跳到主要内容

Karpathy 的 AI 生码观点

Andrej Karpathy 是 "Vibe Coding" 的发明者，也是 AI 编程领域最有影响力的声音之一。他的观点从 2025 年到 2026 年经历了三次重大转变。

核心概念速览​

1. Vibe Coding（2025 年 2 月）​

起源：Karpathy 在 X (Twitter) 上发布了一条 viral tweet：

"There's a new kind of coding I call 'vibe coding', where you fully give in to the vibes, embrace exponentials, and forget that the code even exists."

核心定义：

Vibe Coding = "I just see stuff, say stuff, run stuff, and copy-paste stuff, and it mostly works."

特征：

  • 不关心代码细节，只看结果
  • 用自然语言描述意图，AI 生成代码
  • 遇到错误就告诉 AI 修
  • 适合个人项目、原型验证

影响力：这个词在 2025 年被选为 Collins Dictionary 年度词汇。

Karpathy 后来的反思（2026 年初）：

"Vibe coding is fine for prototypes and personal tools, but serious teams need something more rigorous."

2. Cursor Tab 补全阶段（2025 年 8 月）​

Karpathy 在 2025 年 8 月分享了他的实际工作流：

编码方式占比说明
Cursor Tab 补全~75%"bread & butter"，写代码时的自动补全
手动编写~15%核心逻辑、关键算法
Agent 委托~10%重复性任务（测试、文档）

为什么是 Tab 而不是 Agent：

  • Tab 补全保留了人的控制力和判断力
  • Agent 在那个时候还经常跑偏
  • "writing code with tab completion felt more natural than full agent delegation"

面试考点：这体现了 Karpathy 对人机协作平衡的理解 —— 不是完全交给 AI，也不是完全手写，而是找到中间态。

3. Agent 转向（2025 年 11-12 月）​

这是 Karpathy 最大的一次观点转变。

转折点：2025 年 11-12 月，他从 ~80% 手动编码转向 ~80% AI Agent 生成。

关键数据：

  • 到 2026 年 2 月，他已经 3 个月没有手写过代码
  • 他的项目（llm.c 等）80% 的代码由 AI Agent 生成
  • 他承认："I am starting to atrophy my ability to write code by hand"

2025 年度总结（bearblog）：

  • "Cursor's most notable contribution was demonstrating a new layer of LLM apps through context engineering"
  • "the idea that managing context window is the new paradigm"

面试考点：一个顶级工程师从"手写为主"到"Agent 为主"的转变，说明了工具能力的跃升，而不是程序员能力的贬值。

4. Agentic Engineering（2026 年 2 月）​

Karpathy 在 2026 年 2 月提出了新范式：Agentic Engineering（智能体工程）。

核心观点：

"The agentic engineer does not blindly trust the AI. They understand the code well enough to know when it's wrong."

与 Harness Engineering 的关系：

  • Mitchell Hashimoto 命名的 "Harness Engineering" 侧重约束与反馈系统
  • Karpathy 的 "Agentic Engineering" 侧重人的判断力提升
  • 两者互补：Harness 是系统层面的保障，Agentic 是人层面的能力

5. Software 3.0 愿景​

Karpathy 在 Sequoia Ascent 2026 上提出了 Software 3.0：

代范式编程语言执行方式
Software 1.0传统编程C/Java/PythonCPU 执行编译代码
Software 2.0神经网络梯度下降 + 数据GPU 训练模型
Software 3.0自然语言编程英语/中文AI 模型解释并执行

Software 3.0 的特征：

  • 程序用自然语言描述（Spec）
  • AI 模型负责翻译为可执行代码
  • 人类负责审查和优化
  • 迭代速度比传统开发快 10-100 倍

对 FDE 学习者的启示​

1. 代码能力不是贬值，而是升值​

过去：写代码的速度决定产出
现在：判断代码质量的能力决定产出

不是"不用学代码了"，
而是"更需要懂代码才能判断 AI 生成的对不对"。

2. Context Engineering 是核心技能​

给 AI 的上下文质量，直接决定输出质量。

Context Engineering 包括：
- 项目结构文档（CLAUDE.md / .cursorrules）
- 明确的 Spec（OpenSpec）
- 约束和边界（Harness Engineering）
- 反馈循环（测试 + 评估）

3. Harness Engineering 是安全保障​

AI Agent = Model + Harness

没有 Harness 的 Agent 就像没有刹车的赛车 ——
可能很快，但不可靠。

FDE 需要掌握的 Harness 技能：
- 自动化测试编写
- CI/CD pipeline 配置
- 代码质量门禁
- 渐进式部署

面试应用​

问题："AI 会替代程序员吗？"​

满分回答框架：

1. 引用 Karpathy 的观点演进：
   - 从 Vibe Coding 到 Agentic Engineering
   - 他本人从 80% 手写 → 80% Agent 生成 → 但仍需要深度审查

2. 给出判断：
   - 替代的是"语法层面"的工作（样板代码、模板）
   - 但"架构设计"、"问题分解"、"质量判断"这些能力反而更重要

3. 结合 FDE 岗位：
   - FDE 的核心价值不是写推理代码，而是设计推理系统
   - AI 可以生成 vLLM 配置，但不能决定该用 vLLM 还是 TRT-LLM
   - AI 可以写 benchmark 脚本，但不能设计 benchmark 指标

4. 结论：
   - 不是"AI vs 程序员"，而是"会用 AI 的程序员 vs 不会用的"
   - Karpathy 的 Agentic Engineering 就是这个意思

问题："你平时怎么用 AI 提升开发效率？"​

满分回答框架：

1. 日常编码：Cursor Tab 补全（减少样板代码）
2. 批量操作：Claude Code（文件重命名、CI 配置）
3. 规范驱动：OpenSpec（先写 Spec，再让 AI 执行）
4. 质量保障：Harness Engineering（测试 + 约束 + 反馈）

引用 Karpathy 的数据：75% 的代码可以通过 AI 辅助完成，
但剩下 25% 的架构决策和质量判断，是人的核心价值。

上一节：OpenSpec 项目开发 | 返回工具教程总览