如何用 Pi 设置 Kimi K2.7 Code：终极 AI 编码环境

Kimi K2.7 Code 是 Moonshot 的旗舰级编码模型，专为实用型软件开发任务打造，例如编写与调试代码、导航大型代码库以及处理多步骤工程工作。

来源：Kimi K2.7 Code: 开源代理式编码模型

搭配 Pi——一款轻量且高度可扩展的编码代理，您可以构建灵活的本地开发环境，在不增加不必要复杂度的前提下，支持技能、软件包、命令行工具、持久化记忆和浏览器测试。

相比为每项任务都安装MCP，Pi 可以将 Kimi 的推理与 GitHub CLI、Vercel CLI、Hugging Face CLI、pytest、Ruff 和 uv 等可靠开发者工具结合起来。

这样一来，便可通过单一的编码代理工作流完成研究、构建、测试、部署和维护真实项目。

在本指南中，我将从头到尾演示如何将 Kimi K2.7 Code 与 Pi 进行配置。

您将配置 Moonshot API 密钥，添加用于研究的 Olostep、用于最新文档的 Context7、用于浏览器测试的 Webwright，以及用于跨会话上下文的 Hermes Memory。

您还将安装实用主题和工程技能，连接 GitHub、Vercel 和 Hugging Face 的 CLI，创建可复现的 Python 数据科学项目，并通过构建、验证和发布一个小型机器学习应用来测试完整流程。

我也建议查看我的本地运行 Kimi K2.7 Code 的指南。

1. 在终端中安装 Pi 编码代理

Pi 是一款直接在您的终端中运行的轻量级编码代理。

它可以处理本地文件、运行命令、使用已安装的技能与软件包，并连接到您偏好的编码模型。

根据您的操作系统选择安装命令。

Windows PowerShell

powershell -c "irm https://pi.dev/install.ps1 | iex"

macOS 或 Linux

curl -fsSL https://pi.dev/install.sh | sh

您也可以通过 npm 安装 Pi：

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

2. 为 Kimi K2.7 配置 Moonshot API 密钥

在 Pi 中使用 Kimi K2.7 Code 之前，请将您的 Moonshot API 密钥添加为环境变量。

随后，当您选择 Moonshot 作为模型提供方时，Pi 会自动访问该密钥。

Windows PowerShell

setx MOONSHOT_API_KEY "your_moonshot_api_key"

运行此命令后请关闭并重新打开 PowerShell。新的环境变量只会在新开启的终端会话中可用。

Git Bash、macOS 或 Linux

export MOONSHOT_API_KEY="your_moonshot_api_key"

该命令仅对当前终端会话生效。若想在重启终端后仍可使用，请将同一行添加到您的 shell 配置文件，例如 ~/.bashrc 或 ~/.zshrc。

请妥善保管您的 API 密钥。不要将其添加到 Git 仓库、公开笔记本、截图、.env.example 文件或 AGENTS.md 中。

设置好密钥后，启动 Pi：

pi

然后打开模型选择器：

/model

选择 moonshotai 作为提供方，并选择 kimi-k2.7-code。

Pi 应会自动检测 MOONSHOT_API_KEY 环境变量并用于认证。

3. 安装用于研究的 Olostep 技能

Olostep 为 Pi 提供网页搜索、抓取、文档爬取、调试和结构化数据抽取等研究流程的访问能力。

当任务需要超出模型内置知识的信息时，它可帮助 Pi 获取最新资料。

继续之前，请创建Olostep 账户，生成 API 密钥，并在本地保存为名为 OLOSTEP_API_KEY 的环境变量。

这样 Pi 及其创建的任何脚本都可在不把密钥存入项目文件的情况下与 Olostep 进行认证。

接着，将 Olostep 技能直接安装到 Pi 的全局技能目录：

npx -y olostep-cli@latest add skills \
 --no-global \
 --agent-skills-dir ~/.pi/agent/skills

它会将 Olostep 技能安装到：

~/.pi/agent/skills/

4. 安装 Context7 获取最新文档

Context7 为 Pi 提供最新的、特定版本的库文档与代码示例。这有助于 Pi 在处理快速演进的框架、SDK 和 Python 包时避免使用过时 API。

安装前，请创建 Context7 账户，在 Context7 控制台生成 API 密钥，并在本地保存为名为 CONTEXT7_API_KEY 的环境变量。

请妥善保管密钥，不要将其提交到代码仓库，也不要包含在截图、笔记本或项目说明文件中。

为 Pi 安装官方 Context7 包：

pi install npm:@upstash/context7-pi

这会添加 Context7 文档工具、一个在需要时引导 Pi 使用这些工具的技能，以及用于手动查询的 /c7-docs 命令。

重启 Pi 后，它可以在编写依赖外部库的代码前检索相关文档。

5. 使用 Pi 主题自定义终端工作区

Pi 支持第三方主题包，方便在不改变代理行为的前提下改进终端界面。

@spences10/pi-themes 包含多款精致的暗色主题，包括 Catppuccin Mocha、Dracula、Gruvbox Dark、Nord、One Dark 和 Tokyo Night。

安装社区主题包：

pi install npm:@spences10/pi-themes

然后打开 Pi：

pi

打开设置菜单：

/settings

在可用主题中选择Catppuccin Mocha。该主题为清爽的暗色风格，对比强烈，适合作为长时间编码的默认选项。

您可随时通过 /settings 切换主题。Pi 也支持本地主题和基于包的主题，因此日后可以在不改变模型、工具或项目设置的前提下定制界面。

6. 添加工程技能并减少噪声输出

Pi 可通过可复用的工程工作流进行扩展，使其在规划、调试、测试、代码审查、文档编写以及交接或发布准备等方面更一致。

@barlevalon/skills 包为这些常见的软件工程任务提供可移植的 SKILL.md 工作流。

安装该技能包：

pi install npm:@barlevalon/skills

接下来安装 Hypa，防止冗长的终端输出占据 Pi 的上下文窗口：

pi install npm:@hypabolic/pi-hypa

Hypa 会通过本地压缩层自动重写受支持的 shell 命令。它保留关键信息（如错误和最终结果），同时减少软件包安装、测试套件、模型运行、构建与部署中的重复日志。

该 Pi 包也会将 Hypa 作为依赖安装，并创建尽力而为的本地 hypa 命令 shim。

7. 直接使用 GitHub、Vercel 和 Hugging Face 的 CLI

您不必为每个服务都使用 MCP、扩展或软件包。

对于管理仓库、部署应用、查看日志或发布模型等常见工作流，经认证的命令行工具往往更简单、更可靠，也更便于 Pi 使用。

GitHub CLI

GitHub CLI 让 Pi 可直接在终端中操作仓库、拉取请求、议题、发布和 GitHub Actions。Windows 上的安装命令：

winget install --id GitHub.cli --source winget

然后登录：

gh auth login

当您希望 Pi 检查仓库、创建或审查拉取请求、查看工作流运行、管理议题，或将项目发布到 GitHub 时，请使用 GitHub CLI。

Vercel CLI

Vercel CLI 让 Pi 能从终端部署 Web 应用、检查项目、查看部署日志并管理环境变量。

npm install -g vercel
vercel login

使用 Vercel CLI 进行预览部署、生产发布、部署排障、项目关联以及环境变量检查。

Hugging Face CLI

当前 Hugging Face 命令行工具为 hf，随 huggingface_hub 包提供。通过以下方式安装：

pip install -U huggingface_hub

然后进行认证：

hf auth login

使用 Hugging Face CLI 创建和管理模型、数据集与 Space 仓库；上传项目文件；下载模型或数据集；并确认当前认证账户。

8. 使用 Webwright 进行浏览器测试

单元测试有助于检查 Python 逻辑，但它无法显示真实用户是否能顺利使用您的应用。

Webwright 允许 Pi 使用 Playwright 针对本地或已部署的应用运行基于浏览器的测试，包括 Streamlit、Gradio、FastAPI 前端、React 或 Next.js 项目、Vercel 预览和 Hugging Face Spaces。

在 Pi 中安装 Webwright：

pi install npm:pi-webwright

然后为 Playwright 安装 Chromium：

npx playwright install chromium

Webwright 让 Pi 在 Chromium 中打开应用、测试主要用户流程、与表单或文件上传交互、检查结果是否正确渲染、查看浏览器错误，并保存截图与日志。

该包包含一个为可检视、基于工件的工作流设计的浏览器测试技能。

9. 使用 Hermes 为您的 AI 代理添加持久化记忆

Pi 在每个新会话中，只会带入有限的过往上下文。

Hermes Memory 增加了本地的持久化记忆，让 Pi 能搜索先前会话、保留有用的项目上下文、整合重复信息并扫描密钥。

它在本地运行，因此无需单独的托管记忆 API 密钥。

安装 Hermes Memory：

pi install npm:pi-hermes-memory

安装后重启 Pi。

将 Hermes Memory 与清晰的项目文档配合使用：

1. MEMORY.md：要审阅并提交的项目事实、偏好与说明
2. docs/decisions/： 将重要的架构、数据与工程决策存储在仓库中
3. pi-hermes-memory： 本地跨会话回忆、可搜索的会话历史与自动记忆整合

请将 MEMORY.md 和 docs/decisions/ 作为项目的可见事实来源。

Hermes Memory 帮助 Pi 在多个会话间持续推进工作，而 Markdown 文件则便于您或其他贡献者日后检视上下文。

10. 构建可复现的 Python 数据科学项目

良好的 Pi 设置也需要清晰的项目结构。

这能让实验、代码、测试、数据与结果井然有序，从而避免 Pi 将临时性的笔记本尝试与可复用的流水线代码混在一起。

创建新项目并用 uv 初始化：

mkdir data-science-pi-project
cd data-science-pi-project
uv init
uv add pandas scikit-learn matplotlib pytest ruff

使用如下结构：

data-science-pi-project/
├── AGENTS.md
├── MEMORY.md
├── README.md
├── src/
│   ├── data.py
│   ├── train.py
│   └── evaluate.py
├── tests/
├── notebooks/
├── data/
│   ├── raw/
│   └── processed/
├── reports/
│   ├── figures/
│   └── metrics/
└── docs/
    └── decisions/

将可复用的数据加载、预处理、训练和评估代码保存在 src/ 中。

notebooks/ 仅用于探索与快速实验。

将未更改的原始文件存放在 data/raw/，清洗后的数据存放在 data/processed/，而图表、指标和模型输出则保存在 reports/。

创建 AGENTS.md 文件，以便 Pi 在该仓库中遵循正确的工作流：

# Project Rules

- Use Olostep for current research and Context7 for library documentation.
- Inspect the dataset, missing values, duplicates, leakage risks, class balance, and baseline before training.
- Keep reusable logic in `src/`, not notebooks.
- Add tests when changing preprocessing or evaluation behaviour.
- Run formatting, linting, and tests before declaring work complete.
- Record important decisions in `docs/decisions/`.

这为 Pi 提供了可重复的数据科学项目工作流，使其更易于测试、维护与改进。

11. 端到端测试：用 Kimi 与 Pi 构建一个 ML 应用

现在是时候在真实项目中测试完整的 Pi 设置了。本示例中，我让 Pi 构建一个可复现的二分类应用，用于学生就业去向预测，使用学业表现、实习、项目、认证和技能等因素。

在项目文件夹内启动 Pi：

pi

然后给 Pi 以下提示：

Build a simple, reproducible Python machine-learning project for a binary classification problem. 
First inspect the dataset for schema, missing values, duplicates, categorical columns, leakage risks, class balance, and a suitable stratified train/test split. 
Use Olostep for any current research or dataset references, and Context7 before using scikit-learn APIs.

Create clear modules for data loading/preprocessing, model training, evaluation, tests, a short README, and project rules. 
Use a fixed random seed, uv, pytest, and Ruff.

在模型工作流运行正常后，构建一个小型的 Streamlit 或 Gradio 界面，并使用 Webwright 在 Chromium 中进行测试，包括主要用户路径、结果渲染、控制台错误、截图与日志。

报告准确率、加权 F1、宏平均 F1、基线对比和混淆矩阵。使用 GitHub CLI 初始化并推送仓库。

Pi 首先在 Hermes Memory 中检查与该项目相关的早期上下文。

如截图所示，未发现有用信息，因而转而检查当前项目目录。

在了解目录结构后，Pi 使用 Context7 在编写项目文件之前查阅当前的 Python 与 scikit-learn 文档。

这很有用，因为它有助于代理使用最新 API，而不是依赖过时示例。

接着，Pi 使用 Olostep 研究技能寻找合适数据集，并为项目收集相关信息。

在收集到足够上下文后，它开始逐一创建文件，包括预处理流水线、训练代码、评估脚本、测试、README 和项目说明。

在机器学习工作流完成后，Pi 创建了一个小型的 Streamlit 应用。

随后，它为 Playwright 安装了 Chromium，并使用 Webwright 在真实浏览器中测试界面。

浏览器测试检查了主要用户流程，验证了结果是否正确渲染，检查了控制台错误，并保存了截图与日志。

Pi 还在生成最终摘要之前运行了 Python 测试和项目检查。

在本次测试中，最终模型取得约86% 的准确率和0.85 的 F1 分数。

随后，Pi 提交了更改，创建 GitHub 仓库，并将完整项目推送至 GitHub。

该仓库包含 README、项目结构、源代码、测试、模型评估文件和 Streamlit 应用：

来源：kingabzpro/data-science-pi-project

您可以通过以下命令在本地运行该应用：

streamlit run app.py

界面清晰、易于导航，模型也能快速返回预测结果。

更重要的是，此测试展示了整套设置的价值：Pi 能在一个工作流中完成研究任务、检查数据、使用最新文档、构建流水线、创建界面、测试浏览器体验、验证模型并发布最终项目。

结语：为何 Kimi K2.7 与 Pi 是完美的开发者栈

Kimi K2.7 Code 与 Pi 被证明是实用编码工作的强力组合。

Kimi 速度快、能力强，能够很好地处理多步骤工程任务，同时不会把简单决策过度复杂化。

如果您使用的是 API 而非编码订阅，建议至少充值 $10 额度，以进入更高的使用层级，避免过快触及每日限额。

让我印象最深的是，一旦完成设置，整个工作流几乎无需人工协调。

只需一个详细提示，Pi 就会检查 Hermes Memory 中是否有相关项目上下文，审查项目目录，使用 Context7 验证当前的 Streamlit 与 scikit-learn 文档，并用 Olostep 研究数据集与问题设置。

从那时起，它创建项目文件，构建机器学习流水线，开发 Streamlit 应用，并使用 Webwright 与 Playwright 测试界面。

Pi 还运行了 Python 测试，检查了模型指标，审查了浏览器行为，生成最终摘要，提交更改，并将完整仓库推送到 GitHub。

总体而言，此设置更像是在为自动化开发工作流提供清晰指令，而不是手动管理一个编码助手。

一旦连接好合适的工具，Pi 便能承担大多数繁重工作，而 Kimi 则提供推动流程所需的速度与推理能力。

想更深入了解 AI 代理的底层工作原理？我推荐 DataCamp 的Building Scalable Agentic Systems 课程，学习将 AI 代理从概念验证推向生产所需的设计原则、测试框架与协议（如 MCP）。