Karpathy 最新演讲：从 Vibe Coding 到 Agentic Engineering，程序员的下一个十年

"你可以外包你的思考，但你无法外包你的理解。" —— Andrej Karpathy

如果你只记住了 Karpathy 的一句话，应该是这句。

2026 年 4 月，红杉资本 AI Ascent 大会上，OpenAI 联合创始人、前特斯拉 AI 负责人 Andrej Karpathy 和红杉合伙人 Stephanie Zhan 进行了一场深度对话。距离他发明"Vibe Coding"这个词才过去一年，但他已经走得更远了——他现在谈论的是 Agentic Engineering。

这场对话信息密度极高，我帮你提炼出最核心的洞察。

一、"我从未觉得自己更落后过"

这句话从 Karpathy 嘴里说出来，分量不轻。

他的转折点在 2025 年 12 月。之前用 AI 编程工具，写出来的代码块经常需要修改，还得人工兜底。但到了 12 月，他突然发现：代码块直接就是对的，他想不起来上一次修正是什么时候了。

"我开始信任这个系统，然后我就在 Vibe Coding 了。"

他强调，很多人对 AI 的认知还停留在 ChatGPT 时代——你必须在 2025 年 12 月之后重新审视，因为质变已经发生了，尤其是在 agentic 的连贯工作流上。

二、Software 3.0：你不再写代码，你写的是"给 Agent 的指令"

Karpathy 把软件演进分为三个时代：

• Software 1.0：写代码（if/else、循环、函数）
• Software 2.0：写数据集，训练神经网络（编程变成了"调数据+调架构"）
• Software 3.0：写 prompt，上下文窗口就是你的编程接口

他举了一个让人拍案的例子：

OpenClaw 的安装方式。 传统的安装应该是一个 bash 脚本，要适配各种平台变得极其复杂。但 OpenClaw 的安装方式是——一段文本，复制粘贴给你的 Agent。Agent 有自己的智能，它会看你的环境、你的系统，自己搞定安装和调试。

"这就是 Software 3.0 的编程范式：你要想的是'给 Agent 复制粘贴什么文本'。"

更极端的例子是他的 Menu Gen 项目。他花了很多时间写一个 App：拍菜单照片 → OCR 识别 → 图片生成器生成菜品图片 → 展示。结果他发现，用 Gemini 直接把照片扔给它说"把菜品图片叠加到菜单上"，一步到位，整个 App 都不需要存在。

"我的 Menu Gen 是用旧范式做的，那个 App 不应该存在。"

三、Vibe Coding vs Agentic Engineering：两件完全不同的事

这是整场对话最关键的区分：

Vibe Coding = 降低门槛。每个人都能 Vibe Coding，天花板抬高了，这是好事。

Agentic Engineering = 保持质量。你不允许因为 Vibe Coding 而引入安全漏洞。你仍然对软件质量负责，但你能更快。

"Vibe Coding 是抬地板，Agentic Engineering 是保天花板。"

Karpathy 认为 Agentic Engineering 是一个真正的工程学科。Agent 是"尖锐的实体"——能力很强但有点脆弱、有点随机。如何协调它们在不牺牲质量的前提下加速？这是 Agentic Engineering 要回答的问题。

他的判断：以前说 10x 工程师，现在远不止 10x。 精通 Agentic Engineering 的人，生产力提升是数量级的。

四、LLM 不是动物，是幽灵

Karpathy 写过一篇广为流传的文章，说我们应该把 LLM 想象成**幽灵（Ghost）**而不是动物。

动物有进化塑造的内在动机、好奇心、求生本能。LLM 没有这些。它们是被"召唤"出来的统计实体——底层是预训练的统计规律，上面叠加了强化学习。

"你对它们喊叫不会有任何效果。"

这个框架为什么重要？因为它帮你建立正确的使用心智模型：

• 不要期待 LLM 有"常识"——它只有训练数据覆盖到的领域
• 不要假设它在所有领域都强——它是锯齿状的（Jagged）
• 你需要保持在回路中，因为它在某些地方强得惊人，在另一些地方蠢得离谱

关于"锯齿状智能"的经典例子

"Opus 4.7 能重构 10 万行代码库、能找到零日漏洞，但同时它会告诉你 50 米外的洗车店应该走着去。"

这怎么可能？答案是：模型的能力高度依赖训练数据中的强化学习覆盖范围。 在 RL 覆盖的电路里，它飞速前进；在 RL 没覆盖的电路里，它原地打转。

Karpathy 的建议：你必须亲自探索这个没有说明书的工具，搞清楚你的应用在哪些电路上，如果不在，就得自己做微调。

五、可验证性决定自动化的速度

Karpathy 的核心框架：AI 会更快、更容易地自动化那些输出可以被验证的领域。

• 数学、代码——输出可以验证，所以被自动化得最快
• 棋类——GPT-3.5 到 GPT-4 棋力大幅提升，不是因为"自然进步"，而是有人把大量棋类数据塞进了预训练集

对创业者的启示：如果你在一个可验证的领域，即使大厂没关注到，你也可以自己做微调，因为强化学习的技术本身是通用的——只要你有足够多样的 RL 环境和数据集。

六、什么变得更有价值？

当 Agent 做更多事的时候，什么人类技能反而更值钱？

品味、判断力、审美。

Karpathy 举了一个生动的例子：他的 Menu Gen 项目用 Google 账号登录，用 Stripe 账号付费，两个都有邮箱地址。Agent 居然尝试用邮箱地址来关联用户——但如果用户用了不同的邮箱呢？

"这种事 Agent 还是会搞错。为什么你会用邮箱地址来交叉关联资金？这太蠢了。"

你必须负责设计规范（Spec）。 不是 Plan Mode，而是更根本的东西——你和 Agent 一起设计一个详细的规范文档，然后让 Agent 去实现。你在顶层做监督和分类判断，Agent 在底层填充细节。

"你不需要记住 keepdims 还是 keep_dim，但你必须知道底层有一个张量、有一个视图、有共享存储和独立存储的区别。API 细节交给 Agent，基本原理留在你脑子里。"

七、招聘应该彻底改变

Karpathy 认为大多数公司的招聘流程还停留在旧范式——给候选人出编程题。

他的建议：

"给我一个真正的大项目。比如让候选人用 10 个 Codex 5.4 实例写一个 Twitter 克隆，然后让 Agent 模拟用户活动，再让其他 Agent 尝试攻破这个网站。看它能不能被攻破。"

这才是 Agentic Engineering 时代的面试方式。

八、可以外包思考，但不能外包理解

最后关于教育和学习，Karpathy 引用了一条让他"每隔一天都会想起来"的推文：

"你可以外包你的思考，但你无法外包你的理解。"

信息仍然需要进入你的大脑。你仍然是系统的瓶颈——你要知道我们在构建什么、为什么值得做、如何指挥 Agent。

他用 LLM 知识库项目举例：每次看到信息的不同投影，他都能获得新的洞察。这些工具本质上是在增强理解，而理解仍然是不可替代的。

"LLM 在理解方面并不擅长。你仍然独一无二地负责这件事。"

我的总结：Karpathy 给我们的三个行动建议

1. 重新审视你的工具链 — 如果你还在 2025 年之前的方式使用 AI 编程，你已经落后了。现在就去试试 Agentic 工作流。

2. 投资你的"规范设计"能力 — 写 Spec 比写代码更重要。能把问题定义清楚、验收标准写清楚的人，在这个时代最值钱。

3. 保持理解的深度 — 不要因为 AI 能做就跳过学习。基本原理、系统思维、架构直觉——这些是你的护城河。

本文基于 Andrej Karpathy 在红杉资本 AI Ascent 2026 的对话整理。原视频：YouTube

UseClaw 持续记录 OpenClaw、Agent 与数字员工的真实案例、方法和产品化实践。 了解更多：https://useclaw.net/