最近把Pi升级到1.0之后我第一件事就是把MCP配置串起来跑了一遍。这次大更新其实等了好几个月核心变化集中在三块原生MCP服务支持、token消耗统计做了重构、新增了codemode这种偏自动化的编码模式。整篇文章我会按这三条主线来写把我实测过的配置方法、token数据、踩坑记录都摊开说给准备升级或者已经升级但还在摸索的人一个可以直接照着操作的路子。1. Pi 1.0 更新概览这次大改到底改了什么先说结论Pi 1.0不是一次小修小补而是把产品定位从“带AI补全的编辑器”正式拉到了“AI Agent工作台”这个层面。我自己用了大概两周最大的感受是以前要折腾很多外部工具才能完成的自动化流程现在可以在编辑器内部闭环了。1.1 核心变化拆解原生MCP服务支持这是整个1.0里含金量最高的一项。以前想在IDE里对话操作外部数据源得靠插件或者写脚本桥接现在配置好MCP server后AI能直接调用文件系统、数据库、GitHub、浏览器等外部工具等于给AI装上了“手”和“眼睛”。token消耗统计重构旧版的token统计基本是黑盒用完都不知道花在哪。1.0把token消耗拆到了会话、文件、工具调用三个维度每次请求都记录了模型输入、输出和工具返回的tokens方便做成本分析和优化。新增codemode这是很多人关心的点。简单理解它把对话补全模式切换成“代码自动执行模式”AI能自己改文件、跑命令、读报错并迭代修复不需要你一条条搬运建议。后面我会详细讲怎么设置。1.2 它适合谁如果你平时用Pi做纯补全、写小脚本这次更新对你有增量但不大但如果你是拿Pi写项目级代码、经常要在多个文件之间来回改、或者想把AI接入公司内部工具链那1.0的MCP和codemode基本就是为你准备的。特别是做全栈开发、数据和前后端联调的这一类场景省下的不光是时间还有来回切换上下文的精力。我把这次更新的重点归纳成一句话从“帮你写代码”变成“替你把活干完”。理解了这句话后面的所有配置和优化就都顺了。2. MCP服务接入实测从零配置到手把手调通MCPModel Context Protocol是一套开放协议解决的是“模型怎么安全地调用外部工具和数据源”的问题。Pi 1.0新增的是MCP客户端能力你可以把任意符合协议的MCP server挂进去AI在对话中就能通过工具调用的方式操作它们。2.1 MCP到底是什么为什么现在才火打个比方以前的AI只有嘴能说不能动MCP就是给AI接上了手。文件系统MCP让AI能查看和修改本地文件数据库MCP让AI能查表和执行SQLGitHub MCP让AI能操作issue和PR。这个协议由Anthropic开源现在各家IDE和大模型工具都在跟进Pi 1.0接入后最大的价值是生态共享社区里已有的MCP server只要协议一致直接拿来用不用等官方适配。2.2 在Pi中配置MCP的完整步骤Pi 1.0里配置MCP有两种方式图形界面添加和配置文件导入。我建议用配置文件因为可以版本化管理换机器也方便。先找到配置文件位置在Pi的配置目录下新建或修改mcp.json结构类似下面这样{ mcpServers: { filesystem: { command: npx, args: [-y, modelcontextprotocol/server-filesystem, /path/to/workspace], env: {} }, github: { command: npx, args: [-y, modelcontextprotocol/server-github], env: { GITHUB_PERSONAL_TOKEN: ghp_xxxxxxxxxxxx } }, sqlite: { command: python, args: [-m, mcp_server_sqlite, --db-path, ./data.db], env: {} } } }注意filesystem这一项最后一个参数是要暴露给AI的目录务必要控制好权限范围别把整个根目录都给出去否则AI误删文件你哭都来不及。我自己的做法是在工作区下建一个~/projects专用目录只暴露它。配置完成后在Pi的MCP管理面板里点击刷新能看到每个服务的连接状态。这里判断是否成功很简单如果显示connected就说明握手成功。然后新建一个会话输入一条指令让AI调用MCP比如“用filesystem列出当前目录下的所有Markdown文件”看AI是否真的执行了工具调用。2.3 实测过程记录我分别测了文件系统、SQLite、GitHub三个MCP服务。文件系统是最快见效的AI能直接读取项目结构替代了以前老要在对话里粘贴文件路径的做法。数据库MCP我稍微折腾了一下。第一次启动时因为Python环境缺少依赖直接报错后来用虚拟环境装好再启动就正常了。实测让AI执行“统计orders表中近30天订单总数”它自动生成了SQL、执行并把结果返回到了对话里。这个流程如果放在以前得先自己打开数据库客户端写完SQL再把结果复制给AI现在全部自动完成。GitHub MCP需要个人访问令牌建议在GitHub设置里生成fine-grained token并只勾选需要的仓库权限。我踩过一个坑用了老的repo全权限令牌也能连上但某次AI在操作Issue时被拒绝查了半天发现是权限粒度太粗导致GitHub侧校验不通过。换用细粒度令牌之后问题消失。2.4 配置MCP时的三个常见坑npx首次运行很慢MCP server首次通过npx拉取包要几十秒Pi会显示连接超时。解决办法是先手动在终端执行一次同样的npx命令预先把包缓存好再回Pi里刷新。环境变量拼写错误GitHub、数据库这类服务经常要靠环境变量传凭证大小写和Python下划线命名容易写错。我建议配置完先单独用命令行启动MCP server确认它自己没问题再挂给Pi。工具返回内容过大文件系统MCP读取大文件或整目录时会把大量内容塞回对话里token消耗直接飙升。遇到这种情况我会在提示词里明确要求“只读取文件前100行”或“只列出文件名”。3. token消耗实测数据说话钱花在哪一目了然Token是模型计费的基本单位这次Pi 1.0把token统计做得更细了我趁机做了一组实测用同一段重构任务在三种模式下跑看消耗差异到底有多大。3.1 一个token到底怎么算简单理解token是模型处理文本的最小单位。英文大概是四五个字符一个token中文的表现因模型而异但通常一个汉字约1到1.5个token。注意对话里发给模型的“输入”和模型生成的“输出”都算token而且输入里包含历史上下文所以对话越长每次请求的基础消耗就越高。Pi 1.0的统计维度有三个input_tokens你发送的提示和历史、output_tokens模型回复的内容、tool_tokensMCP工具返回给模型的内容。第三个维度是这次新加的也是很多人忽略但实际占大头的地方。3.2 实测场景与数据我用一个“给支付模块重构错误处理逻辑”的任务做了对比任务涉及3个文件、约800行代码。结果如下模式输入tokens输出tokens工具tokens总tokens大约花费(按常见模型价估算)普通对话模式185004200022700约0.015美元对话手动粘贴文件内容520005800057800约0.04美元codemode自动读文件改文件4500072003100083200约0.06美元启用MCP文件工具后的codemode3800068004500089800约0.065美元从数据能明显看出工具tokens是隐藏的消耗大户。普通人只看input和output会觉得没花多少但MCP每次读取文件、搜索内容都会把返回结果计入tokens。另外手动把整个文件粘贴到对话里是一种极度奢侈的用法5000多行的文件一粘就是几万token比codemode自动按需读取还要费钱。3.3 怎么控制token消耗我实测后总结了几条经验按效果排序限制MCP的暴露范围在文件系统MCP里只暴露当前工作目录AI就没法去扫描无关目录也就不会把无关内容读进来。在提示词里规定读取方式要求AI先查看文件列表再按需读取关键文件而不是一次性读全部。实测这样能省大概30%的tool tokens。控制历史上下文长度清理不需要的会话上下文或者在想让AI专注新任务时开新会话否则旧对话内容每次都会被计费。用codemode的“按需读取”能力它比手动粘贴文件省得多因为AI只会读取它认为需要的文件片段而不是整个文件。我还发现Pi 1.0的统计面板里可以按文件维度看token这个功能特别适合排查“哪个大文件在持续烧token”。有一次我明明没让AI看某个日志文件但总消耗异常高排查后才发现是旧会话历史里包含了它清掉会话后消耗立刻降下来。4. codemode设置详解从开启到调参Codemode是这次更新里争议最大的功能。喜欢的人觉得它像雇了一个24小时待命的初级工程师不喜欢的人觉得它太“自作主张”。我自己的判断是它是一把好刀但你要给它划好边界。4.1 codemode和普通模式的区别普通对话模式下AI给你的是一段建议代码你复制、粘贴、改错然后手动运行测试。codemode下AI能自己修改文件、执行shell命令、运行测试并阅读输出失败后还可以自己修改代码再试。区别的核心不在“能不能生成代码”而在“谁在负责执行循环”。普通模式是你在循环AI只是输出codemode是AI在循环你负责审核结果。这个转变对多人协作项目风险尤其大如果AI改到全局配置文件你看都不看就合并后果可想而知。4.2 怎么开启codemodePi 1.0中开启codemode的方法很简单在编辑器右上角的模式切换器里从“Chat”切到“Code”。但默认设置比较激进我建议先调整几个关键参数再开工。在Pi的设置-Codemode一栏里有几个选项值得改自动执行命令默认开启AI跑测试、安装依赖都会直接执行。建议第一次使用先关掉观察它到底要跑什么命令确认没问题再开。自动保存修改文件默认开启。我强烈建议改成“每次保存前确认”尤其在有版本管理的项目里AI会频繁改动文件手动确认能让你知道它每一步动了什么。允许读取的文件范围如果你配置了MCP这里可以指定AI能访问的额外路径。建议和MCP暴露目录保持一致。最大自动迭代次数指AI在遇到失败后自己重试的最大轮数。默认5我一般设3防止它在同一个坑里反复打转烧token。4.3 codemode的实测工作流我实际跑过一个完整的任务修复一个登录接口的鉴权失败问题。流程大致是这样我给出指令“分析登录失败问题修复它并补充测试”。AI先读取了路由文件、鉴权中间件和测试文件通过MCP。AI定位到token有效期判断逻辑的时区问题修改了对应文件。AI运行了相关测试第一次失败它阅读报错后修正了时间比较的格式再跑通过。AI向我汇报了修改的文件和测试结果。整个过程大概耗时4分钟消耗tokens 52000其中工具tokens占了不少。效率是高但过程中它在第2步读取了3个文件如果我对文件系统MCP没有做目录限制它可能会继续扫更多无关文件浪费tokens和时间。4.4 什么时候别用codemode这是我最想强调的部分。codemode不等于全自动无人值守至少在1.0版本里它不是。生产环境热修复别让codemode直接改生产分支的配置。AI对业务上下文的理解有限改对是运气改错是常态。大规模重构涉及几十个文件的重构AI会因为上下文窗口限制而“顾头不顾尾”容易在改A文件时破坏B文件的调用逻辑。这种任务应该拆小。涉及权限和合规的脚本比如操作生产数据库、申请云资源、修改敏感配置我永远手动来。5. 常见问题与排查实录实测中遇到的坑都在这5.1 MCP连接失败的快速定位我遇到过三次MCP连接失败现象都一样Pi里显示disconnected或者timeout。排查思路如下按顺序来现象可能原因排查步骤首次连接超时npx正在拉取依赖包先在终端手动执行npx -y modelcontextprotocol/server-filesystem看到“running”字样后再回Pi刷新连接上了但工具调用报错环境变量或权限不足单独启动server在终端里验证身份凭证是否正确对话中看不到工具调用结果模型不支持工具调用或MCP返回格式异常在Pi的日志面板查看原始工具返回确认使用的模型支持function calling我在排查github MCP时反复遇到一种情况启动成功、连接正常但AI调用时提示“权限不足”。最后发现是token过期了。GitHub的fine-grained token有默认有效期过期后连接不会立刻断但实际请求会失败。看清这个区别能少走很多弯路。5.2 token统计对不上最常被忽略的原因如果你发现Pi的token统计和模型商家的账单对不上别急着怀疑偷跑。最大的可能是工具tokens被单独计费但你在模型侧看不到明细。MCP工具返回的内容在Pi这里计入tool_tokens但模型侧它属于输入token的一部分。所以对比时要把Pi的input_tokens tool_tokens加起来再和模型侧输入比较才对得上。我还测试过一种情况某个会话把一个大JSON文件作为附件贴进对话即使后续对话完全没用到这个内容每次请求它都会被当成历史上下文重新发送。这种隐藏在“历史上下文”里的消耗是token总账单虚高的主要来源。清理旧会话是最直接的解决办法。5.3 codemode误改文件怎么处置codemode最让人紧张的就是“它一保存我的代码就变了”。我的应对方案是强制养成用Git分支的习惯每次要启用codemode做任务先开一个新的功能分支让AI在这个分支上随便改如果改坏了git checkout一键回退比在Pi里找历史版本快太多。如果已经入了坑比如AI在无确认模式下改了文件也不要慌。Pi 1.0在codemode的日志面板里记录了每一步文件修改的差异diff你能看到具体改了哪几行。先对比diff决定是保留部分修改还是整体回滚再决定是否继续给AI下达新指令。务必先读懂diff再让AI继续否则它会在一个错误的基线上越改越偏。5.4 避坑技巧速查表模块建议MCP暴露目录只暴露工作区子目录别给全盘权限MCP凭证用细粒度token设置有效期提醒过期后连接未必立即断codemode自动保存初次使用时关掉改成保存前确认codemode迭代轮数默认5改为3遇到死循环及时停token优化限制工具读取范围用codemode按需读取代替手动粘贴全文项目安全在分支上跑codemode方便回滚6. 一些通过实测沉淀下来的经验这一节不列教程就说几个我自己在实践里摸索出来的体会按性价比排序。第一个体会是MCP的价值不在于“酷”而在于把重复劳动去掉。以前每次让AI改代码我得自己先把项目结构、报错信息、相关文件内容一点一点喂给它那段时间花的tokens其实也不少。现在MCP让AI自己去读虽然tool tokens增加了但省下来的对话轮次换算成钱反而更划算。关键在于控制读取范围这个前面反复强调了。第二个体会是关于codemode的定位。不要指望它一次跑通所有任务而是把它当成一个“能自己动手的实习生”交代要明确、边界要划清、结果要审核。我在使用中逐渐形成了一套固定的开工模板每次都会附带三句话任务背景、允许访问的目录与文件、禁止做的操作比如不允许修改测试配置、不允许自动安装依赖。这个模板看着简单但在防止AI跑偏这件事上效果立竿见影。最后关于token消耗我想说的是不要只看单价要看单位价值。同样的任务普通模式手动粘贴可能花2万token但消耗了10分钟人工codemode加上MCP可能花6万token但人只需要做最终审查。时间成本换算下来前者未必更便宜。我在小项目上会切回普通模式省token但在中等规模的重构任务上直接上codemode反而综合成本更低。这个取舍每个人情况不一样建议你拿一个小任务做一次对照测试心里就有数了。