Pi、Goose、OpenCode：开源 AI 智能体工具栈的三层分工

近期 Hacker News 上的一篇分析文章提出，应把当下几款主流的开源 AI 智能体工具按「工具栈层级」而非功能笼统看待。文章作者以 OpenCode、Pi、Goose 三个 GitHub 项目为例，指出它们分别处于智能体栈的不同位置：不只是一个简单的「AI 编程助手」标签可以概括。

核心结论：三款工具的不同定位

作者给出的「心理模型」如下：

Pi：定位接近智能体内核（agent kernel）、智能体运行框架（harness）和工具集。
Goose：定位更接近本地 AI 智能体工作台与面向开发者的编排层。
OpenCode：定位最聚焦，是一款以代码开发为中心的智能体产品。

作者强调这是层级区分，并非排名。三者功能会重叠，但设计重心明显不同。

Pi：智能体框架与工具集

Pi 项目自述为「Pi agent harness project」，仓库内包含多个子模块：交互式编码智能体 CLI、具备工具调用与状态管理的智能体运行时、统一的多 provider LLM API、终端 UI 库等。这种结构让 Pi 不仅是一个可直接运行的工具，更是一个用于理解与扩展智能体系统的底座。

适合想研究智能体内部结构（模型调用、工具调用、状态、provider 抽象、终端交互、工作流控制）的开发者。
适合需要更低层次基座来搭建自有智能体工具的团队。

值得注意的是，Pi 明确表示不内置文件系统、进程、网络或凭证访问的权限系统，默认以来启动它的用户权限运行。若需要更强的隔离，需自行配合容器或沙箱环境。这一设计实际上是一种架构声明：Pi 负责提供运行框架，安全边界由外部环境负责。

Goose：本地智能体工作台与编排层

Goose 的项目自述是「native open-source AI agent」，同时提供桌面应用、CLI 和 API，定位覆盖代码、工作流以及两者之间的一切。更具机构意义的是，Goose 已加入 Linux 基金会旗下的 Agentic AI Foundation。

它更像开发者本地的智能体工作台，可整合模型、工具、文件、终端工作流、API 与扩展。
使用场景不限于编码，可延伸到研究、写作、自动化、数据分析等本地开发工作流。
支持 MCP 风格的扩展工作流。

如果 Pi 更接近智能体框架层，Goose 则更接近编排层：开发者在这里把智能体变成可用的本地工具。

OpenCode：以编码为优先的软件开发智能体

OpenCode 是三者中定位最窄的一款，直接定位为开源 AI 编程智能体。它提供终端 UI、桌面应用，以及构建智能体与只读规划智能体两种模式，围绕仓库内的软件开发任务展开：

探索代码库
规划变更
编辑文件
实现特性
运行开发任务

它可能也具备更广泛的智能体能力，但重心明确落在软件工程。对比来看：相较 Pi，OpenCode 更像一个「成品」编码智能体；相较 Goose，它则更专精于软件开发而非通用本地工作台。

一句话决策建议

作者给出的简单分类原则是：

想构建或研究智能体本身，看 Pi。
想组织本地的智能体工作流，看 Goose。
想要一个日常编码用的智能体，看 OpenCode。

文章同时提出，在实际使用中还需要进一步比较三者在 provider 配置、自定义 OpenAI 兼容 base URL、API key 与本地凭证管理、模型名称映射、流式输出、工具调用、权限提示、容器化运行等方面的差异——但原文在这些具体问题上并未展开。

注：本文为基于社区分析文章的整理，相关项目链接、定位与机构归属均来自原文，未来细节可能变化。