IA para programar: comece com o Pi Coding Agent 1.0

IA para programar: controle o agente que usa seu modelo

Para programar com IA, o Pi oferece uma estrutura mínima para agentes, o software que conecta um modelo aos seus arquivos e comandos. Pense nele como uma bancada de trabalho: o modelo que você escolheu decide o que fazer, e o Pi oferece as ferramentas para executar a tarefa.

As quatro ferramentas integradas e habilitadas por padrão cobrem o ciclo básico:

O modelo solicita uma ferramenta, o Pi a executa e o resultado volta para a conversa. Esse ciclo pode se repetir até a tarefa terminar. Essas são as quatro ferramentas habilitadas por padrão; a lista não reúne todas as ferramentas integradas disponíveis na versão 1.0. Referência de ferramentas do Pi, ciclo de execução do agente.

Se você já usa Claude Code ou Codex, avalie o Pi pelo fluxo de trabalho que quer controlar. Minha recomendação é testá-lo quando houver uma personalização específica em mente, como um comando de revisão do repositório ou uma skill reutilizável de migração. Para conhecer outras opções, veja agentes de programação que funcionam com diferentes modelos.

O Pi 1.0 muda a interface do terminal e a integração das ferramentas

A versão 1.0.0 passa a usar tela cheia por padrão e traz ajustes no codemode e no login. TUI é a interface exibida dentro do terminal; estas são as mudanças que fazem diferença na configuração inicial:

O MCP conecta o agente a ferramentas externas. OAuth é o fluxo de autenticação que concede acesso sem entregar sua senha à ferramenta. O codemode permite que o modelo combine chamadas de ferramentas em JavaScript e devolva à conversa apenas os resultados selecionados. A redução de tokens no prompt se aplica a essa configuração; não é uma promessa de uma conta 40% menor em toda tarefa. Notas da versão 1.0.0 do Pi, referência do codemode.

A mesma versão adiciona geração de imagens em scripts de codemode, Radius em /login e quietStartup: "header". Você pode deixar esses recursos para depois da primeira tarefa de programação. Notas da versão.

Reserve 28 minutos para configurar o Pi e concluir a primeira tarefa

Comece com um repositório que você conhece, um comando de testes que funciona e acesso a um modelo compatível. Os tempos abaixo são uma sugestão: a duração dos downloads, do login e dos testes depende do seu ambiente. Escolha uma tarefa pequena o suficiente para revisar antes de encerrar a sessão.

Minutos 0 a 5: instale o Pi e abra o projeto

A instalação via npm exige Node.js 22.19 ou mais recente. Este comando fixa o Pi na versão 1.0.0 para que o passo a passo corresponda à versão abordada aqui:

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

Substitua /path/to/project pela pasta do seu projeto. O comando pi --version deve mostrar 1.0.0. Executar apenas pi usa o novo padrão de tela cheia. A alternativa oficial para macOS/Linux é curl -fsSL https://pi.dev/install.sh | sh, que instala a versão atual. Documentação de instalação do projeto, guia rápido.

Minutos 5 a 10: conecte a conta que você já tem

Execute /login dentro do Pi, escolha seu provedor e conclua o método de autenticação oferecido. Depois, execute /model e selecione um modelo disponível. O provedor é o caminho de acesso; o modelo é o sistema que gera as respostas.

A documentação de autenticação do próprio Pi lista o acesso por assinatura Anthropic e por Sign in with ChatGPT da OpenAI. A OpenAI descreve o uso do plano como uma autorização para solicitações elegíveis, sujeita à elegibilidade da conta. Optar por uma chave de API leva a uma modalidade de cobrança separada. Provedores OAuth do Pi, documentação de login da OpenAI.

O site do Pi lista Anthropic, OpenAI, Google, OpenRouter, Ollama e outros provedores. Ter suporte a um provedor não significa que todos os modelos estarão disponíveis em todas as contas. Se um modelo não aparecer, confira primeiro a autenticação; /model mostra os modelos com credenciais utilizáveis. Pressione Ctrl+S no seletor para salvar seu modelo padrão. Documentação de seleção de modelos.

Para o Ollama, siga o exemplo de endpoint compatível do projeto em ~/.pi/agent/models.json: ele usa http://localhost:11434/v1, o tipo de API openai-completions, a chave fictícia ollama e o ID de um modelo servido pela sua instalação. Abrir /model recarrega esse arquivo. Esse é o caminho local para experimentar o Pi sem uma conta de modelos paga.

Minutos 10 a 13: passe as instruções do repositório ao Pi

Adicione um AGENTS.md curto na raiz do repositório ou complemente o arquivo que você já mantém. O Pi encontra instruções em ~/.pi/agent/, nos diretórios superiores e no diretório atual. Execute /reload se alterar essas instruções durante uma sessão. Documentação de configuração.

As instruções devem descrever o seu repositório. Por exemplo:

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.

Inclua o comando real para rodar os testes específicos, se você o conhece. O AGENTS.md orienta o modelo; ele não impõe limites de permissão.

Minutos 13 a 23: faça uma alteração útil

Escolha uma função auxiliar existente cujo comportamento com entrada vazia esteja definido, mas ainda não tenha um teste de regressão. Anexe essa função e um teste próximo com @, o seletor de arquivos do Pi, e passe esta tarefa:

Um teste de regressão protege um comportamento esperado contra falhas futuras. Essa tarefa gera um diff concreto sem exigir que o Pi redesenhe sua aplicação. O guia rápido explica a seleção de arquivos com @ e a revisão dos arquivos alterados após uma tarefa. Documentação da primeira tarefa.

Minutos 23 a 28: confira as evidências

Leia o teste alterado e inspecione git diff, que mostra as mudanças nos arquivos. Confirme que a asserção verifica o comportamento esperado e execute você mesmo o comando dos testes específicos. Testes passando dão suporte à alteração; ainda cabe a você decidir se a asserção é útil e se o escopo está adequado.

O critério para concluir a primeira sessão é simples: o provedor escolhido funcionou, o Pi fez a alteração pretendida e você consegue explicar o diff. Deixe as personalizações para a próxima sessão.

O Pi é gratuito; o uso do modelo define a conta

A licença MIT do Pi não acrescenta uma cobrança de software por usuário. O acesso por assinatura consome o que o plano oferece; uma chave de API gera a cobrança por uso do provedor. Um modelo local transfere o custo para o seu hardware e sua operação.

Para um exemplo de API, a OpenAI cobra pelo uso padrão de contexto curto do GPT-6.1 Sol $2 por milhão de tokens de entrada e $10 por milhão de tokens de saída. Tokens são os fragmentos de conteúdo contabilizados para a cobrança. Preços oficiais da OpenAI.

Suponha que uma tarefa pequena acumule o seguinte uso entre suas solicitações:

Essa conta é ilustrativa, não uma medição do uso de uma tarefa. Ela pressupõe processamento padrão, cada solicitação com no máximo 272,000 tokens de entrada, sem gravações em cache nem ferramentas cobradas separadamente. Entrada em cache, gravações em cache, solicitações mais longas e outras modalidades de processamento têm tarifas diferentes. Cem tarefas com exatamente esse padrão de uso custariam $30 em cobranças básicas do modelo. Detalhes de preços do GPT-6.1 Sol.

A decisão de orçamento é se a personalização que você quer compensa o trabalho de mantê-la. O Pi elimina a taxa de licença da estrutura do agente; continuam existindo os gastos com modelos, a revisão humana e o tempo de engenharia necessário para sustentar seu fluxo de trabalho.

Personalize o fluxo com o mecanismo mais simples que resolva a tarefa

Use instruções para convenções, skills para procedimentos repetíveis e extensões para comportamentos executáveis.

O SKILL.md de uma skill começa com nome e descrição. Use /skill:name para carregar uma skill específica de forma explícita. As extensões rodam dentro do processo do Pi, então revise o código antes de carregá-las. Skills, extensões.

O comando pi install ./local-package instala um pacote que você preparou localmente. Para um pacote publicado, use pi install npm:@scope/package@version com o nome e a versão reais. Adicione --local para registrar uma declaração de pacote no nível do projeto em .pi/settings.json. Execute /reload depois de alterar recursos em uma sessão ativa. Documentação de pacotes.

Para um serviço MCP externo, configure o servidor e use /mcp login <server> quando for necessário OAuth. Deixe essa adição para depois que a configuração básica estiver funcionando. Documentação do MCP.

Seis tarefas úteis, em ordem de retorno prático

O melhor ponto de partida é o trabalho recorrente em um repositório que você conhece. Os fluxos abaixo são propostas; o retorno depende da sua base de código e do cuidado com a revisão.

1. Adicionar testes de regressão para um bug relatado. Um fundador que mantém uma aplicação web por assinatura pode anexar a reprodução do bug, a implementação e os testes, pedir ao Pi um teste que falhe e uma correção pontual, e depois rodar novamente as verificações relevantes. O valor está em transformar a falha observada em um teste permanente.
2. Revisar uma alteração antes de abrir um pull request. Um desenvolvedor pode fornecer ao Pi um diff local e uma skill de revisão do repositório, pedindo possíveis defeitos com referências aos arquivos e uma explicação. Encontrar um problema concreto antes da revisão pode evitar uma rodada de idas e vindas.
3. Migrar uma parte bem delimitada da aplicação. Um mantenedor pode registrar o procedimento de migração em uma skill, aplicá-lo a um módulo e executar as verificações. A possível economia vem de reutilizar o procedimento em módulos semelhantes, revisando cada diff.
4. Entender um repositório desconhecido. Um engenheiro recém-chegado pode pedir ao Pi que acompanhe uma requisição desde o ponto de entrada até o armazenamento e salve notas com referências aos arquivos e aos comandos de verificação relevantes. Essas notas podem reduzir perguntas repetidas sobre a configuração inicial.
5. Escrever um pequeno script de manutenção. Quem cuida de fixtures desatualizadas pode pedir ao Pi que escreva um script, execute-o com entradas de exemplo e documente o uso. Um script revisado pode substituir edições manuais recorrentes.
6. Criar um fluxo interno para desenvolvedores. Um líder técnico pode empacotar um comando personalizado e skills, ou integrar o Pi por meio do modo print para comandos avulsos, de RPC para controlar um processo separado ou da biblioteca SDK para incorporar sessões em uma aplicação. O retorno está em adaptar o agente a uma tarefa recorrente; o líder assume a integração e o suporte. Interfaces de integração.

A melhor oportunidade é criar um revisor específico para o repositório

Um pacote de revisão antes do merge é a oportunidade mais clara porque o trabalho se repete e o comprador já conhece o custo dos atrasos na revisão. Uma equipe pequena de engenharia pode pagar por um pacote mantido que verifica suas próprias convenções e apresenta evidências para os revisores.

A consulta de demanda retornou 1,300 buscas mensais estimadas no Google dos EUA por “ai code review”. O CodeRabbit Essentials oferece uma referência de preço de $24 por desenvolvedor por mês com cobrança anual, ou $30 com cobrança mensal. Esses dados indicam interesse na tarefa e uma categoria paga já existente; não comprovam demanda por um pacote do Pi. Volume de buscas: consulta de palavras-chave no DataForSEO, verificada em 3 de outubro de 2026. Preços do CodeRabbit.

A menor versão vendável pode reunir uma skill de revisão, um comando que coleta o diff local, verificações específicas do repositório e um relatório com referências aos arquivos. Comece com execução local. O desafio está na diferenciação: um prompt genérico é fácil de copiar, e um pacote do Pi precisa de manutenção, controles de acesso e suporte próprios. Venda a qualidade das verificações do repositório e o trabalho de mantê-las.

Um pacote inicial para equipes é a segunda oportunidade. Um líder de engenharia pode contratar a configuração e a manutenção de um conjunto consistente de provedores, AGENTS.md, skills compartilhadas e algumas extensões aprovadas. A consulta de demanda retornou 1,600 buscas mensais estimadas nos EUA por “open source ai coding assistant”, medidas pelo DataForSEO na mesma data. A primeira versão pode ser um pacote acompanhado de um procedimento de integração para os repositórios de uma equipe. O desafio é que interesse nas buscas não comprova disposição para pagar pela instalação; o valor contínuo precisa vir da manutenção do fluxo de trabalho da equipe.

Quando ninguém quer cuidar da configuração, o Pi não é a melhor escolha

Escolha uma ferramenta gerenciada se sua equipe espera receber etapas de aprovação, isolamento e fluxos padronizados como parte de um produto com suporte. As ferramentas do Pi usam as permissões do processo que o inicia. A confiança no projeto controla quais recursos do projeto são carregados, mas não coloca as chamadas de ferramentas em uma sandbox. Trabalhar em uma pasta não impede que comandos alcancem outros caminhos acessíveis. Modelo de segurança do Pi.

Extensões podem adicionar fluxos de confirmação ou proteção de caminhos, e um contêiner pode estabelecer uma barreira no nível do sistema operacional. Essas escolhas geram trabalho de implementação e manutenção para a equipe. A sandbox JavaScript do codemode também mantém intactas as permissões das ferramentas chamadas. Recursos das extensões, codemode.

O Pi também deixa subagentes integrados e modo de planejamento fora do seu núcleo. Na minha avaliação, essa escolha funciona bem para quem quer uma base pequena para adaptar, mas é ruim para uma equipe que prefere deixar essas decisões a cargo de outra pessoa. Escolhas de projeto.

Na segunda-feira, passe ao Pi uma tarefa bem delimitada de bug ou teste em um repositório que você mantém. Guarde o diff e o resultado dos testes, depois decida qual procedimento recorrente merece uma skill. Se você quer um fluxo personalizado para sua equipe, comece por desenvolvimento de agentes de IA.