我的AI編碼流程：從消耗token到確定性構建
作者分享了其AI編碼流程的簡化過程，從使用複雜工具鏈轉向確定性構建塊，並通過自建擴展和本地工具顯著降低了token消耗。
文章情報
要點
- 作者從opencode等複雜工具轉向更簡單的Pi Agent，強調確定性流程。
- 通過自定義擴展（如SonarQube檢查和代碼審查）替代LLM指令，減少token消耗。
- 使用Taskwarrior和Bugwarrior管理任務，避免重複造輪子。
- 通過caveman、condensed-milk和VCC等工具進一步節省token。
為甚麼重要
這條新聞值得關注，因為作者從opencode等複雜工具轉向更簡單的Pi Agent，強調確定性流程。
技術影響
可能影響模型選型、推理成本、產品能力和評測基準。
作者Geert Theys在2026年5月發表的一篇文章中，分享了他如何簡化AI編碼流程，從依賴複雜工具鏈轉向確定性構建塊，從而大幅降低token消耗。他指出，許多AI編碼流程變得越來越複雜，但他的做法卻趨於簡單。他最初使用的是名為opencode的開源工具，很快便感到限制重重。隨後他發現了Pi Agent，一個極其精簡的工具，僅提供讀、寫、編輯、bash和模型連接功能，其餘一切通過擴展實現。這種極簡主義讓他能夠完全掌控流程，避免不必要的複雜性。
作者的核心觀點是，許多原本依賴LLM的步驟實際上可以通過確定性代碼完成，這樣不僅能節省token，還能提高可靠性。例如，他過去讓LLM執行GitHub Actions的SonarQube檢查，但LLM有時會偏離指令，導致token浪費且不可靠。於是他將其重寫為Pi擴展，確保100%按照預期運行。同樣，代碼審查也通過自定義擴展實現，避免了LLM的隨機性。作者強調，這種確定性方法使得每個步驟都能一致地執行，無需每次監督。
在項目管理方面，作者使用Taskwarrior作為本地任務管理工具，並通過Bugwarrior同步多個項目的不同問題跟蹤器，從而避免引入新工具。他還分享了三個節省token的技巧：使用caveman優化聊天過程，減少重複提示；用condensed-milk替代RTK-AI，避免命令截斷問題；以及通過VCC在本地壓縮提示，無需額外模型調用即可減少token消耗。VCC通過規範化和引用塊機制實現壓縮，不丟失上下文。
最後，作者強調這並非一個框架，而是一套適合他個人工作方式的選擇。他鼓勵讀者從中獲取靈感，但構建自己的流程。他認為，最好的工具是那些自己構建並理解的工具，就像配置文件一樣，每個人的需求都不同。