Vibe Coding 已死，Agentic Engineering 万岁：Karpathy 在 Sequoia AI Ascent 2026 亲手升级了自己的概念

一、"我从没像现在这样觉得自己落后"

Karpathy 开场第一句话就是：我从来没有像现在这样觉得自己作为程序员落后了。

这话从他嘴里说出来意义不同。他是 OpenAI 联合创始人、Tesla Autopilot 主导者、Eureka Labs 创始人。

转折点是 2025 年 12 月。 他当时在休假，有更多时间尝试最新模型。起初跟之前一样——模型写代码，有时需要修改。然后他发现：

• 代码块直接能用，不需要修改
• 他要了更多，还是能用
• 他想不起来上一次手动纠正是什么时候
• 然后他意识到自己在 Vibe Coding

他强调：很多人对 AI 的印象还停留在 2025 年的"ChatGPT 搜索替代品"阶段。但 2025 年 12 月之后，事情发生了根本性变化，特别是 agentic coherent workflow 真正开始 work 了。

---

二、Software 3.0 不是"更快的编程"——是新的计算范式

阶段	编程方式	人类角色
Software 1.0	手写代码	写规则
Software 2.0	训练神经网络	整理数据集
Software 3.0	Prompting	编写上下文

关键洞察：Software 3.0 不是加速现有软件开发，而是让整类应用"不该存在"。

Menu Gen 的故事（最有力的例子）

Karpathy 做了一个 App 叫 Menu Gen：拍餐厅菜单照片 → OCR 识别菜名 → 调用图像生成器 → 渲染每道菜的图片 → 重新展示菜单。

他 Vibe Coding 了整个 App，跑在 Vercel 上，感觉很好。

然后他看到了 Software 3.0 版本：

把照片发给 Gemini，说"用 Nanobanana 把菜的图片叠加到菜单上。"

一句话。直接输入图片，输出图片。不需要 OCR，不需要图像生成 API，不需要前端渲染，不需要 App——根本不需要 App。

他亲手做的 Menu Gen 在新范式里"不该存在"。

这不是 10% 效率提升。这是整个应用层被消灭。

---

三、Agent 作为安装器——OpenClaw 的例子

传统软件安装：写 bash 脚本 → 针对不同平台膨胀成巨大 shell 脚本 → 还是 Software 1.0 思维。

OpenClaw 的安装方式：一段文本，复制粘贴给你的 Agent。

为什么这更强大：

• Agent 有自己的智能，能理解你的环境
• 遇到问题会自己调试
• 不需要精确拼写每个安装步骤
• 适配所有平台，因为适配逻辑由 Agent 的通用智能处理

新的编程范式问题变成了：给 Agent 的那段文本应该怎么写？

---

四、可验证性（Verifiability）与"锯齿形智能"

Karpathy 花了很多时间思考：为什么 AI 模型这么"锯齿形"（jagged）——在某些领域逆天强大，在另一些领域令人窒息地蠢？

他的框架：

模型在「可验证 + 实验室关注」的交集领域飙升，在交集之外停滞。

原因：

1. 前沿实验室训练这些模型用的是巨型 RL 环境
2. RL 需要验证奖励（verification rewards）
3. 有验证奖励的领域（数学、代码）进步飞速
4. 没有验证奖励的领域保持"粗糙"

洗车悖论（最精彩的反直觉例子）

"我要去洗车，洗车场离我 50 米。我应该开车还是走路？"

当今最强模型（包括 Opus 4.7）会告诉你：走路吧，才 50 米。

同一个模型能重构 10 万行代码库、找零日漏洞，却不理解"你得把车开过去才能洗车"。

国际象棋的启示

GPT-3.5 到 GPT-4 国际象棋能力暴涨。很多人以为是通用能力提升。实际上是 OpenAI 有人决定往预训练集里加了大量国际象棋数据。

启示：我们在某种程度上受制于实验室碰巧放进了什么数据。模型是没有说明书的工具——你得自己探索哪些"电路"被 RL 强化过、哪些没有。

---

五、Vibe Coding vs Agentic Engineering：地板 vs 天花板

	Vibe Coding	Agentic Engineering
目标	抬高所有人的能力地板	在保持质量的前提下提速
用户	所有人	专业工程师
质量标准	"能跑就行"	不能引入漏洞，保持专业标准
速度提升	N/A（从 0 到 1）	远超 10x
性质	民主化	工程纪律

Karpathy 明确说：10x 工程师的时代已经过去了。Agentic Engineering 的倍数远大于 10x。

---

六、招聘必须重构

旧模式：给候选人一个 puzzle，看他在白板上解题。

Karpathy 建议的新模式：

"让候选人用 Agent 工具构建一个 Twitter 克隆。部署上线。 然后我派 10 个 Codex 5.4x（xHigh 模式）去尝试攻破你的网站。 它们不应该能攻破。"

这才是 Agentic Engineering 能力的真正测试：

• 能否协调 Agent 完成大项目
• 部署是否真正可用
• 安全性是否经得起 AI 对手攻击

---

七、人类仍然守住什么——Stripe × Google 邮箱 Bug

Karpathy 分享了一个真实 Bug：

Menu Gen 用 Google 账号注册，用 Stripe 购买积分。Agent 写代码时，试图用邮箱地址来关联两个账户的积分——而不是用持久化的 user ID。

问题：用户完全可以 Google 用一个邮箱、Stripe 用另一个邮箱。Agent 不理解这种"设计级"的错误。

人类仍然守住的是：

• Spec 设计（规格说明）
• 品味（taste）
• 工程判断
• 美学

人类不再需要记住的是：

• PyTorch 的 keep_dims vs keep_dim
• dim vs axis
• reshape vs permute vs transpose

"我已经不记得这些 API 细节了。因为不需要了。但你仍然需要知道底层有一个 tensor view 和 storage 的区别——这样你不会让 Agent 去不必要地复制内存。"

---

八、Agent 原生世界：一切都需要重写

Karpathy 的最大痛点：

​"为什么文档还在告诉我该怎么做？我不想做任何事。告诉我应该复制粘贴什么给我的 Agent。"

他的理想测试：

"我给一个 LLM 一个 prompt：'构建 Menu Gen 并部署。'然后我什么都不碰，它就在互联网上运行了。当这成为可能时，基础设施就是 Agent 原生的了。"

目前最大的摩擦不是写代码——是部署和配置（Vercel、DNS、各种服务的设置页面）。这些都需要被重写为 Agent 友好的接口。

最终愿景：每个人和每个组织都有 Agent 代理。"我的 Agent 跟你的 Agent 谈"来安排会议细节。

---

九、教育的终极问题

一条让 Karpathy "每隔一天就想起来"的推文：

​"You can outsource your thinking, but you can't outsource your understanding." （你可以外包思考，但不能外包理解。）

他仍然觉得自己是系统的瓶颈——需要知道"我们在建什么"、"为什么值得做"、"怎么指挥 Agent"。

理解（understanding）不可外包。 这是因为：

• LLM 不擅长理解（不在 RL 电路里）
• 你不能做一个好的"导演"如果你自己不理解底层发生了什么
• 方向感和判断力来自理解，而非来自处理

他的个人方法：用 LLM 把阅读的文章重新编译成 wiki，用不同的投影方式重新理解同一批信息。这是用 AI 增强理解，而非替代理解。

---

十、反直觉的要点（值得带走的判断）

1. ​"最强的 Agentic Engineer 远超 10x" —— 如果你还在讨论 AI 是否让程序员快 2 倍，你在用错坐标系

2. ​"整类应用不该存在" —— 不要问"AI 能加速这个 App 多少"，问"这个 App 在 Software 3.0 里还需要存在吗"

3. ​"模型的锯齿形不是 bug，是训练方式的直接后果" —— 如果你在某个领域用 AI 效果差，先问"这个领域有没有被 RL 覆盖"

4. ​"Vibe Coding 对专业软件是危险的" —— 它抬高了地板但也引入了漏洞。Agentic Engineering 的纪律是：你仍然对软件负全责

5. ​"部署比编码难 10 倍" —— 2026 年的瓶颈不是写代码，是让代码在真实世界跑起来。谁能让部署变成一句 prompt 谁就赢了

6. ​"招聘必须重构" —— 如果你还在用 puzzle/白板面试招 AI 时代的工程师，你在筛选错误的能力

---

隐藏前提与提防

1. Karpathy 是 AI 建设者，不是用户代言人 —— 他的"从没这么落后"可能因为他用的是前沿（GPT-5.5、Opus 4.7），普通用户可能还在用去年的模型体验

2. Software 3.0 "整类应用消失"的论断需要限定条件 —— Menu Gen 是 demo 级应用，真正的 SaaS 有状态管理、权限系统、支付合规等，不是一句 prompt 能消灭的

3. ​"10x 以上"没有数据支撑 —— 他多次说"从我的视角看远超 10x"，但这是定性观察，不是 benchmark

4. Sequoia 的台上说的话有选择偏差 —— AI Ascent 是 Sequoia 的 AI 年会，台上嘉宾天然倾向于放大 AI 能力（这是为 portfolio 公司鼓劲的场合）

5. ​"理解不可外包"是当前状态，不是永恒真理 —— Karpathy 自己也说"我希望回来时发现理解也被自动化了"，他承认这是暂时的瓶颈

---

对你的行动启示

如果你在用 AI 编程工具：

• 检查你的项目有多少代码"不该存在" —— 不是重构，是整个模块可以被一句 prompt 替代
• 从"写代码"转向"写 spec" —— Agent 需要的不是你告诉它 API 怎么调用，是告诉它"为什么这样设计"
• 探索模型的 RL 电路 —— 在某些领域效果神奇，在另一些领域拉胯，区别在于实验室有没有针对训练。别在没被训练的领域死磕

如果你在招聘工程师：

• 用大项目 + 对抗测试替代 puzzle —— "建一个完整产品并防住 AI 攻击"才是新标准

如果你在做基础设施/开发者工具：

• ​"Agent 原生"是巨大的机会 —— 文档、部署、配置、DNS 都需要被重写为 Agent 可操作的接口。谁先做到谁拿走这个市场