Karpathy 谈 AI 编程未来:从 Vibe Coding 到 Agentic Engineering

大家好，我是玄姐。

PS：

Harness 工程干货直播，欢迎点击预约，直播见。

Andrej Karpathy 曾参与创建 OpenAI，并在 Tesla 领导 Autopilot 视觉团队。去年，他在推特上提出了“Vibe Coding”（氛围编程），随后这一概念被 Collins 词典选为 2025 年年度词汇。2026 年 4 月，他在 Sequoia Capital 的 AI Ascent 活动上，接受合伙人 Stephanie Zhan 的访谈，讨论了 AI 如何彻底改变编程范式，以及下一阶段的“Agentic Engineering”理念。

一、2025 年 12 月：程序员的投降

Karpathy 回忆，2025 年 12 月是他个人的转折点。之前，AI 生成的代码常常需要修补，但那段时间他发现模型输出“直接可用”。从最初只让模型写一点代码，到后来完全信任模型，他进入了所谓的 Vibe Coding 状态：用自然语言持续传达意图，模型生成、修改、调试代码，人不再逐行编写或 diff。

他强调，Vibe Coding 并不是“氛围编程”，而是一种依靠直觉、放手让 AI 推进开发的方式。但这只是第一步：随着模型能力提升，真正值得关注的是 Agentic coherent workflow，即智能体连续规划、执行、调试，并根据环境反馈自主修正。

“过去程序员速度取决于写多少代码，现在速度取决于能否正确指挥强大但会犯错的 Agent。”

二、Software 3.0：大语言模型即新计算机

Karpathy 将软件发展分为三个阶段：

Software 1.0：传统软件，显式代码驱动规则执行。
Software 2.0：神经网络时代，通过训练获得模型权重，而非手写所有规则。
Software 3.0：大语言模型时代，LLM 本身成为可编程计算机。程序不再仅限代码文件，而是一段包含 prompt、context、工具调用和外部环境的“上下文程序”。

他用安装 OpenCL 的例子说明：过去需写复杂 shell 脚本，现在只需给 Agent 一段文字说明，它能根据环境执行、调试，甚至优化流程。新的编程重点，是哪一段文字应复制给 Agent，而不是写多少代码。

三、MenuGen 案例：AI 原生能力超越旧 App

Karpathy 自己开发的 MenuGen App：拍照识别菜单、生成菜品图。Vibe Coding 版本需要多层步骤，但 Software 3.0 下，只需将菜单照片交给 Gemini，指示 Agent 完成任务，最终得到直接渲染的菜单图片。

“整个 MenuGen 在旧范式下都是多余的。AI 本身可以直接覆盖任务。”

这个案例说明，AI 不只是让已有任务更快完成，更重要的是可以实现以前不可能的功能。

四、神经计算机设想：CPU 成为协处理器

Karpathy 设想未来的神经计算机：神经网络成为主流程，CPU 和传统程序成为协处理器，处理确定性任务。场景示例：设备接收视频，神经网络理解场景，实时生成独特 UI。

这种设想不是短期产物，而是一个方向性的心智模型，显示未来软件范式的潜力。

五、LLM 的“锯齿状智能”

Karpathy 强调，LLM 能力高度不均：可以重构 10 万行代码、发现零日漏洞，却可能在常识问题上犯错（如去 50 米外洗车是开车还是走路）。

这种能力不是自然进化，而是实验室训练和 RL 决策的结果。模型在训练覆盖的任务上表现卓越，在分布外任务上可能极弱。

六、Agentic Engineering：保住上限

Vibe Coding 抬高软件创造的下限，让更多人用 AI 做小工具或 side project。Agentic Engineering（智能体工程）则保护专业软件的质量、安全和责任。

工程师需设计、协调、监督多个 Agent，让它们生成代码、跑测试、互相校验，同时保证系统边界、可验证性和回滚机制。熟练运用可带来远超 10 倍的效率提升。

“Agent 是尖刺实体（spiky entities）。强大但会犯错。关键是工程设计，而非盲目信任。”

七、AI-native 工程师的新标准

区别于普通工程师，AI-native 工程师：

会优化自己的 Agent 工作流，配置工具以匹配开发方式。
在招聘中，应通过大项目测试能力，而非算法题。例：构建安全的 Twitter clone，并用 Agent 模拟攻击测试系统。
关注规格（spec）、系统边界和验证机制，而非逐行写代码。

八、“幽灵”与理解的重要性

Karpathy 将 LLM 比作幽灵，不是动物式智能，而是人类文档、统计模式、工具调用和奖励机制塑造的实体。

“你可以外包思考，但不能外包理解。”

细节（API 名称、语法）可交给 Agent，核心概念和系统理解必须掌握。品味、判断和系统设计仍然依赖人类。

九、Agent-first 基础设施

未来工具、文档和服务需要重写：让 Agent 直接理解状态、调用动作、收到反馈，而不是模拟人操作。Karpathy 设想，最终部署 App 只需一句话：“Build MenuGen”，Agent 可全程完成开发、配置和上线。

十、核心洞察

AI 提升下限：Vibe Coding 让更多人能做软件。
AI 保持上限：Agentic Engineering 确保专业软件质量、安全和可维护性。
能力锯齿状：LLM 强项和弱项极端分化，训练覆盖决定优势领域。
理解不可外包：系统结构、底层机制和设计判断仍需人类掌握。
未来范式：Agent-first、Software 3.0 与神经计算机将重塑开发流程和软件架构。

Karpathy 的访谈展示了 AI 编程从“凭感觉”到“智能体工程”的演进路径：不再是单纯加速人类写代码，而是重新定义软件开发的方式、质量边界和人机协作模式。

PS：

Harness 工程干货直播，欢迎点击预约，直播见。

好了，这就是我今天想分享的内容。如果你对构建企业级 AI 原生应用新架构设计和落地实践感兴趣，别忘了点赞、关注噢~

—1—

加我微信

扫码加我👇有很多不方便公开发公众号的我会直接分享在朋友圈，欢迎你扫码加我个人微信来看👇

加星标★，不错过每一次更新！

⬇戳”阅读原文“，立即预约！