夜雨聆风
深度|红杉资本2026 AI Ascent:Software3.0时代与智能体工程
核心观点：2025年12月是智能体能力拐点。从那时起，编程的默认工作流发生了根本性变化：程序员不再是逐行写代码的人，而是协调多个智能体的系统架构师。我们正在步入Software 3.0时代，程序不再通过传统的编码方式构建，而是借助提示词、上下文、工具链以及可验证的反馈循环来“编译”而成。当AI能够独立完成从功能实现到服务部署的完整链条，真正的稀缺能力便不再是编码速度，而是判断“什么值得做”以及“如何确保正确性”。
Andrej Karpathy，前OpenAI创始成员、特斯拉AI高级总监，现独立研究者。2026年4月，他在红杉资本AI Ascent 2026大会上与红杉合伙人Stephanie Zhan进行对话，系统阐述了对AI Agent、软件开发范式转移以及创业机会的最新思考。
一、智能体拐点：2025年12月
Karpathy坦言，作为程序员，他从未像现在这样感到“落后”。原因并非编程在传统意义上变得更难了，而是默认的工作流程已经彻底改变。
2025年的大部分时间里，像Claude Code、Codex以及Cursor这类智能体虽然已经很有用，但仍然需要频繁的人工修正。转折大约发生在2025年12月，他感受到一次质的飞跃：生成的代码块变得更大、更连贯、更可靠。从这之后，他开始放心地把更多工作委托给智能体。
编程的“基本单元”正从逐行敲代码，转变为委派任务：
-
实现某个功能
-
重构某个子系统
-
调研某个库
-
配置某个服务
-
编写测试、运行并修复失败
-
对比多种方案并给出计划
这意味着，程序员正在从“写代码的执行者”转变为“协调智能体的架构师”。
二、Software 3.0：上下文窗口即新程序
Karpathy将软件演进划分为三个阶段：
-
Software 1.0：人类编写显式代码（如C、Python）。
-
Software 2.0：人类创建数据集与目标函数，由神经网络学习出程序（即深度学习）。
-
Software 3.0：人类通过提示、上下文、工具、示例、记忆和指令来“编程”LLM。
在Software 3.0中，上下文窗口成为了主要的操控杠杆，LLM则充当运行在数字信息之上的解释器。
以软件安装为例。过去要在不同环境中安装一个复杂工具，你需要写一个满是条件分支、极易出错的shell脚本。而在Software 3.0的世界里，安装器可以变成一段文本指令，直接交给智能体执行，智能体会读取本地环境、调试错误、适配机器配置，最终完成安装。这是一种全新的程序形态，虽然不那么精确，却拥有极强的适应性。
三、传统软件可能正在消失
Karpathy以MenuGen为例，揭示了更深层的变化。
MenuGen是一款传统Web应用：拍摄菜单照片，OCR识别菜名，生成菜品图像，再渲染到用户界面上。它依赖前端代码、API、图像生成、部署、认证、支付、密钥、基础设施等一套复杂的软件栈。
后来他看到了Software 3.0版本：直接拍摄菜单照片，将其交给一个多模态模型，并给出指令“把菜品图像渲染到菜单照片上”。在这个版本中，大部分应用逻辑消失了，神经网络直接将输入媒体转换为输出媒体。旧的软件栈只是围绕这一转换的脚手架，而如今模型自身便足以完成。
对创业者而言，AI不仅仅是加速构建旧应用的更高效工具，甚至有些app本身，就不应该再以app的形态存在。
四、可验证性：AI为何在某些领域跑得特快
Karpathy给出了一个自动化框架：
-
传统软件自动化的是“你能精确指定”的东西
-
LLM与强化学习自动化的是“你能验证”的东西
因此，创业者需要问：你的任务是否在模型的“轨道”上？如果任务是可验证且被大量训练的，模型会表现出色；否则，它可能在基础问题上就会失败。你可能需要提供更好的上下文、更合适的工具进行微调，建立自己的评估体系(evals)，甚至搭建自己的强化学习环境。
六、Vibe Coding与Agentic Engineering
-
Vibe coding：提升了下限，让几乎任何人通过自然语言描述就能创建软件。适合原型和个人工具。
- Agentic engineering：提升了上限，是专业人员在协调易错的智能体时，同时保持正确性、安全性、品味和可维护性的学科。
Vibe coding对于原型和个人工具来说没问题，但Agentic engineering才是严肃团队所需要的。
智能体工程师不会盲目接受生成的代码，他们会设计规范、监督计划、审查代码差异(diff)、编写测试、创建评估闭环、管理权限、隔离工作区、把控最终质量。
所以，前沿技能不是死记每个API的细节，而是理解底层概念：存储、视图、内存拷贝、不变量、身份、安全边界、系统的整体形态。
七、招聘方式应该如何改变
如果Agentic engineering成为新的专业技能，招聘就应该直接测试这项能力。
传统的编程面试越来越不匹配。更好的面试可能是：让候选人使用智能体搭建一个有实质性的项目，部署它，确保安全，然后让对抗性智能体尝试攻破它。
-
能否为智能体合理分解工作任务？
-
能否写出清晰有用的规范说明？
-
能否在快速推进的同时保持代码质量？
-
能否敏锐地审查生成的作品？
-
能否有效地加固系统安全？
-
能否真正把智能体当作杠杆，而不是制造混乱？
八、创业者应该寻找有价值、可验证的环境
对创业者而言，一个重要机会是找到那些具有高价值、可验证但尚未被前沿实验室充分训练过的领域。
如果你能创建一个特定领域的环境，让模型可以在其中尝试动作并获得可靠的奖励信号，那么即使基础模型在该领域并不出色，你也能通过微调或强化学习来提升其性能。
最显而易见的领域，比如编程和数学，已经被各大实验室重点投入。但许多具有重要经济价值的领域可能潜藏着可验证的结构，尚未被发掘，而这正是创业公司可以切入的方向。
九、为智能体设计，而非只为人
大多数软件仍然是为人通过屏幕点击而设计的，文档里写着“访问这个URL、点击这个按钮、打开这个设置面板”。但越来越多的时候，直接用户可能不再是人类，而是人类派出的智能体。
这意味着产品需要Agent-native界面：
-
Markdown文档
-
CLI（命令行界面）
-
API
-
MCP服务器
-
结构化日志
-
机器可读的数据模式(schema)
-
可直接复制粘贴的智能体指令
-
安全的权限管理
-
可审计的操作记录
-
无头(headless)部署流程
结语
这场对话的核心论点并不是“AI让每个人更快地做旧工作”。而是工作本身正在围绕智能体重组。软件、研究、教育、基础设施、知识工作，都在走向同一种模式：人类设定目标、设计约束、提供可验证信号，然后让智能体在安全边界内自主执行。
当“写代码”的成本趋近于零，真正的稀缺资源变成了“判断该写什么”。当上下文窗口成为新程序，理解系统边界、安全、品味和那些不可验证的模糊地带，就成为了人类无法外包的最后堡垒。AI不会取代工程师，但它会彻底重新定义“谁才是工程师”，以及“工程师到底在做什么”。
对于创业者而言，Karpathy的洞察给出了几个明确的行动方向：寻找那些可验证、具备高价值但尚未被大实验室充分训练的领域；构建面向智能体原生的界面，而非只为人设计的界面；以及最重要的一点，培养自己成为一名能够驾驭智能体的“系统架构师”。
