當 ChatGPT 可以接上 Pi：AI Agent 正在走向「模型與 Harness 分離」
- 模型持續更新，Skills、Tools 與 Workflow 才是可累積的工作系統 -
最近看到 OpenAI 推出 Sign in with ChatGPT，並開始讓符合資格的開源工具串接 ChatGPT 方案用量。官方目前列出的開源工具範例包含 Pi by Earendil。
一開始我也以為，這只是「Pi 現在可以更方便使用 GPT」。但把 OpenAI 的整合說明和 Pi 的登入方式放在一起看，我更在意的其實是另一件事：我們過去常綁在一起看的模型與 Agent Harness，正在變成可以分開選擇的兩層。
這可能改變我們挑選 AI Agent 工具的方式。
為什麼我開始把模型與 Agent 分開看？
這兩年挑 AI Coding 或 Agent 工具時，我們很容易先從模型開始想：想用 Claude，就想到 Claude Code；想用 OpenAI，就想到 Codex；想用 Gemini，就去找 Google 生態系裡的工具。
久了容易覺得模型就是 Agent。其實模型比較像負責理解、推理、規劃與生成的大腦。要讓它讀檔、改程式、執行 Shell、呼叫 MCP、操作瀏覽器、載入 Skill，還需要一套把模型接到電腦、工具和工作流程上的系統。
這一層通常稱為 Agent Harness。
Harness 負責把模型接到工作現場
假設我們請 Agent 檢查專案、找出 Bug、修改程式碼、執行測試，再整理報告。真正完成任務時，除了模型本身，背後還有許多部分一起運作：
- 上下文管理與檔案系統
- Shell、Terminal 與工具呼叫
- MCP、Skills、Browser 或 Computer Use
- 權限控制、錯誤處理與 Agent Loop
- 工作狀態保存、模型切換與記憶機制
這些能力如何串接，會影響模型能看見什麼、可以採取哪些行動，以及出錯後能不能修正並繼續。Harness 不只是聊天介面，而是模型的執行環境和工作規則。
同一個 GPT，換一套 Harness 也會有不同體驗
假設兩套 Agent 使用能力相近的 GPT 模型。A Harness 可能會先搜尋專案、整理計畫、修改程式碼、自動執行測試，發現錯誤後再回頭修正與驗證；B Harness 可能只讀幾個檔案、修改一次就回報完成。
最後使用者感受到的「AI 好不好用」，不一定全是模型能力的差異，也可能是 Harness 怎麼安排模型工作的結果。
Pi × ChatGPT 值得注意的是什麼？
OpenAI 的 Sign in with ChatGPT 把兩種權限分開處理：使用者可以用 ChatGPT 身分登入，也可以另外選擇是否讓符合資格的應用程式使用方案內的 AI 用量。使用 ChatGPT 方案用量需要獨立授權；目前官方說明限定 Plus 與 Pro 等符合資格的方案，而且這不會把 ChatGPT 對話或 API Key 交給應用程式。OpenAI 使用說明 也列出 Pi by Earendil 作為開源工具範例。
這不只是第三方工具自己接上一個模型 API。OpenAI 已提供讓開源工具使用者以 ChatGPT 帳號登入，並在同意後使用方案用量的整合方式；開發者文件也說明，登入身分與使用方案用量是不同能力，後者是可選權限。
不過「列在支援範例」不等於每種登入方式對所有使用者都已順利可用。Pi 既有的文件也列出 ChatGPT Plus／Pro（Codex）訂閱登入；此外，Pi 專案在 2026 年 9 月 29 日有使用者回報，新版 Sign in with ChatGPT 的 Pi 登入出現 invalid_client，而舊的 Codex 訂閱登入仍可用。這是一則使用者回報，不能推論成所有帳號都遇到相同問題；但它提醒我們，整合方式和實際可用狀態可能還在演進。Pi 登入文件 · Pi issue #10184
模型與 Harness 可以分開組合
過去模型、帳號、額度和 Agent 工具常被包成一套產品。現在可以想像不同的組合：ChatGPT 方案連上 Pi，Pi 再接 Skills、MCP、CLI 或 Browser，最後串成自己的 Workflow。
我也可能在某些工作使用 Claude Code，在另一些工作使用 Codex；需要自訂流程時，再選 Pi、OpenClaw 或 Hermes 等其他 Harness。這些工具的能力和整合方式會隨版本變動，但「模型與執行環境可以分開思考」是更值得留下的觀念。
因此，選 AI Agent 時只問「要用哪一個 AI？」可能不夠。還可以接著問：
- 你使用什麼 Model？
- 你使用什麼 Harness？
- 你裝了哪些 Skills、接了哪些 Tools？
- 這些元件最後如何組成 Workflow？
Harness 也是一條重要的信任邊界
Agent 不只回答問題。依照授權，它可能讀寫檔案、執行指令、連接服務、操作瀏覽器、使用憑證或呼叫 MCP。因此除了問「這顆 LLM 安不安全？」，也要了解「這套 Harness 在我的電腦上能做什麼？」
Harness 決定模型可用的工具和權限，也要負責把操作結果與錯誤交回模型。選擇工具時，可以檢查它會讀取哪些資料、哪些地方會執行 Shell、網路請求送往哪裡、憑證如何保存，以及 MCP 或擴充套件擁有哪些權限。
開源代表多了一個檢查入口，不代表自動安全
Pi、OpenClaw、Hermes 這類開源 Harness 有一個優點：原始碼可以檢查。開源不等於安全，專案仍可能有漏洞，第三方 Skill、Plugin 或 MCP 也可能帶來風險。
但我們可以把「完全不知道它在做什麼」往前推一步，改成檢查它的資料流、Token 儲存、Shell 執行點、網路請求、遙測、相依套件與敏感檔案存取。也能請 Codex 或 Claude Code 協助做安全檢視，再由人確認重要結果。這不能保證百分之百安全，卻增加了理解和審查的機會。
Skill Library 比 Prompt 收藏更容易累積工作方法
我最近整理 Agent Skill 時，越來越不想只收藏「一百個超強 Prompt」。Prompt 容易散落各處；比較有價值的，是把自己的工作方法整理成可重複使用的能力。
例如簡報、文章、社群內容、研究、影片分鏡、資料整理、Vibe Coding 或課程設計 Skill，都可以說明 Agent 遇到這類工作時，先做什麼、要遵守哪些規則、參考哪些資料、輸出成什麼格式，以及如何驗收成果。
每個 Skill 不只是放一句提示詞，而是逐步累積判斷方式與 SOP。這也延伸了我在整理自己的 AI 工作能力庫時的想法：把工作方法留下來，才能在模型更新時繼續使用。
用五層架構理解 AI Agent
剛開始研究 Agent 時，可以先用五層架構來看：
- Model：GPT、Claude、Gemini 等模型，負責理解與推理。
- Harness：Pi、Codex、Claude Code、OpenClaw、Hermes 等工具，負責讓模型在環境中工作。
- Skills：把專業知識、規則與 SOP 包成可重複使用的能力。
- Tools：MCP、CLI、Browser、Computer Use、API 等，讓 Agent 接觸外部工具和資料。
- Workflow：把前面各層組合起來，完成一項真正的工作。
最後產生價值的，通常不是單獨某一顆 LLM，而是 Model、Harness、Skills、Tools 與 Workflow 的組合。
哪些人值得研究 Pi 這類開源 Harness？
如果平常只是偶爾問 ChatGPT 問題，不需要因為一則整合消息就立刻更換工具。但如果已經開始做 AI Coding、MCP、Skills、自動化、長時間任務或多工具工作流，Pi 這類開源 Harness 值得研究。
重點不是把所有工作搬到同一個工具，而是理解模型、執行環境與工作方法可以分開評估，再依任務組合。
Agent 下一戰也許是工作系統
GPT、Claude、Gemini 都會持續更新，模型排行榜也會一直變。我現在更在意的是：工作流程有沒有留下來？Skill 能不能重複使用？工具能不能替換模型？資料能不能掌握？Harness 能不能檢查？Agent 能不能真正完成工作？
以前我會想「選一個最強的 AI，把工作交給它」。現在更傾向先建立自己的 AI 工作系統，再選合適的模型進來工作。
模型會換，Harness 也會進化；更值得自己留下來的，是 Skills、Tools、Workflow，以及累積下來的工作方法。也許以後大家討論 AI Agent，不只問「你用 GPT 還是 Claude？」，還會問「你現在用哪個 Harness？你的 Skill Library 裡有什麼？」
參考資料
- OpenAI：Using your ChatGPT plan in other apps and sites
- OpenAI：Integrating Sign in with ChatGPT in your Open Source App
- Pi：Provider Authentication
- Pi issue #10184：Sign in with ChatGPT 登入回報
常見問答 (FAQ)
Q1：Agent Harness 是什麼？
Agent Harness 是讓模型在電腦與工具環境中執行任務的系統，通常包含上下文管理、檔案與 Shell 工具、權限控制、Agent Loop、錯誤處理及工作狀態等部分。
Q2：使用 Pi 連接 ChatGPT 方案一定要準備 API Key 嗎？
Sign in with ChatGPT 的開源整合可讓符合資格的使用者登入，並在另外授權後使用方案內的 AI 用量，不需要自行建立或提供 OpenAI API Key。是否能使用仍取決於方案資格、工具整合與當下登入狀態。
Q3：Sign in with ChatGPT 會把我的 ChatGPT 對話交給 Pi 嗎？
不會因登入或使用方案用量就取得 ChatGPT 對話或 API Key。登入身分與方案用量授權是不同權限；使用者仍應逐項檢查應用程式要求的權限及其資料處理方式。
Q4：開源 Agent Harness 就代表安全嗎？
不代表。開源讓人有機會檢查原始碼，但不能保證沒有漏洞，也不能替第三方 Skills、Plugins 或 MCP 背書。使用前仍要檢查程式行為、資料流、工具權限與相依套件。
