2025年2月，Andrej Karpathy发了一条推文，给一种新的编程方式命名为"Vibe Coding"。这个词后来成了Collins Dictionary的年度词汇，重塑了创业文化和开发者社区。但仅仅一年后，在Sequoia Capital的AI Ascent 2026大会上，这个概念的开创者自己说：Vibe Coding已经不够了。
他提出了一个更具革命性的概念——Agentic Engineering（代理工程）。这不是一个简单的术语更新。这是Karpathy对整个软件开发范式的一次重新定义：编程的核心动作，正在从"写代码"变成"编排AI代理"。
更令人震撼的是他开场的一句话："我从来没有像现在这样觉得自己作为一个程序员已经落伍了。" 说这话的人，是OpenAI的联合创始人、Tesla Autopilot的前负责人、Eureka Labs的创始人。如果连Karpathy都觉得自己落后了，那我们这些普通开发者该怎么办？
这个约50分钟的对话，可能是2026年至今对"编程将走向何方"这个问题最深刻、最系统的回答。
| 项目 | 内容 |
|---|---|
| 视频标题 | Andrej Karpathy: From Vibe Coding to Agentic Engineering |
| 频道 | Sequoia Capital |
| 时长 | 约50分钟 |
| 播放量 | 数百万级别 |
| 核心主题 | AI如何将编程从"写代码"重构为"编排智能代理" |
| 活动背景 | Sequoia AI Ascent 2026 炉边对话 |
| 对话主持 | Stephanie Zhan（Sequoia Capital合伙人） |
Karpathy描述了一个非常具体的时间节点。他说，在2025年大部分时间里，Claude Code、Codex、Cursor等工具确实有用，但仍然需要频繁的人工修正。到了2025年12月前后，他感受到了一个阶跃式的变化： AI生成的代码块变得更大、更连贯、更可靠，他开始真正信任AI代理完成更多工作。
这里的"阶跃"不是渐进式的改进，而是质变。他举例说，编程的基本单位从"敲几行代码"变成了"委派宏动作"：
我的延伸分析： 这个时间节点与Claude 3.5 Sonnet的升级周期以及OpenAI o系列推理模型的推出高度吻合。值得注意的是，Karpathy用的是"trust"（信任）这个词，而非"speed"（速度）。这意味着瓶颈不在于AI生成代码的速度，而在于开发者对AI输出的信任度——当信任度跨过某个阈值，工作流就彻底变了。
Karpathy提出了一个优雅的进化框架：
在Software 3.0的世界里，上下文窗口（Context Window）成了主要的编程杠杆。 LLM充当上下文的"解释器"，对数字信息执行计算。
他给了一个绝妙的例子：安装软件。 在传统世界里，为多种环境编写安装脚本需要大量条件判断（if Linux... if macOS... if ARM...），总是脆弱不堪。在Software 3.0的世界里，安装可以是一段"指令文本"——你把它粘贴给AI代理，代理会读取本地环境、调试错误、适配机器、完成设置。这不再是精确的传统程序，而是更具适应性的"智能程序"。
我的延伸分析： 这个框架的精髓在于，Software 3.0并不意味着前两个范式的消亡，而是叠加。就像Software 2.0（深度学习）并没有消灭Software 1.0（传统编程），而是吞噬了其中一部分（图像识别、语音识别、翻译），Software 3.0也会吞噬Software 1.0和2.0中的一部分任务。关键问题是：你的工作属于被吞噬的那部分，还是保留的那部分？
Karpathy用自己的项目MenuGen来展示一个更深层的转变。MenuGen的原始版本是一个传统Web应用：拍一张餐厅菜单照片，OCR识别菜名，生成菜品图片，渲染UI。它需要前端代码、API调用、图像生成、部署、认证、支付、密钥管理和基础设施——一个完整的软件工程。
但后来他看到了Software 3.0版本： 拍一张菜单照片，交给多模态模型，让它直接在菜单图片上渲染菜品图像。在这个版本里，大部分"软件"消失了。 神经网络直接将输入媒体转化为输出媒体，原来的软件栈不过是围绕模型能力的"脚手架"。
"AI不仅仅是构建旧应用的一种更快方式。某些应用应该停止作为应用存在。" ——Karpathy
我的延伸分析： 这个洞察对创业者和开发者的冲击是巨大的。如果你正在花大量时间构建的Web应用，本质上只是在AI能力周围搭建UI脚手架，那么你的护城河可能比你想象的要浅得多。但反过来说，这也意味着那些真正需要复杂系统设计、安全边界、业务逻辑的应用，其价值反而在上升。
Karpathy提出了一个简洁而强大的框架：
传统软件自动化你能"指定"的东西。LLM自动化你能"验证"的东西。
如果一个任务有自动的成功信号，模型就可以通过练习来提升。这就是为什么数学、编程、测试、基准测试、游戏和许多工程任务进展如此之快——它们都是可重置、可重复、可奖励的。
这也解释了为什么编程代理的体验比普通聊天机器人好得多：编程天然给模型提供反馈——测试通过或失败，程序运行或崩溃，diff可以检查，基准可以度量。
他进一步给出了一个粗糙但实用的公式：
能力跃迁 ≈ 可验证性 × 训练关注度 × 数据覆盖度 × 经济价值
我的延伸分析： 这个公式对个人职业规划有直接指导意义。如果你做的工作是高度可验证的（有明确的对错标准）、数据丰富的、经济价值高的，那么AI大概率会很快擅长。如果你做的工作涉及大量隐性知识、模糊判断、不可量化的人际互动，那么短期内你的工作相对安全。但"安全"不意味着不变——它意味着你需要学会用AI来增强这些不可替代的部分。
这是整个对话的核心区分：
| 维度 | Vibe Coding | Agentic Engineering |
|---|---|---|
| 目标 | 提高下限——让几乎所有人都能创建软件 | 提高上限——专业地协调AI代理 |
| 适用场景 | 原型、个人工具、快速实验 | 生产系统、团队协作、商业产品 |
| 人类角色 | "告诉AI你想要什么" | 设计规格、监督计划、审查diff、编写测试、创建评估循环 |
| 代码质量 | 不保证正确性、安全性、可维护性 | 保留正确性、安全性、品味和可维护性 |
Karpathy用自己的一个bug来说明这个区别：AI代理尝试用邮箱地址匹配Stripe购买记录和Google账户。这段代码看起来合理，但系统设计是错的——Stripe的邮箱和Google登录邮箱可能不同。人类需要足够的产品和工程判断力，坚持使用持久的用户ID。
"前沿技能不再是记住每个API的细节——代理可以替你记住。人类仍然需要理解底层概念：存储、视图、内存拷贝、不变量、身份、安全边界和系统形态。" ——Karpathy
我的延伸分析： 这可能是整个对话中对开发者最有实践价值的洞察。它回答了一个所有人都关心的问题："在AI时代，开发者应该学什么？"答案不是"学更多编程语言"或"学AI模型"，而是深化系统思维、安全意识和产品判断力。那些能理解"为什么"的人，将比只会"怎么做"的人更有价值。
Karpathy认为，如果Agentic Engineering是新的专业技能，那招聘就应该直接测试它。传统的代码面试题（LeetCode式的算法题）越来越不匹配实际工作。
他建议的新面试方式：用AI代理构建一个实质性的项目，部署它，保证安全，然后让对抗性代理攻击它。
这测试的是真正的技能： - 你能把工作分解给代理吗？ - 你能写出有用的规格说明吗？ - 你能在快速移动中保证质量吗？ - 你能审查AI生成的代码吗？ - 你能保护和加固系统吗？
他还预言，旧的"10倍工程师"概念可能变得更加极端——掌握代理工作流的人可能远超10倍地超越其他人。
Karpathy指出，大多数软件仍然为"人类点击屏幕"而设计。文档写的是"去这个URL，点击这个按钮，打开那个设置面板"。但越来越多的"用户"不是人类直接操作，而是人类指挥的AI代理。
这意味着产品需要Agent原生的界面： - Markdown文档 - 命令行工具（CLI） - API接口 - MCP服务器 - 结构化日志 - 机器可读的Schema - 可复制的Agent指令 - 安全的权限管理
"未来技术栈是代理代表人类和组织使用传感器和执行器。" ——Karpathy
Karpathy提出了一个重要的认知框架：LLM不是动物。 它们没有生物驱动力、没有具身生存压力、没有好奇心或内在动机。它们是人类产物的统计模拟，由预训练、后训练、强化学习、产品反馈和经济激励塑造而成。
"这些系统可能在一瞬间表现出天才，下一刻又表现得荒谬愚蠢。它们不是平滑的人类思维。它们是锯齿状的、异质性的工具。" ——Karpathy
正确的态度既不是全盘否定，也不是盲目信任，而是经验性的熟悉：学习它们在哪里有效、在哪里失败、为什么会被这样训练、如何为它们构建护栏。
mindmap
root((Karpathy: 编程范式跃迁))
核心框架
Software 1.0: 写代码
Software 2.0: 训练权重
Software 3.0: 编程上下文窗口
两种模式
Vibe Coding
提高下限
原型和个人工具
不保证质量
Agentic Engineering
提高上限
生产级系统
编排+验证+护栏
关键洞察
可验证性驱动AI进步
某些应用应该消失
上下文窗口是新程序
锯齿智能而非平滑进步
行动指南
深化系统思维
学习Agent编排
构建Agent原生基础设施
保留人类理解力
Karpathy的框架给出了一个清晰的职业发展路线图。不要再花时间记忆API细节和语法糖——AI代理已经比你更擅长这些。你应该把精力集中在以下领域：
Karpathy的公式（能力跃迁 ≈ 可验证性 × 训练关注度 × 数据覆盖度 × 经济价值）直接指向了一个创业方法论：找到那些有明确对错标准、有经济价值、但大实验室还没大量训练的领域。 编程和数学已经被大厂盯上了，但很多垂直行业（法律合规审查、医疗诊断辅助、工程质量检测等）可能存在大量"可验证但未被开发"的机会。
Karpathy最后谈到教育时说了一句值得刻在墙上的话：
"你可以外包你的思考，但不能外包你的理解。"
即使AI做更多工作，人类仍然需要理解来指导它们。你需要知道什么值得建、什么问题重要、什么结果可疑、什么权衡可以接受。这意味着教育不应该教"如何写代码"，而应该教"如何理解系统"。
编程的核心动作正在从"写代码"变为"编排AI代理"——你的新角色不是码农，而是AI交响乐团的指挥，而理解力是你唯一不能外包的乐器。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。