最近刷到一个访谈视频，Sequoia Capital 访谈演讲 Andrej Karpathy: From Vibe Coding to Agentic Engineering
对当前趋势有一定的参考价值。
用AI分析解读了一下，记录在此。

“I can’t remember the last time I corrected it… I just trusted the system more and more.”

2024 年 12 月，分水岭

Andrej Karpathy 说自己”从未感到作为程序员如此落后”，这话从他嘴里说出来挺吓人的。

但听完他的解释，你会发现这不是谦虚，而是清醒。转折点在 2024 年 12 月——“I would say December was this clear point.”

之前用 AI 写代码， chunk 出来你得改。12 月之后，”the chunks just came out fine and then I kept asking for more and it just came out fine”。

不是渐进式改进，是质变。”I do think that it was a very stark transition.”

Software 3.0：代码本不该存在

Karpathy 把编程范式分了代：

关键洞察在于：”what’s in the context window is your lever over the interpreter that is the LLM.”

他举了个让自己”blew my mind”的例子。他做过一个叫 Menu Gen 的项目：拍餐厅菜单照片，用 OCR 识别菜名，再调用图片生成 API 给每道菜配图，整套系统跑在 Vercel 上。

后来发现 Software 3.0 的版本是什么？直接给 Gemini 发照片，说用 Nanobanana 把菜品图片 overlay 到菜单上。输出就是一张图，完事。

“Actually all of my menu gen is spurious. It’s working in the old paradigm that app shouldn’t exist.”

Vibe Coding vs Agentic Engineering

去年 Karpathy 创造了”vibe coding”这个词。现在他说这不够了。

• Vibe Coding：”raising the floor”，提高下限，人人能做软件
• Agentic Engineering：”preserving the quality bar”，保持专业软件的质量标准

“You’re not allowed to introduce vulnerabilities due to vibe coding. You’re still responsible for your software just as before, but can you go faster?”

Agentic Engineering 的核心问题是：这些 agent 是”spiky entities”，有点不可靠，有点随机，但极其强大。怎么协调它们，在不牺牲质量的前提下加速？

Karpathy 说以前人们聊”10x engineer”，现在”10x is not the speed up you gain… people who are very good at this peak a lot more than 10x.”

可验证性：AI 能力的隐藏边界

为什么 AI 写代码突飞猛进，但会告诉你”50米外的洗车店应该走路去”？

Karpathy 提了一个概念叫 verifiability（可验证性）。传统计算机能自动化”能写成代码”的东西，LLM 能自动化”能验证”的东西。

因为训练这些模型是巨大的强化学习环境，”they are given verification rewards”。所以它们的能力分布是 jagged（锯齿状的）——在可验证领域（代码、数学）突飞猛进，在其他地方”rough around the edges”。

最经典的例子：”how many letters are in a strawberry”（strawberry 里有几个 r），以及”50米外的洗车店，开车还是走路？”——顶级模型会说走路。

“How is it possible that state-of-the-art Opus 4.7 will simultaneously refactor a 100,000 line codebase or find zero day vulnerabilities and yet tells me to walk to this car wash? This is insane.”

对创业者的启示：如果你在可验证领域，可以自己造 RL 环境、做微调，”that is fundamentally technology that just works. You can pull a lever.”

人类还保留什么？

Agent 现在像”intern”——能做具体任务，但需要监督。那人类保留什么？

三样东西：

• Taste（品味）：美学、设计决策
• Judgment（判断力）：高层规划
• Understanding（理解）：系统底层原理，不是 API 细节

Karpathy 举了个例子：Menu Gen 里，agent 试图用 email 地址关联 Google 账号和 Stripe 支付。但用户可以填不同邮箱，于是关联失败。”Why would you use email addresses to try to cross-correlate the funds? This is such a weird thing to do.”

人类必须定义”用持久 user ID”，而不是指望 agent 自己想到。

另一个例子：PyTorch/NumPy 的 API 细节——keepdim 还是 keepdims，dim 还是 axis——“I don’t remember this stuff anymore. This is the kind of details that are handled by the intern.”

但你必须理解 underlying tensor view 和 storage 的关系，不然会不必要地复制内存。

最核心的一句话：”You can outsource your thinking, but you can’t outsource your understanding.“

动物 vs 幽灵

Karpathy 写过一篇文章，说”we’re not building animals, we are summoning ghosts”。

动物智能是进化来的，有内在动机、好奇心。幽灵智能是数据和奖励函数塑造的统计模拟电路。

“If you yell at them, they’re not going to work better or worse.”

这不是说 LLM 没用，而是说你要有正确的预期。它们是工具，不是生命体。”It’s more just being suspicious of it and figuring out over time.”

Agent-Native 的世界

Karpathy 有个”favorite pet peeve”：现在的文档、配置界面全是为人类设计的。

“Why are people still telling me what to do? I don’t want to do anything. What is the thing I should copy paste to my agent?”

未来的基础设施应该是 Agent-Native：传感器 + 执行器。”Describe it to agents first.”

他理想中的测试标准是：给 LLM 一个 prompt，它自动完成部署，你无需碰任何东西。

一句话总结

2024 年 12 月之后，编程从”写代码”变成了”设计规格 + 验证结果”。

Vibe Coding 让所有人都能做软件，Agentic Engineering 让专业的人做得更快、更好。

但贯穿始终的是：你可以外包执行，不能外包理解。否则你 directing 什么？

参考：Andrej Karpathy Interview - From Vibe Coding to Agentic Engineering