你让 AI 改一个文件，再跑测试确认。它往往先改、停下来想一轮，然后才执行那条几乎注定要跑的命令；任务一长，它还会反复阅读旧文件、旧日志和已经完成的步骤。每次重复都可能增加模型调用和 token——模型处理文字时计费与计算的基本单位——却没有带来更多有效工作。
SoL-Pi 想削掉的正是这些弯路。它不是新模型，而是装在 Pi 编码 Agent 上的效率扩展。编码 Agent 指能读取项目、调用工具、修改代码并自行验证结果的 AI 系统；Pi 则提供 harness，也就是替模型组织工具、保存状态和推进循环的运行框架。
据 NVIDIA Research / NVLabs GitHub 材料，团队原本想扩大 AutoResearch 式循环——让 Agent 反复提出改动、运行评测，再按结果继续试验——却先追问：在扩大循环之前，能不能让承载循环的 harness 自己少浪费一些？多种改造经过筛选后，留下了四项机制。不过，目前供稿所见的直接材料只有一则转引 GitHub README 的 Reddit 帖，因此项目归属及以下效果主张仍属于单一材料口径。
四道节流阀，各管一类浪费
第一项是 Action Fusion。它把文件编辑或写入，与紧随其后的验证命令合并进一次工具调用。好比修完一处水管，当场开阀检查，而不是先回办公室汇报一次，再折返测试。它减少的是可预测的模型往返，不是取消验证。
第二项是 ObservationPack。工具返回的大段文本如果被反复使用，系统会把它变成一个稳定句柄，需要时再精确分页取回。句柄可以理解为存档编号：模型不用每次都把整摞材料重新搬上桌。这里针对的是“上下文回放”——把先前对话、文件或工具输出再次送给模型。回放能保持任务连续，但重复内容也会增加 token 成本。
第三项是 Evidence-Preserving Reducer。它把很长的诊断日志缩成简短记录，但有一道硬条件：保留下来的每段引文都必须与归档原文吻合。也就是说，它可以整理报销单，却不能把凭证丢掉；需要核查时，证据仍然在。
第四项是 Online Context Compact。当某个计划步骤已经完成，系统会结合经济性与上下文窗口压力，判断这里是否适合调用 Pi 原生的上下文压缩。上下文窗口就是模型一次能处理的信息范围。压缩成功后，Agent 会在新一轮继续任务，避免让已经办完的事项长期占据工作台。
这四项功能通过 Pi 的公开扩展 API 组合，可安装在未经修改的 Pi 版本之上，而且全部需要主动开启，默认禁用。这个设计也说明团队没有把同一套节流方式强加给所有任务。
有意思的不是“更短”，而是“不少做”
SoL-Pi 瞄准了编码 Agent 的一个现实矛盾：长任务需要保留过程和证据，但保留得越多，模型越可能反复处理已经看过的材料。它的思路不是让 Agent 提前收工，而是区分“完成任务必需的工作”和“运行框架造成的搬运”。按 README 的说法，目标是在不跳过验证、不隐藏证据的前提下，减少重复模型轮次、上下文回放、过大的观察结果和整份长日志读取。
这也是它值得关注之处：研究产物不是能力更强的新模型，而是一套让现有 Agent 少走弯路的工作机制。若这种思路成立，优化对象就从“模型会不会做”延伸到了“系统怎样安排它做”。
局限与未知
- 材料没有给出 token、成本或模型轮次数的降幅，也没有任务成功率、样本量和对照实验。因此，“省钱但不减少有效工作”目前是项目目标与自述，不能当作已被量化证实的结论。
- 据 Reddit 社区讨论，一位 Pi 用户用少量 DeepSWE 任务做了初步对照，结果并不理想；也有人担心压缩上下文会破坏提示缓存，或让较小的本地模型更容易迷失。测试者同时承认样本不足，讨论尚无定论。
- 供稿正文在机制介绍处截断，四项机制的适用限制、实现细节和完整实验结果仍不清楚。更短的上下文是否真的带来更低成本和同等可靠性，还要等可复现评测回答。