最近看了一个介绍 Pi Agent 的视频。视频没有把重点放在“哪个 Agent 的聊天效果最好”，而是展示了一条更有价值的路线：先用一个极简的 Agent 作为底座，再按自己的工作安装 Skill，最后把搜索、资料整理、文案、配音、配图和视频页面串成一条完整流水线。

这套方法不只适用于 Pi。只要一个 Agent 能够读写文件、执行脚本，并且可以调用外部工具，基本都能照着实现。区别在于：Pi 默认给你的底座很小，需要自己搭；Codex 等产品通常已经把很多工具和工作流预装好了。

先理解三个概念

Agent 是执行循环

模型本身只负责理解上下文、提出下一步行动或生成内容。Agent 负责把这些行动真正执行起来，例如读取文件、运行命令、调用搜索接口、生成音频，再把结果交回模型。

Skill 是操作手册

Skill 不一定是一个新的模型。它更像一份给 Agent 看的说明书，里面可以包含：

  • 什么时候使用这个能力
  • 需要哪些参数和环境变量
  • 先做什么、后做什么
  • 应该生成哪些文件
  • 出错时如何检查和重试

因此，Skill 的价值不只是“多一个按钮”，而是把一次性的提示词变成可复用的流程。

文件是工作流的接口

聊天窗口里的答案很容易消失，文件则可以被下一步继续处理。搜索结果保存成 news.md，文案保存成 script.md，音频保存成 voice.mp3，网页保存成 index.html，每一步都有明确的输入和输出，Agent 才能稳定地接力。

从四个基础工具开始

视频里把 Pi 的默认能力概括为四类：读文件、写文件、修改文件和运行命令。这个设计很克制，但已经足够完成大量本地工作：整理目录、批量改名、生成 Markdown、运行脚本和构建网页。

如果用伪代码表示，最小底座大概是这样：

read_file   读取资料
write_file  创建结果
edit_file   修改已有文件
bash        调用本地命令和脚本

Pi 的特点是“先少给一点，再由用户按需增加”。Codex 的路径相反：在当前环境中，文件、终端、浏览器、文档处理、图片生成等能力已经通过工具和 Skill 组织好了，所以可以直接从任务开始。

第一层：搜索和资料整理

先安装一个搜索 Skill，常见选择包括 Tavily Search 或 Brave Search。配置好 API Key 后，可以让 Agent 执行一个有明确交付物的任务：

搜索本周最重要的五条 AI 新闻。
按重要程度排序，说明发生了什么、为什么重要、是否适合做短视频。
给出来源链接，并保存为 news.md。

这里有一个关键区别：不要只让 Agent“帮我搜一下”，而要规定输出格式和保存位置。这样得到的不是一堆链接，而是一份可以被后续步骤继续引用的资料文件。

在 Codex 中，这一步可以使用浏览器、搜索连接器或研究类 Skill 完成。搜索方式可能不同，但原则相同：

  1. 明确问题和时间范围；
  2. 区分事实、推断和观点；
  3. 保存来源；
  4. 把结果落到文件中。

第二层：读取 PDF、Word、PPT 和表格

资料有了之后，再给 Agent 添加对应的文档 Skill。以 PDF 为例：

读取这份 PDF，提取核心结论、关键数字、原文依据和不确定项。
输出一份结构化摘要，保存为 report.md。

文字型 PDF 可以直接提取文本；扫描版 PDF 则需要 OCR 或图像输入能力。PPT、Word 和 Excel 也应当分别使用适合的处理流程，不要把“能打开文件”误认为“能正确理解文件结构”。

Codex 在这类任务上通常更省配置：当前环境有文档、PDF、表格和幻灯片相关的工作流，可以直接要求读取、分析、生成并验证文件。Pi 需要安装对应 Skill，并准备好 Python、Node、OCR 或 Office 解析依赖。

第三层：从资料到文案和音频

把 news.md 变成适合口播的脚本：

把 news.md 改成一分钟中文口播稿。
要求：短句、自然停顿、不夸大结论；每条新闻说明事实和影响。
保存为 script.md。

之后安装 Edge TTS 或其他语音合成 Skill：

把 script.md 转成中文语音，保存为 voice.mp3。
同时生成一个 index.html，页面中包含完整文稿和音频播放器。

这一段体现了 Agent 工作流和聊天机器人的差别：最终交付物不是一段回复，而是可以播放、修改和分享的文件。

在 Codex 中，可以用文档生成能力写稿，用本地脚本或已配置的语音工具生成音频，再用 HTML 把文字和音频组合起来。若当前环境没有某个 TTS 服务，就需要补充对应的 Skill、CLI 或 API，不能把 Skill 当成凭空产生的服务。

第四层：配图和视频

可以先为每条内容生成图片素材：

根据 script.md 的第一条新闻生成一张短视频封面。
要求：简洁、3D 科技感、主题明确，不要加入无法核实的文字。
保存为 cover-01.png。

视频里的做法很有代表性：不是直接让模型“生成一条完整视频”，而是先生成一个带动画的 HTML 页面，再按帧渲染或录制成视频。这样做的好处是页面可编辑、可预览，文字和动画也更容易控制。

推荐的文件结构可以是：

ai-news/
├── sources.md
├── report.md
├── script.md
├── voice.mp3
├── cover-01.png
├── presentation.html
└── render.sh

Pi 可以通过 HyperFrames、HTML 动画或 ffmpeg 相关 Skill 完成这一步。Codex 也可以用网页演示类 Skill、浏览器截图、脚本和视频工具完成类似流程；区别只是能力是否已经预装，以及是否需要自己维护脚本。

把步骤串成一个项目

最后可以把所有要求合并成一个任务，但仍然要让每一步生成文件：

研究一台 AI 服务器的成本构成。

要求：
1. 搜索官方规格和可靠的公开报道；
2. 把来源和关键数字保存到 sources.md；
3. 区分公开事实、估算值和未知项；
4. 生成中文两分钟演讲稿 script.md；
5. 生成配图和中文配音；
6. 制作可在浏览器打开的 presentation.html；
7. 不要直接渲染最终视频，先让我检查项目文件。

比较稳妥的执行顺序是：

搜索 → 记录来源 → 整理数据 → 写稿 → 审核 → 配音/配图 → 生成网页 → 渲染视频

不要一开始就要求 Agent “自动完成所有事情并直接发布”。先让它产出中间文件，人在关键节点确认事实、数字和权限，最后再渲染或发布。

Pi 和 Codex 在这条流水线上的差别

环节 Pi + Skill Codex + Skill
搜索 自己安装搜索 Skill 和 API 使用浏览器、搜索工具或研究 Skill
PDF/Office 需要配置解析依赖 通常有现成的文档工作流
TTS 通过 Edge TTS 等 Skill 接入 使用现有脚本、服务或对应 Skill
图片 通过 Skill 调用图像 API 可以直接使用图像生成工具
视频 HTML、HyperFrames、ffmpeg 等自行组合 可以使用网页演示、脚本和媒体工具组合
定制 可以直接写 TypeScript Extension 改运行时 主要通过 Skill、插件和项目规则定制

Pi 的优势是底座轻、模型自由、容易成为“自己的 Agent”；Codex 的优势是减少安装和连接工作，把更多时间放在任务本身。

成本和安全不能只看 Token

上下文短通常有利于速度和成本，但总成本还包括搜索 API、TTS、图片生成、视频渲染和失败重试。视频中提到的单次任务费用是作者环境下的体验，不应直接当成所有人的固定价格。

安全方面尤其要注意：

  • 不要把 API Key 直接写进公开文件或聊天记录；
  • 安装 Skill 前先看脚本会读取什么、上传什么、执行什么；
  • 搜索结果和 PDF 内容都要当作不可信输入；
  • 先生成文件，确认后再执行删除、发布、上传等有副作用的动作；
  • Pi 默认权限可能很宽，必要时使用容器或沙箱。

结语

这套方法最值得学习的不是某一个 Skill，而是一个工作方式：把 Agent 当成可组合的工作流引擎，把每一步都变成可检查的文件。

Pi 让你从一个极简底座开始，逐步长出自己的能力；Codex 则把很多常用能力提前准备好，让同一套思路更快落地。无论使用哪个 Agent，真正决定结果的仍然是任务拆解、输入输出设计、来源校验和最后的人工确认。

本文根据 Pi Agent 相关视频字幕整理，并结合 Pi 与 Codex 的实际使用方式补充。视频中的费用、Token 数字和第三方服务额度会随模型、版本和配置变化。