跳到主要内容

Karpathy 的范式跃迁：Vibe Coding 是起点，Agentic Engineering 是终点

Summary​

Saito 复盘 Karpathy 最新一期访谈：Karpathy 自己在 2024 年提出 Vibe Coding 后，2025 年 12 月遇到了"作为程序员从未感觉这么落后过"的真实分水岭——最新模型可以连续完成大块工作几乎不需要纠正。核心论点：AI 正在从加速工具变为全新计算范式。框架是 Software 3.0——prompt + context window 本身就是编程，LLM 是新的"计算机"，编程从写代码变为组织输入。两个直观案例：OpenClaw 安装从复杂 shell 脚本变为一段 prompt；MenuGen 从完整应用变为拍照丢给 Gemini。理解能力的两把钥匙：Jagged Intelligence（锯齿状智能） 解释能力极不均匀，Verifiability（可验证性） 解释为什么差异如此巨大——可验证的任务能被 RL 反复优化。Vibe Coding（降门槛）和 Agentic Engineering（保标准+提百倍速）是两个阶段，10x engineer 已不够。给创业者的方向：找"高度可验证但还未被重点优化"的空白领域。人类的护城河缩到三个：品味、判断、理解。"理解无法外包，但思考过程可以外包"。

Key Concepts​

  • Vibe Coding — Karpathy 2024 提出，"凭感觉写代码"，门槛大幅降低的写代码方式
  • Agentic Engineering — 2025-12 进化版本，保持专业软件标准（安全/可靠）+ agent 提速远超 10×
  • Software 3.0 — 三代范式：1.0 手写规则 → 2.0 训神经网络 → 3.0 prompt + context window 本身就是编程
  • LLM 是新计算机 — 编程从"写精确程序"变为"在信息空间组织输入"
  • Jagged Intelligence 锯齿状智能 — 能力在不同任务上极不均匀（代码强 vs 50米开车走路弱）
  • Verifiability 可验证性 — 解释 Jagged Intelligence 的根因：可验证 = 能被 RL 反复优化
  • 2025 12 分水岭 — Karpathy 个人体验的真实拐点，"想不起上次需要改 agent 是什么时候"
  • 10x 不够论 — 真正掌握 agentic engineering 的工程师效率远超 10×
  • 品味 判断 理解 — 人类剩下的核心能力：方向、审美、把控
  • 理解外包不了，思考可以外包 — 用 LLM 加速建立理解，但理解本身只能由人完成
  • 可验证空白区 — 创业方向：找"高度可验证但还未被大模型公司重点优化"的领域
  • Agent native 设计 — 系统从一开始就为 agent 设计，prompt/传感器/执行接口直接服务 agent

Tags​

karpathy, vibe-coding, agentic-engineering, software-3.0, jagged-intelligence, verifiability, paradigm-shift, ai-native, agent-design

Detailed Content​

时间线：从工具到范式​

2024-Q3：Karpathy 提出 Vibe Coding（凭感觉写代码）
   ↓
2025-12：分水岭——agent 能连续完成大块工作几乎不需纠正
   ↓
2026-Q2：Karpathy 公开承认"作为程序员从未感觉这么落后过"
   ↓
现在：从 Vibe Coding 跃迁到 Agentic Engineering

关键变化：从"写一段、人改一段"到"一直让它做、它一直对"。

Software 三代范式​

范式核心动作编程对象
1.0手写规则代码计算机指令
2.0准备数据集训练神经网络权重
3.0prompt + context window信息空间

Software 3.0 的认知颠覆：

  • LLM 不只是工具，而是一台新的"计算机"
  • 你不再写精确程序，而是通过上下文去"指挥"它完成计算
  • 编程的本质从写代码变为组织输入

两个案例的范式对比​

任务旧范式（1.0/2.0）新范式（3.0）
OpenClaw 安装跨平台 shell 脚本，处理环境差异一段 prompt 给 agent
MenuGen 应用OCR + 图像生成 + Vercel 部署拍照丢给 Gemini，一句指令

关键洞察：很多现有软件其实是旧范式下的中间产物——在新范式里已经没有存在的必要。

Jagged Intelligence + Verifiability：理解能力的两把钥匙​

Jagged Intelligence（锯齿状智能）​

模型能力极不均匀：

维度表现
代码 / 数学 / 高度可验证领域极强
常识 / 审美 / 生活判断很弱

经典反例："50 米去洗车，应该开车还是走路？" → 模型可能给出离谱答案。

Verifiability（可验证性）解释了 Jagged​

[ 可验证任务 ]                  [ 不可验证任务 ]
  ↓                              ↓
有明确正确/错误                  没有标准答案
  ↓                              ↓
能构建 RL 环境                   无法用 RL 反复打磨
  ↓                              ↓
模型反复优化                      只靠预训练
  ↓                              ↓
能力快速爆发                      进步缓慢
  ↓                              ↓
重构十万行代码 / 发现零日漏洞    50 米开车还是走路出错

这一对概念几乎能预测未来 2-3 年所有 AI 应用的发展速度。

Vibe Coding vs Agentic Engineering：两阶段​

维度Vibe CodingAgentic Engineering
受众所有人（包括非程序员）专业工程师
目标大幅降低门槛数量级提速
标准能跑就行保持专业软件标准（安全/可靠）
工作流凭感觉写、随时改系统化的 agent 协作
提速倍数数倍远超 10×

过去说 10x engineer 已经不够了。 真正掌握 agentic engineering 的人，效率提升远远不止 10 倍。

人类剩下什么？​

短期三大能力：

能力含义
品味（Taste）知道什么是好、什么不行
判断（Judgment）选择方向、做权衡
理解（Understanding）把握整体、识别异常

关键反例：agent 用 email 匹配 Stripe 和 Google 账号导致资金关联失败——常识错误必须由人兜底。

关键格言​

理解无法外包，但思考过程可以外包。

含义：

  • LLM 可以代替你做大量推导和探索（思考过程外包）
  • 但最终是否真懂、是否做对判断，必须自己完成（理解不可外包）

给创业者的方向​

找"高度可验证但目前还没被模型重点优化"的领域。

为什么这是好方向？

高度可验证 → 能构建 RL 环境
未被重点优化 → 数据/反馈环节空白
  ↓
进入 → 投入 RL → 能力爆发
  ↓
形成数据飞轮护城河

反例：在已经被大模型公司重点投入的赛道（通用编程、通用对话）竞争，是 zero-sum 游戏。

正例的特征：

  • 任务结果有客观判定标准
  • 训练数据稀缺或专有
  • 大公司没有强动机覆盖

关于未来的判断​

1. Agent-native 设计​

系统从一开始就为 agent 设计，很多内容不再是给人类阅读，而是直接服务于 agent：

  • prompt（人类可读但是为 agent 准备）
  • 传感器（agent 的输入接口）
  • 执行接口（agent 的动作接口）

2. Agent 间通信​

agent 代表个人或组织，彼此之间直接沟通并完成事务——MCP / A2A 协议是这个方向的早期形态。

3. 教育的重心转移​

旧教育新教育
记忆 API 细节培养理解和判断
学语法学组织上下文
优化具体任务执行优化"想清楚要什么"

API 细节 agent 比人记得更清楚——记忆型学习被持续贬值。

战略启示​

1. 范式跃迁的判断​

如果 2025-12 的"分水岭"判断成立，那么：

  • 2026 年专业软件团队的工作流应该已经在大幅重构
  • 还在用"agent 写一段 + 人改一段"模式的，本质是用旧范式做新事情
  • 真正的红利在完全 agent-native 的工作流重构

2. 与 Hermes / AHE 的呼应​

最近知识库中的 Hermes Agent vs 主流 CLI Agent 横向对比（15 维度） 和 AHE：Agent 自进化优化 Harness 的可观测性框架 都在解决同一个问题的不同侧面：

  • Hermes：架构层面让 Agentic Engineering 落地（全栈 Harness）
  • AHE：方法层面让 Harness 自动进化（不用手工调）
  • Karpathy：世界观层面为什么这件事重要（Software 3.0 + Verifiability）

三者合起来 = 当下 Agentic Engineering 实践的完整地图。

3. 理解的优先级​

理解无法外包

这句话的实操含义：永远要花时间真正读懂 agent 给你的产出——不是"差不多就行"地接受，而是用工具（包括 LLM）加速你的理解过程，但最终判断必须自己做。

否则你不是用 AI 工作，是被 AI 牵着走。

  • Karpathy 2025年度回顾：RLVR、Cursor、Claude Code与Vibe Coding — Karpathy 2025 年度回顾
  • Karpathy microGPT - 纯Python零依赖的最小GPT实现 — Karpathy 的纯 Python microGPT
  • Karpathy LLM Wiki - 个人知识库的自演化模式 — Karpathy 个人知识库
  • Karpathy AutoResearch - AI自主机器学习研究 — Karpathy AutoResearch 自主 ML
  • Andrej Karpathy：代码智能体、AutoResearch 与 AI 循环时代 — Karpathy 代码 agent 与 AI 循环
  • 大模型的下半场：从 Reasoning Thinking 到 Agentic Thinking — 从 Reasoning 到 Agentic 思考
  • AHE：Agent 自进化优化 Harness 的可观测性框架 — AHE 自进化 Harness（方法层）
  • Hermes Agent vs 主流 CLI Agent 横向对比（15 维度） — Hermes 全栈 Harness（架构层）
  • Hermes Agent万字系统提示词深度解析 — Hermes 系统提示分析
  • 少即是多：高效 Agent 构建方法——Skills 优于 agent.md，先干活再封装 — Saito 自己关于 Less is More 的 Agent 文章
  • AI Native Human：认知暴力重装——三次基因突变 — AI Native 人类认知突变
  • 历史上生产力爆发时伴生的规律（AI 时代的启示） — AI 时代生产力爆发模式
  • 把自己当成一家公司来经营：个人商业画布 — 把自己作为公司运营框架
  • AI时代求职：从Push到Pull策略 — AI 时代求职 Pull 策略