Pi: un asistente de programación con IA a tu medida

Pi te da el control de tu asistente de programación con IA

Pi es una infraestructura mínima para agentes: el software que conecta un modelo con tus archivos y comandos. Puedes verlo como un banco de trabajo: el modelo que eliges decide qué hacer y Pi le proporciona las herramientas para hacerlo.

Sus cuatro herramientas integradas y activadas de forma predeterminada cubren el ciclo básico:

El modelo solicita una herramienta, Pi la ejecuta y el resultado vuelve a la conversación. El ciclo puede repetirse hasta terminar la tarea. Estas son las cuatro herramientas activadas de forma predeterminada; la versión 1.0 incluye otras herramientas integradas. Referencia de herramientas de Pi, ciclo del agente.

Si ya usas Claude Code o Codex, valora Pi según el flujo de trabajo que quieras controlar. Mi recomendación es probarlo cuando tengas una personalización concreta en mente, como un comando para revisar el repositorio o una skill reutilizable para migraciones. Si buscas más opciones, consulta la selección de agentes de programación compatibles con distintos modelos.

Qué cambia con Pi 1.0 en la terminal y las herramientas

La versión 1.0.0 activa la pantalla completa de forma predeterminada y mejora codemode y el inicio de sesión. Una TUI es una interfaz que se dibuja dentro de la terminal. Estos son los cambios que conviene conocer al configurar Pi:

MCP conecta el agente con herramientas externas. OAuth es el proceso de inicio de sesión que concede acceso sin entregar tu contraseña a la herramienta. Codemode permite al modelo componer llamadas a herramientas en JavaScript y devolver a la conversación los resultados seleccionados. La reducción de tokens del prompt se aplica a esa configuración; no garantiza una factura un 40% menor en todas las tareas. Notas de Pi 1.0.0, referencia de codemode.

La misma versión añade generación de imágenes desde scripts de codemode, Radius en /login y quietStartup: "header". Puedes dejar esas funciones para después de la primera tarea de programación. Notas de la versión.

Cómo configurar Pi y completar una primera tarea en 28 minutos

Empieza con un repositorio que conozcas, un comando de pruebas que funcione y acceso a un modelo compatible. Los tiempos siguientes son una propuesta: la duración de las descargas, el inicio de sesión y las pruebas depende de tu entorno. Elige una tarea lo bastante pequeña como para revisar su resultado antes de cerrar la sesión.

Minutos 0 a 5: instala Pi y abre tu proyecto

La instalación mediante npm requiere Node.js 22.19 o posterior. Este comando fija Pi en la versión 1.0.0 para que el recorrido coincida con la versión que explica este artículo:

node --version
npm install -g --ignore-scripts @earendil-works/pi-coding-agent@1.0.0
pi --version
cd /path/to/project
pi --tui-mode regular

Sustituye /path/to/project por tu carpeta de trabajo. pi --version debería mostrar 1.0.0. Si ejecutas pi sin opciones, se activa el nuevo modo de pantalla completa. La alternativa oficial para macOS/Linux es curl -fsSL https://pi.dev/install.sh | sh, que instala la versión vigente. Documentación de instalación del proyecto, guía de inicio rápido.

Minutos 5 a 10: conecta la cuenta que ya tienes

Ejecuta /login dentro de Pi, elige tu proveedor y completa el método de autenticación que te ofrezca. Después, ejecuta /model y selecciona un modelo disponible. El proveedor es la vía de acceso; el modelo es el sistema que genera las respuestas.

La documentación de autenticación de Pi incluye las vías de suscripción de Anthropic y Sign in with ChatGPT de OpenAI. OpenAI describe el uso del plan como una autorización para solicitudes elegibles, sujeta a los requisitos de la cuenta. Elegir una clave API supone una vía de facturación distinta. Proveedores OAuth de Pi, documentación de inicio de sesión de OpenAI.

El sitio de Pi enumera Anthropic, OpenAI, Google, OpenRouter, Ollama y otros proveedores. Que un proveedor sea compatible no significa que todos sus modelos aparezcan en todas las cuentas. Si falta un modelo, comprueba primero la autenticación: /model muestra los modelos con credenciales utilizables. Pulsa Ctrl+S en el selector para guardar tu modelo predeterminado. Documentación de selección de modelos.

Para Ollama, sigue el ejemplo de endpoint compatible del proyecto en ~/.pi/agent/models.json: utiliza http://localhost:11434/v1, el tipo de API openai-completions, la clave ficticia ollama y un ID de modelo que sirva tu instalación. Al abrir /model, ese archivo se vuelve a cargar. Esta es la vía local para probar Pi sin una cuenta de modelos de pago.

Minutos 10 a 13: dale a Pi las instrucciones del repositorio

Añade un AGENTS.md breve en la raíz del repositorio o amplía el que ya mantienes. Pi busca instrucciones en ~/.pi/agent/, los directorios superiores y el directorio actual. Ejecuta /reload si las modificas durante una sesión. Documentación de configuración.

Escribe instrucciones que describan tu repositorio real. Por ejemplo:

Use the existing test runner and neighboring test conventions.
Keep this task within the function and tests I name.
Do not add dependencies or change the public API.
Run the focused tests and report the exact command and result.
Leave commits and publishing to me.

Si conoces el comando real para ejecutar las pruebas específicas, añádelo. AGENTS.md orienta al modelo, pero no impone un límite de permisos.

Minutos 13 a 23: haz un cambio útil

Elige una función auxiliar cuyo comportamiento con entradas vacías esté definido, pero aún no tenga una prueba de regresión. Adjunta la función y una prueba cercana mediante @, el selector de archivos de Pi, y encárgale esta tarea:

Una prueba de regresión evita que un comportamiento esperado deje de funcionar en el futuro. Esta tarea produce un diff concreto sin exigir a Pi que rediseñe la aplicación. La guía de inicio rápido explica cómo seleccionar archivos con @ y revisar los archivos modificados al terminar una tarea. Documentación de la primera tarea.

Minutos 23 a 28: revisa el cambio y los resultados

Lee la prueba modificada e inspecciona git diff, que muestra los cambios en los archivos. Confirma que la aserción comprueba el comportamiento esperado y ejecuta por tu cuenta el comando de pruebas específicas. Que las pruebas pasen respalda el cambio; sigue siendo tu responsabilidad decidir si la aserción resulta útil y el alcance es adecuado.

El objetivo de la primera sesión es sencillo: el proveedor elegido funcionó, Pi hizo el cambio previsto y puedes explicar el diff. Deja las personalizaciones para la siguiente sesión.

Pi es software gratuito; el uso del modelo determina la factura

La licencia MIT de Pi no añade un cargo por usuario del software. El acceso mediante suscripción consume lo que proporciona ese plan; una clave API genera la factura de uso del proveedor. Con un modelo local, el gasto recae en tu hardware y su funcionamiento.

Como ejemplo de API, OpenAI cobra el uso estándar de GPT-6.1 Sol con contexto corto a $2 por millón de tokens de entrada y $10 por millón de tokens de salida. Los tokens son los fragmentos de contenido que se cuentan para la facturación. Precios oficiales de OpenAI.

Supongamos que una tarea pequeña acumula el siguiente uso entre sus solicitudes:

Es un cálculo ilustrativo, no una medición del uso de una tarea real. Supone procesamiento estándar, solicitudes de hasta 272,000 tokens de entrada y ausencia de escrituras de caché o herramientas con cargos separados. La entrada en caché, las escrituras de caché, las solicitudes más largas y otros niveles de procesamiento tienen tarifas distintas. Cien tareas con exactamente ese patrón de uso costarían $30 en cargos base del modelo. Detalles de precios de GPT-6.1 Sol.

La decisión de presupuesto consiste en valorar si la personalización que buscas justifica mantenerla. Pi elimina el cargo de licencia de la infraestructura del agente; siguen existiendo el gasto del modelo, la revisión humana y el tiempo de ingeniería que exige tu flujo de trabajo.

Amplía el flujo de trabajo con lo mínimo necesario

Usa instrucciones para las convenciones, skills para los procedimientos repetibles y extensiones para el comportamiento ejecutable.

El archivo SKILL.md de una skill empieza con un nombre y una descripción. Invoca una skill concreta mediante /skill:name cuando quieras cargarla de forma explícita. Las extensiones se ejecutan dentro del proceso de Pi, así que revisa su código antes de cargarlas. Skills, extensiones.

pi install ./local-package instala un paquete que hayas preparado localmente. Para un paquete publicado, usa pi install npm:@scope/package@version con su nombre y versión reales. Añade --local para registrar una declaración del paquete a nivel de proyecto en .pi/settings.json. Ejecuta /reload después de modificar recursos durante una sesión activa. Documentación de paquetes.

Para un servicio MCP externo, configura su servidor y usa /mcp login <server> cuando requiera OAuth. Conviene incorporarlo después de tener una configuración que funcione. Documentación de MCP.

Seis tareas útiles, ordenadas por su valor práctico

El mejor punto de partida es el trabajo recurrente en un repositorio que conoces. Estas son propuestas de flujo de trabajo: su valor depende de tu base de código y de la disciplina con la que revises los cambios.

1. Añadir pruebas de regresión para un error reportado. Quien funda y mantiene una aplicación web de suscripción podría adjuntar la reproducción del error, la implementación y las pruebas, pedir a Pi una prueba que falle y una corrección acotada, y volver a ejecutar las comprobaciones pertinentes. El valor está en convertir el fallo observado en una prueba permanente.
2. Revisar un cambio antes de abrir una pull request. Un desarrollador podría pasar a Pi un diff local y una skill de revisión del repositorio, y pedir posibles defectos con referencias a archivos y una explicación. Detectar un problema concreto antes de la revisión podría ahorrar una ronda de comentarios y correcciones.
3. Migrar una parte acotada de una aplicación. La persona responsable del mantenimiento podría plasmar el procedimiento de migración en una skill, aplicarlo a un módulo y ejecutar sus comprobaciones. El ahorro potencial procede de reutilizar el procedimiento en módulos similares y revisar cada diff.
4. Explicar un repositorio desconocido. Un ingeniero recién incorporado podría pedir a Pi que siga una solicitud desde el punto de entrada hasta el almacenamiento y después guardar notas con referencias a archivos y los comandos de comprobación correspondientes. Esas notas podrían reducir las preguntas repetidas sobre la puesta en marcha.
5. Escribir un script pequeño de mantenimiento. La persona a cargo de datos de prueba desactualizados podría pedir a Pi que prepare un script, lo pruebe con entradas de ejemplo y documente su uso. Un script revisado podría sustituir modificaciones manuales repetitivas.
6. Crear un flujo de trabajo interno para desarrolladores. Un responsable técnico podría empaquetar un comando propio y varias skills, o integrar Pi mediante el modo print para comandos puntuales, RPC para controlar un proceso separado o la biblioteca del SDK para incorporar sesiones a una aplicación. El beneficio es adaptar el agente a una tarea recurrente; la integración y el soporte quedan a cargo del responsable técnico. Interfaces de integración.

La oportunidad más clara: un revisor adaptado al repositorio

Un paquete de revisión previo a la integración de cambios es la oportunidad más clara porque la tarea se repite y el comprador ya conoce el costo de las demoras en la revisión. Un equipo pequeño de ingeniería podría pagar por un paquete con mantenimiento que compruebe sus propias convenciones y aporte evidencias a quienes revisan el código.

La comprobación de demanda arrojó 1,300 búsquedas mensuales estimadas en Google de Estados Unidos para “ai code review”. CodeRabbit Essentials ofrece una referencia de precio de $24 por desarrollador al mes con facturación anual, o $30 con facturación mensual. Estos datos señalan interés en la tarea y una categoría con ofertas de pago, pero no demuestran demanda de un paquete de Pi. Volumen de búsqueda: resumen de palabras clave de DataForSEO, consultado el 3 de octubre de 2026. Precios de CodeRabbit.

La versión más pequeña que se podría vender incluiría una skill de revisión, un comando que recopile el diff local, comprobaciones específicas del repositorio y un informe con referencias a archivos. Empieza con una ejecución local. El reto es diferenciarse: un prompt genérico es fácil de copiar, y un paquete de Pi necesita mantenimiento, controles de acceso y soporte propios. Vende la calidad de las comprobaciones del repositorio y su mantenimiento.

Un paquete inicial para equipos es la segunda oportunidad. Un responsable de ingeniería podría contratar la configuración y el mantenimiento de un conjunto coherente de proveedores, AGENTS.md, skills compartidas y unas pocas extensiones aprobadas. La comprobación de demanda arrojó 1,600 búsquedas mensuales estimadas en Estados Unidos para “open source ai coding assistant”, medidas por DataForSEO en la misma fecha. La primera versión podría ser un paquete y un procedimiento de incorporación para los repositorios de un equipo. El reto es que el interés de búsqueda no demuestra disposición a pagar por la instalación; el valor sostenido debe venir del mantenimiento del flujo de trabajo del equipo.

Pi no encaja si nadie quiere hacerse cargo de la configuración

Elige una herramienta gestionada si tu equipo espera recibir controles de permisos, aislamiento y flujos de trabajo estandarizados como parte de un producto con soporte. Las herramientas de Pi usan los permisos del proceso que lo inicia. La confianza otorgada al proyecto determina qué recursos del proyecto se cargan, pero no aísla las llamadas a herramientas. Trabajar dentro de una carpeta no impide que los comandos accedan a otras rutas disponibles. Modelo de seguridad de Pi.

Las extensiones pueden añadir procesos de confirmación o protección de rutas, y un contenedor puede establecer un límite a nivel del sistema operativo. Esas decisiones generan trabajo de implementación y mantenimiento para tu equipo. El entorno aislado de JavaScript de codemode tampoco modifica los permisos de las herramientas a las que llama. Capacidades de las extensiones, codemode.

Pi también deja los subagentes integrados y el modo de planificación fuera de su núcleo. Mi valoración: es una buena decisión para un desarrollador que busca una base pequeña que pueda adaptar, y una mala opción para un equipo que quiere delegar esas decisiones. Decisiones de diseño del proyecto.

El lunes, encarga a Pi una tarea acotada de corrección de errores o pruebas en un repositorio que mantengas. Guarda el diff y el resultado de las pruebas, y decide qué procedimiento recurrente merece una skill. Si quieres un flujo de trabajo a medida para tu equipo, empieza por el desarrollo de agentes de IA.