极其精简的工具，仅提供读、写、编辑、bash和模型连接功能，其余一切通过扩展实现。这种极简主义让他能够完全掌控流程，避免不必要的复杂性。
作者的核心观点是，许多原本依赖LLM的步骤实际上可以通过确定性代码完成，这样不仅能节省token，还能提高可靠性。例如，他过去让LLM执行GitHub Actions的SonarQube检查，但LLM有时会偏离指令，导致token浪费且不可靠。于是他将其重写为Pi扩展，确保100%按照预期运行。同样，代码审查也通过自定义扩展实现，避免了LLM的随机性。作者强调，这种确定性方法使得每个步骤都能一致地执行，无需每次监督。
在项目管理方面，作者使用Taskwarrior作为本地任务管理工具，并通过Bugwarrior同步多个项目的不同问题跟踪器，从而避免引入新工具。他还分享了三个节省token的技巧：使用caveman优化聊天过程，减少重复提示；用condensed-milk替代RTK-AI，避免命令截断问题；以及通过VCC在本地压缩提示，无需额外模型调用即可减少token消耗。VCC通过规范化和引用块机制实现压缩，不丢失上下文。
最后，作者强调这并非一个框架，而是一套适合他个人工作方式的选择。他鼓励读者从中获取灵感，但构建自己的流程。他认为，最好的工具是那些自己构建并理解的工具，就像配置文件一样，每个人的需求都不同。