摘要：2026年9月11日，英伟达NVLabs开源SoL-Pi——不是新框架，不是新模型，而是一层“效率增强层”。装在开源Agent Harness Pi之上，Token消耗降低45%-64%，API成本降低50%-54%。最引人注目的不是性能数据，而是它的来源：四个优化机制，全部是AI自己研究出来的。英伟达搭建自动化研究流水线，从152个候选方向中筛选出四个核心机制。Token省了，但Terminal-Bench 4完成率从18/63降到15/63——省钱是有代价的。
一、SoL-Pi是什么：不造框架，只做“减法”
SoL-Pi的定位很精确：它是Pi的一个独立扩展，不修改Pi源码，通过公开扩展API接入，在四个Harness层上叠加优化机制。Pi是当前第三方Agent执行框架的事实基准件，GitHub破10万星，Composio两次横评通过率都压过Claude Code和Codex。
SoL-Pi有四条硬性设计规则：
| 规则 | 含义 |
|---|---|
| No Pi patches | 只导入公开API，不修改Pi源码树 |
| Explicit opt-in | 缺少配置时所有机制默认禁用 |
| Preserve evidence | 原始观察保留在本地，归约失败不改变原始结果 |
| Use Pi's runtime choices | 认证、主模型、shell行为仍由Pi控制 |
二、四大机制：砍掉“模型明明不需要推理但还在推理”的环节
长跑Agent会累积大量重复工作。改完文件后明明下一步就是跑测试，模型还要再推理一轮；大文件已经读过了，后续请求仍然反复携带；几千行日志里只有几行影响决策，昂贵模型却要从头读起。SoL-Pi的四个机制，针对的正是这些“Token空转”。
Action Fusion：将一次编辑及其后续验证命令封装进同一个本地执行序列，Harness在底层完成修改和运行，合并结果一次性返回。中间那轮模型请求被省去。每省一次模型调用，就省一次完整的上下文处理费用。
ObservationPack：将重复出现的大型文本结果转化为稳定句柄，支持精确分页召回。原始内容归档到本地，上下文只保留轻量索引。需要时模型可通过句柄精确取回。
Evidence-Preserving Reducer：将长诊断日志压缩为紧凑“收据”，且只有当保留的每一处引用都能与归档源匹配时，压缩结果才被接受。先把日志交给便宜模型筛选重点，再由主模型核对内容确实来自原始日志。
Online Context Compact：将已完成子任务视为潜在压缩点，等待后续请求能“偿还”重写成本时再执行压缩。不是“越早压缩越好”，而是“在正确的时机压缩”。
三、实测数据：省了多少钱，牺牲了什么
| 对比对象 | Token节省 | API成本节省 | 得分保留 |
|---|---|---|---|
| vs 原版Pi | 45%-49% | 约1/3 | 约94% |
| vs Codex/Claude Code原生Harness | 35%-64% | 50%-54% | — |
专业研究场景下，每小时节省$8.75到$13.50（对比Codex和Claude Code），或$4.36到$5.71（对比Pi）。
但有一个必须正视的代价：Terminal-Bench 4的63个CPU任务中，SoL-Pi解出15个，而Codex和Pi都解出18个。省钱来自砍重复调用和上下文压缩，牺牲的恰好是长链路任务的完成率。
四、一键上手：一行命令安装
bash
# 第一步：安装Pi npm install --global @earendil-works/pi-coding-agent@0.84.2 # 第二步：安装SoL-Pi pi install git:github.com/NVlabs/SoL-Pi # 第三步：配置（保守方案，仅启用两个无需额外模型调用的机制） cat > ~/.pi/agent/sol-pi.json << 'EOF' { "version": 1, "actionFusion": true, "observationPack": true, "evidencePreservingReducer": false, "onlineContextCompact": false } EOF # 第四步：正常使用Pi即可 pi "修复这个仓库中的类型错误"核心记忆点：保守启用Action Fusion + ObservationPack（无需额外模型调用）；全部启用需审阅SECURITY.md，Reducer会发送日志到远程模型；协议MIT。
五、TokenSaverSkill：不用Pi也能用
如果你用的是Claude Code、Codex、OpenCode或OpenClaw，有一个跨Harness的Skill——TokenSaverSkill。它不修改任何Harness源码，纯靠Agent行为指令和本地脚本落地SoL-Pi的核心思想。
bash
git clone https://github.com/QinHsiu/TokenSaverSkill.git cd TokenSaverSkill bash scripts/install.sh
安装脚本自动检测已安装的Agent环境，支持Claude Code、OpenClaw、Codex、OpenCode。
六、AI优化AI：从152个方向到4个机制
SoL-Pi最值得琢磨的不是省了多少Token，而是它的研究过程本身。
英伟达搭建了一套自动化研究流水线：Agent自动构建可执行环境，观察模型在轨迹中的探索行为，将观察转化为自动研究循环，以效率为目标改进Harness。整个搜索从152条候选方向开始，经过预筛选、迭代实现、独立reviewer验证、held-out测试集评估——最终只留下四个机制。
研究过程本身也在进化，经历了三次设计迭代：从编译式工作流到代码编排，再到一次性技能循环——维护最小循环模板，每次实验实例化新副本，运行结束后丢弃修改过的编排代码。
AI优化AI——这不是概念演示，是一份可以一键安装的开源工程。
📖 查看原文
本文首发于「阿Q的AI笔记」，点击下方链接阅读原文，内含完整安装配置指南、DeepSeek/Codex/SoL-Pi三方Harness对比和TokenSaverSkill详细使用说明：
🔗 大模型必知必会：SoL-Pi为Harness节省了64%的Token
