Comment utiliser Pi Coding Agent en pratique ?

Pi Coding Agent s’utilise comme un agent de codage volontairement minimaliste. Il lit, écrit, édite et lance du bash, rien de plus. Je vais détailler son intérêt réel, son installation, ses limites assumées et le type de projet où cette simplicité peut vraiment vous faire gagner du contexte.

C’est quoi Pi Coding Agent ?

Pi Coding Agent est un assistant de codage minimaliste conçu pour éviter de saturer le contexte du modèle avec trop de fonctionnalités internes. Ce point est important, parce qu’aujourd’hui beaucoup d’agents de code cherchent à tout embarquer : orchestration, sous-agents, mémoire, permissions, tâches, plans, outils externes, exécution en arrière-plan. Sur le papier, ça rassure. Dans la vraie vie, ça consomme vite des tokens et ça ajoute parfois plus de bruit que de valeur.

Ce qui m’intéresse avec Pi, c’est justement son choix inverse. Pi préfère retirer des couches plutôt qu’en ajouter. L’idée, c’est de laisser plus de place au code, aux fichiers, aux demandes du développeur, et moins aux mécanismes internes de l’agent. Le contexte, c’est la mémoire de travail du modèle. Quand elle est remplie par des instructions système, des états intermédiaires ou des outils annexes, il reste moins de place pour comprendre votre vraie base de code.

Pour une équipe data, ou pour un développeur qui veut avancer vite sur un dépôt, ça change quelque chose de très concret. On parle moins à une machine qui gère son petit théâtre interne, et plus directement à un modèle qui lit, modifie et explique du code. J’ai vu ce problème chez des clients : l’agent avait plein de fonctions, mais il passait son temps à planifier, demander des validations, maintenir des listes de tâches, puis oublier le détail utile dans les fichiers. C’est frustrant.

Pi assume donc de ne pas proposer certaines fonctions devenues presque standards :

• Pas de MCP, le protocole qui connecte le modèle à des outils externes via des serveurs dédiés.
• Pas de sous-agents, donc pas de délégation interne à d’autres assistants spécialisés.
• Pas de plan mode, ces modes où l’agent prépare longuement une stratégie avant d’agir.
• Pas de popups de permissions à répétition qui cassent le rythme.
• Pas de to-do intégrés maintenus par l’agent.
• Pas d’exécution bash en arrière-plan, donc moins de magie cachée.

Ce n’est pas un manque par accident. C’est un positionnement. Pi mise sur une surface plus petite, plus lisible, avec moins de comportements implicites. Avant de juger l’outil, il faut donc comprendre qui le porte, et surtout ce qu’il met vraiment dans la boîte.

Qui est derrière Pi ?

Pi ne sort pas de nulle part, et c’est plutôt rassurant quand on parle d’un agent de codage qui va lire, modifier et parfois exécuter du code dans votre environnement.

Pi a été créé par Mario Zechner, un développeur connu notamment pour libGDX, un framework Java très utilisé pour créer des jeux multiplateformes. Le projet a ensuite été soutenu publiquement par Armin Ronacher, le créateur de Flask, Jinja et d’autres briques très respectées dans l’écosystème Python. Puis Pi a été acquis par Earendil Inc., qui pousse aussi Lefos, une plateforme cloud compagnon autour de ces usages.

Je ne prends pas ces noms comme une preuve magique que Pi est “le bon outil”. Ça, ce serait de l’argument d’autorité. Mais ça donne quand même du contexte. On parle de personnes qui ont déjà construit des outils utilisés par beaucoup de développeurs, avec une vraie culture produit et une sensibilité assez forte à l’expérience développeur. Dans ce type d’outil, je regarde autant la philosophie produit que la maturité technique, parce qu’un agent de codage peut vite devenir une usine à gaz.

Le modèle retenu est open-core. Ça veut dire que le cœur du projet reste ouvert, ici sous licence MIT, une licence permissive qui autorise l’usage, la modification et la redistribution assez librement. Autour de ce noyau, l’éditeur peut ajouter des couches payantes, par exemple du cloud, de la collaboration, de l’hébergement ou des fonctions avancées.

• Noyau ouvert : Le projet principal est maintenu publiquement sous licence MIT.
• Couches commerciales possibles : Earendil Inc. peut proposer des services payants autour, notamment via Lefos.
• Forte visibilité : Le dépôt GitHub a attiré beaucoup d’attention, avec une visibilité mentionnée autour de dizaines de milliers d’étoiles.

La version active que j’ai testée est la 0.80.3. Je l’ai vérifiée simplement avec la commande classique :

pi --version

Ça reste un projet jeune dans une catégorie qui bouge très vite. Donc je le prends au sérieux, mais je garde le même réflexe que chez mes clients : tester sur un vrai dépôt, regarder le comportement réel, et ne pas confondre popularité GitHub avec robustesse en production.

Pourquoi seulement quatre outils ?

Pi fait un choix assez radical, et franchement j’aime bien cette approche : il embarque seulement quatre outils intégrés. Pas parce qu’il est limité, mais parce qu’il veut garder le maximum de budget de contexte pour ce qui compte vraiment : votre code, votre demande, et le raisonnement du modèle. Le budget de contexte, c’est la quantité d’informations que le modèle peut garder “en tête” pendant la session.

Les quatre outils sont simples, mais couvrent l’essentiel d’une session de codage.

• Read sert à lire un fichier. C’est la base pour comprendre une classe, une fonction, une config, ou vérifier ce qui existe déjà.
• Write sert à créer ou remplacer du contenu. Je l’utilise quand il faut générer un nouveau fichier, ou repartir proprement sur un fichier entier.
• Edit sert à modifier précisément un morceau de code. C’est souvent l’outil le plus important, parce qu’on ne veut pas réécrire 400 lignes pour changer 3 lignes.
• Bash sert à exécuter une commande shell. Lancer des tests, installer une dépendance, vérifier un build, inspecter un dossier, ce genre de choses.

Ce qui surprend au début, c’est surtout ce qui manque. Pas de MCP natif, donc pas de connexion standardisée à plein d’outils externes via le Model Context Protocol. Pas de sous-agents. Pas de plan mode. Pas de popups de permissions à chaque action. Pas de to-do intégrés. Pas de bash qui tourne en arrière-plan.

Dit comme ça, on pourrait croire que c’est pauvre. En pratique, c’est plutôt une hygiène de conception. Moins l’agent ajoute de mécanique autour du modèle, plus il laisse de place à la tâche réelle. J’ai vu l’inverse chez des clients : des agents bardés de workflows, de rôles, de checklists, et au final le modèle passe plus de temps à respecter le cérémonial qu’à corriger le bug.

Pi pousse aussi cette logique côté prompt système. Il reste court, sous les 1000 tokens. C’est volontaire. Il n’injecte que les fichiers AGENTS.md visibles et éditables par l’utilisateur. Pas de consignes cachées partout, pas de surcouche énorme. L’idée est simple : les modèles récents savent déjà se comporter comme des agents. Ils savent lire, modifier, tester, itérer. Pas besoin de leur répéter vingt fois comment travailler.

Fonction gardée	Ce que ça fait	Pourquoi c’est utile
Read	Lit un fichier existant	Comprendre le code avant d’agir
Write	Crée ou remplace du contenu	Produire rapidement un fichier propre
Edit	Modifie une portion précise	Changer le code sans tout réécrire
Bash	Exécute une commande shell	Tester, installer, vérifier, diagnostiquer

Comment installer Pi ?

Pi est assez simple à installer, tant qu’on part sur une base propre. Je le traite comme n’importe quel agent de code qui peut modifier des fichiers : je vérifie l’environnement, je l’installe, je teste la commande, et seulement après je le laisse approcher un vrai projet.

Prérequis	À quoi ça sert
Node.js 22 ou plus	Pi tourne dans l’écosystème Node.js, donc il lui faut une version récente.
Npm	Npm sert à installer le paquet si vous choisissez l’installation globale.
Un terminal	Tout se fait en ligne de commande.
Une clé d’API	Elle est nécessaire pour lancer de vraies sessions avec Anthropic, OpenAI ou Google, selon le fournisseur de modèles utilisé.

La première méthode, c’est l’installation globale avec npm. C’est celle que je testerais en premier, parce qu’elle est directe et facile à vérifier.

Commande : npm install -g @earendil-works/pi-coding-agent –ignore-scripts

L’option –ignore-scripts est recommandée. Elle évite d’exécuter automatiquement des scripts pendant l’installation npm. C’est une petite précaution, mais sur des outils qui touchent au code, je préfère ça.

Dans un environnement propre, l’installation npm peut aboutir correctement. Dans le test décrit, la vérification s’est faite avec cette commande.

Commande : pi –version

Le retour obtenu était 0.80.3. C’est le genre de vérification simple que je fais toujours avant d’aller plus loin. Si la commande répond, on sait déjà que le binaire est bien accessible depuis le terminal.

La deuxième méthode, c’est le script autonome via curl depuis pi.dev. Là, je récupère la commande officielle affichée sur le site, puis je l’exécute dans le terminal.

Commande : curl -fsSL <URL du script indiquée sur pi.dev> | sh

Je préfère tester ce genre d’agent dans un répertoire isolé avant de le brancher sur un vrai projet client. J’ai déjà vu des outils très utiles faire des changements un peu trop ambitieux. Un dossier sandbox, un petit repo de test, et on regarde comment l’agent se comporte.

• Vérifier que Node.js est en version 22 ou plus.
• Vérifier que npm est disponible.
• Installer Pi avec npm ou via le script curl de pi.dev.
• Lancer pi –version et confirmer que la commande répond.
• Ajouter la clé d’API du fournisseur choisi avant les vraies sessions.
• Tester d’abord dans un répertoire isolé.

Quand faut-il l’utiliser ?

J’utiliserais Pi quand j’ai besoin d’un agent de codage simple à comprendre, pas quand je cherche une usine à gaz qui pilote tout à ma place. Son intérêt, c’est justement d’être lisible. Peu de magie cachée, beaucoup de contexte disponible pour le code, et une logique où le développeur garde la main.

Dans mes missions data, IA et automatisation low code, je vois souvent le même problème. Les outils très complets promettent beaucoup, mais ils coûtent cher en attention. Il faut comprendre leurs modes, leurs plugins, leurs abstractions, leurs règles internes. À la fin, on passe parfois plus de temps à piloter l’outil qu’à résoudre le vrai problème. Un outil plus limité, mais clair, peut être plus fiable.

Cas adaptés	Cas moins adaptés
Explorer un repo existant, comprendre l’architecture, retrouver où une logique métier est codée.	Mettre en place une orchestration multi-agents native, avec plusieurs agents spécialisés qui se coordonnent entre eux.
Faire des modifications ciblées, corriger une fonction, ajuster un comportement, ajouter un test simple.	Construire des workflows MCP intégrés. MCP, pour Model Context Protocol, sert à connecter des outils et sources de contexte à un modèle.
Travailler en session de codage assistée, avec un humain qui relit, décide et valide chaque étape.	Utiliser un plan mode riche, c’est-à-dire un mode où l’agent prépare, découpe et pilote un plan complexe avant d’agir.
Intervenir dans un environnement où l’on veut comprendre exactement ce que l’agent peut faire.	Automatiser fortement un processus avec beaucoup de guidage intégré, comme dans certains outils no-code ou DevOps très cadrés.

Je le vois bien sur des projets d’automatisation. Quand on branche de l’IA sur Airtable, Make, n8n ou un backend maison, le danger n’est pas seulement que le modèle se trompe. Le danger, c’est de ne plus savoir pourquoi il fait ce qu’il fait. Pi est intéressant quand on veut garder cette lisibilité.

Je ne le choisirais pas pour remplacer une plateforme complète d’agents. Je le choisirais pour avancer proprement dans du code, avec du contexte, sans perdre le contrôle. Pi ne cherche pas à tout faire, il cherche à faire moins pour laisser le modèle travailler mieux.

Est-ce que Pi vaut le coup pour votre workflow ?

Pi Coding Agent vaut le détour si vous cherchez un agent de codage sobre, compréhensible et peu intrusif. Son pari est simple : quatre outils, un prompt système court, des fichiers AGENTS.md visibles, et pas d’orchestration lourde ajoutée par défaut. Ça ne conviendra pas à tout le monde. Si vous voulez du multi-agent, du MCP natif ou des workflows très encadrés, vous risquez de rester sur votre faim. Mais si votre priorité c’est de garder du contexte pour le code et de limiter la magie cachée, Pi devient intéressant. Le bénéfice pour vous : tester un assistant plus léger, plus lisible, et potentiellement plus efficace sur des tâches ciblées.

FAQ

• Pi Coding Agent sert à quoi ?
  Pi Coding Agent sert à travailler avec un modèle d’IA sur du code en gardant une approche minimaliste. Il se concentre sur quatre actions simples : lire, écrire, éditer et exécuter du bash. L’idée, c’est de ne pas consommer trop de contexte avec des fonctionnalités internes.
• Quels sont les prérequis pour installer Pi ?
  Il faut Node.js 22 ou plus, npm, un terminal, et une clé d’API si vous voulez lancer des sessions réelles avec un fournisseur comme Anthropic, OpenAI ou Google. Sans clé d’API, l’intérêt pratique reste limité.
• Pourquoi Pi n’intègre pas MCP ou des sous-agents ?
  Pi les évite volontairement pour rester léger. Sa logique, c’est que les modèles modernes savent déjà suivre un comportement d’agent. Ajouter trop d’orchestration peut consommer des tokens et réduire l’espace disponible pour comprendre le code et la tâche.
• Pi Coding Agent est-il open source ?
  Le cœur de Pi est maintenu sous licence MIT, avec une logique open-core. Ça veut dire que le noyau reste ouvert, mais que des couches complémentaires ou payantes peuvent exister autour, notamment via l’écosystème porté par Earendil Inc.
• Pi est-il adapté à une équipe data ou IA ?
  Oui, surtout si l’équipe veut un assistant de codage simple, contrôlable et peu magique. Pour explorer un dépôt, faire des modifications ciblées ou garder la main sur les décisions techniques, c’est cohérent. Pour une orchestration complexe multi-agents, il faudra plutôt regarder d’autres approches.

 

 

A propos de l’auteur

Je suis Franck Scandolera, expert et formateur en tracking avancé server-side, Analytics Engineering, automatisation No/Low Code avec n8n, intégration de l’IA en entreprise et SEO/GEO. J’accompagne des équipes qui veulent utiliser l’IA sans se perdre dans les outils, les prompts et les architectures trop compliquées. Avec webAnalyste et Formations Analytics, j’ai travaillé pour des clients comme Logis Hôtel, Yelloh Village, BazarChic, la Fédération Française de Football ou Texdecor. Si vous voulez intégrer l’IA ou automatiser vos workflows proprement, contactez-moi.