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 Pis 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Pi45%-49%约1/3约94%vs Codex/Claude Code原生Harness35%-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-agent0.84.2 # 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.mdReducer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。bashgit 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