pi.dev
KI-Agent

Was ist Pi.Dev?
Einleitung und Kontext
Das Video stellt Pi vor (auch bekannt als "Shitty Coding Agent" oder offiziell unter pi.dev erreichbar) - einen minimalistischen, erweiterbaren Coding-Agenten, der sich bewusst von der Feature-Überladung anderer Tools absetzt. Der Ersteller des Videos präsentiert Pi als eine erfrischende Alternative zu etablierten Agenten wie Claude Code, Codex oder Open Code.
https://youtu.be/OMFIPv8a4qA
Der Schöpfer: Mario Zechner (BadLogic)
Pi wurde von Mario Zechner entwickelt, bekannt unter seinem Online-Pseudonym "BadLogic". Er ist ein erfahrener Open-Source-Enthusiast, der in der Vergangenheit libGDX entwickelt hat - eines der populärsten Game-Development-Frameworks für Java. Mario war frustriert von allen existierenden Coding-Agenten und entschied sich, einen eigenen zu bauen, der seiner Philosophie entspricht.
Zitat von Mario:
"Ich hasse alle existierenden Coding-Agenten. Pi's Philosophie ist: Passe den Coding-Agenten an deine Bedürfnisse an, anstatt umgekehrt."
Die Kernphilosophie: Was Pi NICHT hat
Das Besondere an Pi ist ironischerweise das, was es nicht mitbringt. Der Video-Ersteller betont wiederholt, dass die Stärke in der Abwesenheit von Features liegt:
Bewusst weggelassene Features:
Keine MCPs (Model Context Protocol Server)
Keine Sub-Agenten
Kein Plan-Modus
Kein Background-Bash
Keine Permission-Pop-ups
Keine übermäßig komplexe UI
Kritik an Claude Code:
Mario beschreibt Claude Code als "Raumschiff" mit einer exzessiven Menge an Features:
"Füge dieses Feature hinzu und jenes Feature... irgendwann ist Claude Code zu einem Raumschiff geworden. Es macht so viele Dinge, dass du wahrscheinlich nur 5% davon jemals nutzt. Du kennst vielleicht 10% insgesamt, und der Rest - die übrigen 90% - das ist wie die dunkle Materie der KI."
Kritik an Open Code:
Häufige Session-Kompaktierung macht den Agenten "dümmer" während Gesprächen
Stilles Löschen von Tool-Outputs nach einer bestimmten Token-Menge
LSP-Unterstützung (Language Server Protocol) kann problematisch sein, da der Agent während der Implementierung sofortiges (falsches) Feedback erhält, bevor die Änderungen fertig sind
Technische Details und Installation
Installation:
npm install
Pi ist in TypeScript geschrieben - was der Video-Ersteller humorvoll als "die Sprache für KI" bezeichnet.
Konfiguration:
Einstellungen unter: 
~/.pi/agent_settings.json
Sessions werden als JSON-Dateien gespeichert (im Gegensatz zu Open Code, das kürzlich auf SQLite umgestellt hat)
System-Prompt ist minimal und vollständig anpassbar
Provider-Unterstützung:
Pi ist modell-agnostisch und unterstützt:
Anthropic (Claude)
OpenAI
Ollama (lokale Modelle)
Andere lokale Provider
"Big Pickle" (kostenloser Anbieter für einfache Anfragen)
Wichtige Funktionen und Shortcuts
Session-Management:
Befehl/Shortcut
Funktion
pi
Agent starten
pi -r
Session fortsetzen
--no-session
Ohne Session-Speicherung ausführen
Ctrl+D
Session beenden, zurück zur CLI
Ctrl+G
Prompt zum Editor senden
/tree
Hierarchie der Session-Branches anzeigen
!
Ad-hoc Bash-Befehle ausführen
Session-Branching:
Eine besonders nützliche Funktion ist die Möglichkeit, Sessions zu forken und von jedem Punkt in der Konversation abzuzweigen. Dies hilft dabei:
"Side Quests" zu vermeiden, die das Context Window verschmutzen
Halluzinationen zu reduzieren
Die Fehlerrate zu senken
Gist-Export:
Sessions können exportiert werden als:
Durchsuchbare HTML-Dateien
GitHub Private Gists
File-Tagging:
Ähnlich wie bei Cursor können Dateien getaggt werden, um das Context-Management zu verbessern und präzisere Antworten zu erhalten.
Bild-Unterstützung:
Bilder können durch Einfügen des Pfads verwendet werden (die Drag-and-Drop-Funktionalität ist laut Video-Ersteller etwas unklar dokumentiert).
Erweiterbarkeit: Das Pi-Ökosystem
Obwohl Pi minimalistisch ist, bietet es umfangreiche Erweiterungsmöglichkeiten:
Erweiterungstypen:
Tools: Zusätzliche Werkzeuge
Commands: Benutzerdefinierte Befehle
Shortcuts: Tastenkürzel
Themes: Visuelle Anpassungen
Prompts/Templates: Slash-Befehle für häufige Aktionen
Prompt-Templates:
Unter dem Ordner 
prompts können eigene Slash-Befehle erstellt werden, z.B.:
/review - Code auf Bugs und Sicherheitsprobleme prüfen
Packages installieren:
pi install <package-path>
Bekannte Erweiterungen:
Babysitter: Reduziert Halluzinationen (verlangsamt aber den Prozess)
Sub-Agent-Erweiterungen: Für diejenigen, die Sub-Agenten möchten
Themes und Prompts auf der offiziellen Package-Website
Skills-Integration:
Pi erkennt automatisch bereits installierte Skills von Claude Code oder Open Code und macht diese verfügbar.
Inline-Ausführung und Aliase
One-Shot-Queries:
Mit 
-p kann Pi für einzelne Anfragen verwendet werden:
pi -p "Was belegt Port 8080?"
Modell-Liste anzeigen:
pi list models
Eigene Aliase erstellen:
alias q='pi -p --model <günstiges-modell>'
Dann einfach:
q "Wie spät ist es in Tokyo?"
Context ist König
Der Video-Ersteller betont wiederholt die Bedeutung des Context Windows:
"Wenn es eine Sache gibt, auf die wir uns einigen können, dann ist es, dass Context König ist. Oder genauer gesagt: Context, sowohl seine Qualität als auch seine Größe, wird bestimmen, wie glücklich oder frustriert du sein wirst."
Probleme mit überladenem Context:
Halluzinationen häufen sich
Fehlerfrequenz steigt
Agent wird "dümmer"
Pi's Lösungsansätze:
Session-Branching und Forking
Minimaler System-Prompt
Keine automatische Session-Kompaktierung wie bei anderen Tools
Vergleich mit anderen Tools
Feature
Pi
Claude Code
Open Code
MCPs
❌ (erweiterbar)
✅
✅
Sub-Agenten
❌ (erweiterbar)
✅
✅
Plan-Modus
❌
✅
✅
Session-Kompaktierung
❌
✅
✅
Erweiterbarkeit
✅ Hoch
❌ Gering
⚠️ Mittel
Footprint
Sehr klein
Groß
Mittel
Session-Branching
✅
⚠️
⚠️
Praktische Anwendung des Video-Erstellers
Der Ersteller beschreibt seinen eigenen Workflow:
Home-Server-Setup: Pi läuft auf einem neuen Home-Server
Kontextdatei: Eine gut gestaltete MD-Datei mit Instruktionen und Context
Soft Guardrails: Eine Datei mit grundlegenden Richtlinien, um sich nicht ständig wiederholen zu müssen
Tmux-Integration: Statt Sub-Agenten werden Tmux-Sessions und Fork-Sessions verwendet
Zusätzliches Wissen über Pi
Aus der Community und Dokumentation:
Awesome-Pi: Es gibt eine community-gepflegte "Awesome Pi"-Seite mit Ressourcen und Erweiterungen
Thorsten Ball's Artikel: Der Ersteller referenziert einen Artikel, der zeigt, dass man mit nur ~400 Zeilen Code einen funktionierenden Agenten bauen kann - beschrieben als "Der Kaiser hat keine Kleider"
Anerkennung von Experten: Pi wird gelobt von:
Peter Steinberg (Ersteller von Open Claw)
Einem der Unity-Gründer
Dem Ersteller von Flask und Jinja (Armin Ronacher), der kürzlich den Entwickler hinter Pi eingestellt hat
GitHub-Erfolg: Pi wird als Agent beschrieben, der eines der am schnellsten wachsenden Projekte in der GitHub-Geschichte antreibt
Philosophie der Einfachheit:
"Alle diese Agenten sind im Grunde nur Schleifen über den Modellen."
Fazit des Video-Erstellers
Positiv:
Schlank und schnell
Einfach zu installieren
Geringe Einstiegshürde
Hohe Erweiterbarkeit bei Bedarf
Session-Branching sehr nützlich
Transparente Funktionsweise
Neutral/Abwägend:
Noch keine SQLite-basierte Session-Verwaltung (JSON-Dateien)
Bild-Unterstützung könnte klarer dokumentiert sein
Für "Vibe Coding" und LinkedIn-Posts über Agent-Schwärme nicht geeignet
Endurteil:
"Es ist noch zu früh, um es sicher zu sagen, aber Pi ist ein Keeper."
Der Ersteller betont, dass er trotz seiner Begeisterung für Open Code (mit all seinen Features) die Schlankheit von Pi sehr schätzt. Die Abwesenheit von Features ist nicht als Mangel zu verstehen, sondern als bewusste Designentscheidung, die Entwicklern ermöglicht, genau das hinzuzufügen, was sie brauchen - nicht mehr und nicht weniger.
Empfehlung
Pi eignet sich besonders für:
Entwickler, die Kontrolle über ihre Tools schätzen
Minimalisten, die Feature-Bloat vermeiden wollen
Diejenigen, die ihre Agenten selbst erweitern möchten
Terminal-Power-User
Entwickler, die mit verschiedenen LLM-Providern arbeiten
Pi eignet sich weniger für:
Entwickler, die "out of the box" alles haben wollen
Diejenigen, die komplexe Multi-Agenten-Setups ohne eigene Konfiguration erwarten
"Vibe Coders", die maximale Automatisierung suchen

Ausführliche Zusammenfassung: "Babysitter" - Ein KI-Orchestrierungssystem für deterministische Ergebnisse
Einleitung und Problemstellung
Der Videoersteller beginnt mit einer ehrlichen Bestandsaufnahme der aktuellen KI-Landschaft: Niemand weiß wirklich, wohin sich KI entwickelt – auch wenn viele so tun, als hätten sie alle Antworten. Was er jedoch mit Sicherheit sagen kann, ist, dass KI-Systeme häufig ihr Ziel verfehlen.
Als zahlender Kunde (200 Dollar monatlich bei OpenAI, früher auch bei Anthropic) hat er praktisch jedes verfügbare Modell getestet – von OpenRouter über verschiedene Quirks-Modelle bis hin zu OpenCode, Zen, Go und Black. Seine ernüchternde Erkenntnis: Unabhängig von der Preisstufe oder dem investierten Geld halluzinieren KI-Systeme ständig.
Zwar setzen alle Entwickler Leitplanken und Regeln, aber – so der Sprecher mit einem Augenzwinkern – diese werden von den KIs oft einfach ignoriert. Die Systeme halten sich nicht wirklich an Vorgaben.
https://youtu.be/xNDxh35Dva4
Die Lösung: Babysitter von A5C.AI
Das Versprechen
Was wäre, wenn es ein System gäbe – keinen Zaubertrick, keine Illusion – sondern eine tatsächliche Methode, um Aufgaben mit deterministischen Ergebnissen zu orchestrieren? Der Sprecher ist deutlich: Wenn jemand das verkaufen würde, wäre er sofort Kunde.
Die gute Nachricht: Niemand verkauft es – denn es ist Open Source. Das Projekt namens "Babysitter" von A5C.AI soll dabei helfen, "Gehorsam durchzusetzen" und halluzinationsfreie Ausgaben anzustreben.
Die Website und das Team
Die Website A5C.AI präsentiert sich mit dem typischen "VIP-Coded-Landing-Page"-Feeling, aber das Team scheint es ernst zu meinen mit dem Open-Source-Gedanken. Der Slogan "Von Entwicklern für Entwickler" ist etwas, das der Sprecher schon lange nicht mehr gehört hat – und das er positiv hervorhebt.
Das mysteriöse Team hinter A5C scheint sich dem Projekt verschrieben zu haben und bietet auch kostenpflichtige Unterstützung für große Organisationen an.
Die Kernprobleme, die Babysitter adressiert
Alles ist eine Blackbox – es gibt keine echte Prüfmöglichkeit
Das Kontextfenster würgt einen ab – zu viele Informationen, zu wenig Struktur
Wer entscheidet, wann etwas fertig ist? – Spoiler: Nicht der Nutzer
Die Lösung durch Babysitter
Babysitter implementiert:
Quality Gates (Qualitätsschranken): Schleifen, die laufen, bis bestimmte Kriterien erfüllt sind
Definition of Done: Ein echtes Konzept, nicht nur eine Metapher
Deterministische Workflows: Vorhersagbare Ergebnisse durch strukturierte Prozesse
Die vier Betriebsmodi
Das Projekt bietet vier verschiedene Optionen:
Call: Der Standardaufruf für normale Aufgaben
Plan Only: Nur Planung ohne Ausführung
YOLO-Modus: "Forever Mode" – das System läuft autonom (riskanter)
Ein weiterer Modus (im Video nicht vollständig spezifiziert)
Technische Details
Kompatibilität
Babysitter unterstützt:
CodeX
Cursor
Gemini
GitHub Copilot
OpenCode
Pi (der im Video verwendete Agent)
Alles ist als "experimentell" gekennzeichnet – was der Sprecher humorvoll kommentiert: "Ist nicht alles in den letzten Jahren experimentell?"
Installation und Ausführung
Babysitter kann auf zwei Arten verwendet werden:
Als Paket/Extension für den bevorzugten Agenten
Als eigenständiges Harness (Wrapper)
Die Standalone-Option ist besonders wichtig für ephemere Umgebungen wie CI-Worker oder GitHub-Automatisierungsbots.
Installation:
npm install @a5c-ai/babysitter-sdk
Nach der Installation kann man das Harness direkt ansprechen und einen der vier Modi aufrufen. Als Orchestrator kann "Internal" verwendet werden, aber auch Claude oder andere Optionen sind möglich.
Der Prozess
Ein wesentlicher Unterschied: Prozesse werden in JavaScript definiert, nicht in Markdown – also echtem Code im Workspace.
Der Einrichtungsprozess
Schritt 1: Nutzer-Setup
babysitter user install
Hier lernt das System den Nutzer kennen. Man kann eigene Details festlegen:
Name
Spezialisierungen
Erfahrung
Verbosity-Präferenzen
Wichtiger Tipp: Kurz und spezifisch halten – und bitte keine Emojis!
Das System scannt auch das GitHub-Profil des Nutzers, um Präferenzen zu erkennen (z.B. ob man eher Go/Shell oder JavaScript/Perl bevorzugt).
Schritt 2: Projekt-Setup
Mit jedem neuen Projekt durchläuft man den Project Install Process. Dabei:
Liest das System den Code
Analysiert Dependencies
Durchforstet die Git-Historie
Baut ein mentales Modell des Projekts
Erstellt Konfigurationsdateien unter 
.a5c
Wichtige Fragen während des Setups:
Was optimierst du? (Sicherheit, Produktion, Zuverlässigkeit)
Welche Bereiche sind kritisch? (z.B. Datenintegrationen)
Wie ist dein Workflow? (Sind PRs kritisch? Tools wie WorkTrunk?)
Zeitaufwand
Der Sprecher ist ehrlich: Das dauert! Etwa 15 Minuten für den initialen Setup, plus Zeit für Nutzerfragen. Er verwendete GPT 5.5 auf "High"-Reasoning, was langsamer ist, aber bessere Ergebnisse liefert.
Kernbotschaft: Es geht nicht um Geschwindigkeit oder Quantität, sondern um korrekte Ergebnisse.
Integrierte Methodologien
Babysitter hat verschiedene Methodologien "eingebrannt":
GSD (Getting Stuff Done): Eine Produktivitätsmethode
Debugging-Prozesse
Testing-Frameworks
Und viele mehr...
Die Dokumentation listet Prozesse für:
TDD (Test-Driven Development)
Web- und Mobile-Entwicklung
DevOps
Security
Geschäftsbereiche
Sogar Wissenschaft
Der Sprecher gibt zu, dass er diese nicht alle gelesen hat und die Vielfalt etwas besorgniserregend findet.
Praktische Demonstration
Der Doctor-Befehl
Nach dem Setup empfiehlt sich:
babysitter doctor
Dieser produziert einen Bericht darüber, was funktioniert hat und was noch Aufmerksamkeit braucht.
Beispiel 1: REST-API mit TDD (Call-Modus)
Aufgabe: Eine kleine Task-API mit allen CRUD-Methoden, unter Verwendung von TDD und mit einem Qualitätsziel.
Der Prozess:
Babysitter ruft den Orchestrator und die Skill-Anweisungen auf
Es druckt einen Plan mit Request-Endpoints und Quality Gates aus
Interessant: Es generiert eigenen Orchestrierungscode (TypeScript!)
Das System fragt um Genehmigung bevor es fortfährt (Approval Gate)
Erster generierter Code: Die Tests!
Erst danach der Code, der die Tests besteht
Ergebnis:
Endpoints funktionieren
Tests laufen mit Coverage
Spec-Code vorhanden
Alles wie angewiesen
Beobachtung zur Präzision:
Das System ist extrem literal in der Umsetzung. Es gab keine Logs – weil keine angefordert wurden. Das kann gut oder problematisch sein und erfordert Detailgenauigkeit bei der Planung.
Test der API:
GET /tasks → Leeres Array ✓
POST mit leeren Daten → Korrekte Fehlerbehandlung ✓
POST mit korrektem JSON → Task erscheint ✓
DELETE → Funktioniert ✓
GET /tasks → Wieder leer ✓
Beispiel 2: YOLO-Modus mit generischer Aufgabe
Parallel wurde eine vage Aufgabe im YOLO-Modus gestartet. Das Ergebnis:
Es existiert etwas (Login, Aktionen)
Keine echte Struktur
Es läuft... irgendwie
Fehler, die der Sprecher nicht debuggen wollte
Fazit: Der strukturierte Ansatz mit klaren Anweisungen liefert bessere Ergebnisse.
Beobachtungen zu TDD
Der Sprecher macht eine interessante Nebenbemerkung: Obwohl er keine Beweise hat, liefern KI-Agenten bessere Ergebnisse, wenn man sie TDD (Test-Driven Development) verwenden lässt. Das ist keine isolierte Beobachtung – andere haben Ähnliches bemerkt.
Ironischerweise wurde ihm TDD immer beigebracht, aber er hat es nie richtig praktiziert. Jetzt, mit KI-"Minions", die noch nicht ablehnen können, ist es endlich möglich!
Über Pi – Der verwendete Agent
Was ist Pi?
Pi ist der im Video verwendete Open-Source-KI-Agent, der als "der schlankste und minimalistischste Open-Source-Agent" beschrieben wird. Er hat Babysitter als eines seiner optionalen Erweiterungspakete gelistet.
Installation mit Pi
pi install
Nach der Installation zeigt Pi neue Optionen für Babysitter. Der Sprecher empfiehlt:
babysitter help
...um alle verfügbaren Optionen zu sehen (es sind viele!).
Pi's Philosophie
Basierend auf den Informationen aus dem Video und allgemeinem Wissen über Pi:
Minimalismus: Pi verfolgt einen schlanken Ansatz ohne Bloat
Erweiterbarkeit: Optionale Pakete wie Babysitter können hinzugefügt werden
Open Source: Vollständig quelloffen und community-getrieben
Agenten-Framework: Fungiert als Wrapper/Framework für KI-Interaktionen
Nutzung mit Babysitter
# Ad-hoc Session
pi -p "dein prompt hier"
# Mit Babysitter call
babysitter call "baue eine task api mit allen methoden, nutze tdd, qualitätsziel: tests bestehen"
# Mit YOLO-Modus (autonomer)
babysitter yolo "generische aufgabe"
Kernerkenntnisse und Fazit
Was Babysitter NICHT ist:
Kein Zauberer
Keine Wunderlösung
Kein System, das alles alleine macht
Was Babysitter IST:
Ein Orchestrator
Ein System für deterministische Workflows
Ein Tool, das Quality Gates erzwingt
Modell-agnostisch (funktioniert mit verschiedenen LLMs)
Open Source und datenschutzfreundlich (keine Daten werden gesendet)
Die Rolle des Nutzers
Der Sprecher betont mehrfach: Der Nutzer ist ein wesentlicher Teil des Prozesses. Babysitter ist wie ein professioneller Mitarbeiter – wenn man ein Profi ist, verhält es sich professionell. Aber man muss:
Klare Anweisungen geben
Detailliert sein in der Planung
Quality Gates definieren
Genehmigungen erteilen
Abschließende Bewertung
Der Sprecher ist positiv überrascht und plant, das System in den kommenden Wochen und Monaten weiter zu testen. Er bittet die Community, ihre Erfahrungen zu teilen.
Wichtige Einschränkung: Babysitter ist ohne einen ordentlichen Agenten (wie Pi) drumherum nicht viel wert. Es ist ein Orchestrierungslayer, kein eigenständiges Tool.
Ergänzende Informationen zu Pi (aus externem Wissen)
Pi Agent – Technischer Hintergrund
Pi ist ein Terminal-basierter KI-Agent, der:
CLI-First Design: Entwickelt für die Kommandozeile
Lightweight: Minimaler Ressourcenverbrauch
Plugin-Architektur: Erweiterbar durch Pakete wie Babysitter
Multi-Model Support: Kann mit verschiedenen LLM-Backends arbeiten
Warum Pi für Babysitter?
Die Kombination macht Sinn weil:
Pi bietet die Agenten-Infrastruktur (Tool-Aufrufe, Kontext-Management)
Babysitter bietet die Orchestrierungslogik (Quality Gates, Prozesse)
Zusammen ermöglichen sie strukturierte, deterministische Workflows
Typische Pi-Workflows
# Einfache Interaktion
pi "erkläre mir diesen code"
# Mit Datei-Kontext
pi -f main.py "refactore diese funktion"
# Inline-Prompt für Automatisierung
pi -p "erstelle unit tests für alle funktionen"
Persönliche Empfehlung des Videoerstellers
Für Einsteiger: Erst Pi kennenlernen, dann Babysitter hinzufügen
Für Profis: Quality Gates und TDD-Workflows nutzen
Für alle: Geduld haben – gute Ergebnisse brauchen Zeit
Experimentieren: Die YOLO- und Call-Modi haben unterschiedliche Use Cases
Diese Zusammenfassung basiert auf dem Transkript des YouTube-Videos und wurde durch allgemeines Wissen über die erwähnten Tools ergänzt.