Pi Coding Agentのインストール(Ubuntu編)

Ubuntu
スポンサーリンク

この記事は、Geminiとの相談結果が多分に含まれています。
利用する場合は、自己責任でお願いします。

記事の内容は以下のシステムでテストされています。
Ubuntu26.04.1LTS
Intel Core Ultra5 250K Plus
メインメモリ96GB(4800MT/s)
Intel Arc A770(16GB)

以前「AIエージェントを使ってみよう(Pi Coding Agent)」の記事でもPiのインストールには触れました。
が、インストールがメインではなかったので、覚書としてインストールメインの記事を書き直します。

世の中にはエージェントツールは多数ありますが、自分はほとんど触ったことがありません。

  • VSCodeのプラグインのCline
  • DeepSeek Harness
  • Unsloth Studioのエージェントツール

使ったことがあるのはこのくらいでしょうか。

どれも便利で多機能です。
ただし、AI界隈の事はただでさえ良く理解していないのに、勝手に便利なツールが付いてくるとそれが当たり前のように考えるようになります。
理解を深めようとする時に、これが返って邪魔になることもあるんですよね。

多機能だけど、搭載してあるだけで使わないツールを勝手に読み込み、KVキャッシュを圧迫してしまうところも、貧乏人の自分には痛いところでした。
KVキャッシュは大量のVRAMを消費しますが、大容量のVRAMを搭載したグラフィックスカードは、記事を書いている現在、AI需要で非常に高価になってしまっています。

インストール方法

愚痴を言っても仕方ありません。
インストール方法にいきましょう。

#!/bin/bash

# 1. nvm(Node Version Manager)のインストール
# ※バージョン(v0.40.8)は執筆時点のものです。エラーが出る場合は公式GitHubを確認してください。
# https://github.com/nvm-sh/nvm
curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.40.8/install.sh | bash

# パスを即時反映(.bashrcに依存せず、直接nvmを読み込むよう修正)
export NVM_DIR="$HOME/.nvm"
[ -s "$NVM_DIR/nvm.sh" ] && \. "$NVM_DIR/nvm.sh"
[ -s "$NVM_DIR/bash_completion" ] && \. "$NVM_DIR/bash_completion"

# 2. Node.jsのインストール(常に最新の安定版が入るオプションを使用)
nvm install --lts

# 3. Pi Coding Agentのインストール
npm install -g @earendil-works/pi-coding-agent

ここまでが、Piのインストールです。
npmのバージョンは

GitHub – nvm-sh/nvm: Node Version Manager – POSIX-compliant bash script to manage multiple active node.js versions
Node Version Manager – POSIX-compliant bash script to manage multiple active node.js versions – nvm-sh/nvm

で、確認して下さい。


以下はPiの設定です。

「XeStrata」と「llama.cpp」との接続設定です。
Intel ArcだとXeStrata一択なのでllama.cppは必要ないのですが、一応残しています。
「”input”: [“text”, “image”]」でテキストと画像認識に対応させています。
「”contextWindow”: 196608」はIntel Arc B580のVRAM12GBに合わせています。
「”baseUrl”: “http://127.0.0.1:8095/v1“」はXeStrataの標準設定です(そのままで繋がります)。
「”supportsReasoningEffort”: true」はReasoning深度をXeStrataに合わせています。

ふたつ設定していますが、切り替え方法は、Piを起動後
「/models」
で変更可能です。

# 4. 設定ディレクトリの作成
mkdir -p "$HOME/.pi/agent"

# 5. ローカルLLM(llama.cpp)の接続設定 (models.json)
# "input": ["text", "image"],によってテキストと画像認識に対応
cat << 'EOF' > "$HOME/.pi/agent/models.json"
{
  "providers": {
    "xestrata": {
      "baseUrl": "http://127.0.0.1:8095/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "compat": {
        "supportsDeveloperRole": false,
        "supportsReasoningEffort": true
      },
      "models": [
        {
          "id": "Qwen3.8-Flash-Next",
          "name": "Qwen3.8 Flash Next (XeStrata)",
          "input": ["text", "image"],
          "contextWindow": 196608,
          "maxTokens": 32768
        }
      ]
    },
    "llama-cpp": {
      "baseUrl": "http://127.0.0.1:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "compat": {
        "supportsDeveloperRole": false,
        "supportsReasoningEffort": false
      },
      "models": [
        {
          "id": "local_AI",
          "name": "llama.cpp Local Model",
          "input": ["text", "image"],
          "contextWindow": 262144,
          "maxTokens": 16384
        }
      ]
    }
  }
}
EOF

# 6. プラグイン設定 (config.json)
cat << 'EOF' > "$HOME/.pi/agent/config.json"
{
  "plugins": [
    "pi-llama-cpp"
  ],
  "llamaCpp": {
    "serverUrl": "http://127.0.0.1:8080"
  }
}
EOF

「”contextWindow”: 数値」は結構重要でして、
通常AIエージェントに自動で作業をまかせると、あっという間にコンテキストを使い果たしてしまいます。
普通は、ここでエージェントツールか推論エンジンがクラッシュしますが、
Piは設定したコンテキストに近づくと、自動でコンテキストを要約(Compaction)して圧縮し、仕事を継続してくれます。

ただし、大きく設定するとデコード(テキスト生成速度)やプリフィル(指示の読み取り速度)が低下しやすくなります。
自分のGPUと相談して決めましょう。


こちらもPiの設定の続きです。
githubとbrave-serchを使うために設定しています。
とりあえずPiをエージェントとして使うだけなら設定不要なので無視してください。
自分はgithubのコミュニティの情報を取り入れたりするので、設定しています。

brave-serchはネット上の情報を取得して、Piをチャッピーみたいに使うために設定しています。
もし興味のある方は、

Brave Search – API

で登録すると良いでしょう。

# 7. MCPサーバー設定 (mcp.json)
cat << 'EOF' > "$HOME/.pi/agent/mcp.json"
{
  "mcpServers": {
    "github": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-github"
      ],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "ここには自分のgithubトークンを書き込んでください。"
      }
    },
    "brave-search": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-brave-search"
      ],
      "env": {
        "BRAVE_API_KEY": "ここには自分のbrave-serchトークンを書き込んでください。"
      }
    }
  }
}
EOF


使い方

Piは単体ではLLMをロードできません。
裏で推論エンジン(llama.cppやLMStudio、ollamaなど)を動かして、繋ぐことになります。

追記(2026/10/19)
自分のIntel Arc環境だと、以下のllama.cppはうまく速度が出ません。
この記事で紹介している「XeStrata」を使っています。

以下の説明はAIエージェントの環境構築の一貫で書いていますが、推論エンジンは自分の好きなものを使いましょう(一般的にはLMStudioですかね)。
ただし、その時はAPIは自分で設定することになります。


とりあえず、「simple-llama-studioを大幅に改変(Ubuntu編)」で紹介した推論エンジンで説明します。
まず、simple-llama-studioをサーバーモードで立ち上げます。

以上が推論エンジンの立ち上げ方です。


次に、プロジェクトにしたいフォルダを開きます。

別に空のフォルダの中をプロジェクトフォルダにしてもOKです。
その時はプロンプトで指示を出せば良いです。

ちなみにAGENTS.mdを認識しているのがわかります。
ここに何もなければ、たぶんファイル名のスペルを間違っています。

以上で使い方を終わります。


以下はPiについて、Geminiにまとめてもらいました。
そのつもりで読んでください。

Piについて

Pi Coding Agent
A terminal-based coding agent

Pi coding agent(pi.dev)は、ターミナル上で動く最小限のAIコーディングエージェントです。
AIが内部で利用する基本ツールは
「読み込み(read)・書き込み(write)・編集(edit)・コマンド実行(bash)」
の4つのみで構成されています。

公式ドキュメントでも「あえて標準搭載しなかった機能(What we didn’t build)」として以下を明言しています:

  • No MCP(最初からMCPを抱え込まず、必要なら拡張機能で追加)
  • No Sub-agents(固定のサブエージェント機能は持たず、tmuxや拡張で作る)
  • No Plan Mode / No Built-in To-Dos(独自のToDo管理を持たず、Markdownファイル等で制御)
  • No Permission Popups(毎回煩わしい承認ダイアログを出さず、コンテナやルールで制御)

機能を拡張したくなったらどうするか?

Piの拡張機能(Extensions)やスキル(Skills)はTypeScriptやMarkdown等で書かれています。

「こういうコマンドや機能が欲しい」と思ったら、
Piに自身を拡張するスクリプトを書かせ、/reload コマンドを叩くだけで即座に反映できる
仕組みになっています。

ユニークな機能

履歴がGitのように枝分かれする「ツリー構造セッション」

  • 通常のチャットAIは一本道の履歴ですが、Piはセッション全体が木構造(DAG)で保存されます。
  • /tree コマンドで過去のやり直したい地点へ戻り、別のアプローチをブランチ(分岐)して試すことができます。

作業中の割り込み指示(Steering)と順番待ち(Follow-up)

  • エージェントがツールを実行して作業している最中に、Enter を押すと現在のツール実行直後に割り込んで軌道修正(Steering)させることができます。
  • Alt+Enter を押すと、現在のタスクが一段落した後のキューとして追加(Follow-up)されます。

コンテキスト管理の透明性(Context Engineering)

  • 多くのツールでは裏でどんなプロンプトが飛んでいるか見えにくいですが、Piは AGENTS.md や SYSTEM.md でプロジェクトごとの指示をストレートに制御できます。
  • トークン上限に近づいたときの会話要約(Compaction)ロジックすらも、拡張機能で差し替え可能です。

4つの動作モード

  • ターミナルの対話画面(TUI)だけでなく、スクリプトからワンショットで呼ぶ Print/JSON モード、別言語・別プロセスから操る RPC モード、ライブラリとして組み込む SDK を備えています。

最後に

今回はローカルAIを推論エンジンで動かしましたが、APIキーを取得してクラウドAIのGemini、ChatGPT、Claudeと繋ぐこともできるようです。
自分は一度Geminiの「gemini-3.5-flash」と繋いで動かした事がありますが、ローカルAIとは段違いの速度と賢さでビビった記憶があります。

とはいえ使い始めたばかりで、まだまだ知らないこともたくさんあります。
新たにわかったことなんかあったら、追記するでしょう。

後日、ネット検索機能を追加して、普通にChatGPTみたいに(というと言い過ぎかもしれませんが)使える方法も紹介する予定です。

今回は以上です。

コメント

タイトルとURLをコピーしました