Claude Code 和 Codex 出来这一年多，我几乎每天都在用。刚上手那阵非常兴奋，写代码确实快了不少。但用的时间越长，反而越经常冒出一种说不清的无力感。

模型变强的速度比预想中快得多。以前觉得花了几年才练出来的本事，让 Agent 跑一下，输出经常比自己手写还干净。重构一个陌生模块也好，读懂别人的老代码也好，定位一个偶发的 bug 也好，Agent 默认就能做对。

慢慢就有种感觉：自己能干的事 AI 都能干，那作为工程师我的价值到底还剩什么？

这两天看 Karpathy 在 Sequoia AI Ascent 2026 上的对谈，发现他也是同样的感觉：他从来没有像现在这样，觉得自己作为程序员落伍了。

去年 2 月他造了 Vibe Coding 这个词，意思是凭感觉写代码，不纠结细节，让 AI 替你搞定。这词火了一整年，几乎成了 AI 编程的代名词。结果发明这词的人，自己觉得落伍了。

一开始我以为他只是谦虚。看完半小时完整对谈，才发现他是认真的，而且把这种感觉拆得挺清楚。内容密度很高，我把最有价值的部分整理了分享给你。

为什么感觉落伍了

Karpathy 的落伍感不是凭空来的，转折发生在去年 12 月。

他用 Agent 写代码已经有一段时间了，之前体验时好时坏，模型输出经常要手动改。但到了 12 月，他发现代码直接拿来就能用，追加需求继续改，输出还是对的。到后来他都记不清上一次手动修正是什么时候了。

这不是慢慢变好，是一个突然的台阶。从“有时候能用”到“默认能用”，中间没有过渡。

这跟我开头说的感受其实是一回事。当 AI 默认就能搞定那些以前需要费劲做的事，无力感自然就来了。

所以 Karpathy 也提醒了一件事：如果你 12 月之后没有重新认真试一次，可能还在用一个已经过期的心智模型判断这些工具。

下限和上限是两回事

既然能力有了质变，这对不同的人意味着什么？Karpathy 在这里有个挺重要的区分：Vibe Coding 和 Agentic Engineering 不是一回事。

Vibe Coding 抬的是下限。非程序员也能用自然语言描述需求，跑起来一个东西。

但 Agentic Engineering 抬的是上限。它面向的是专业工程师，解决的问题是：怎么用 Agent 工具更快地交付，同时不牺牲安全性、可靠性和代码质量。

这是两条完全不同的路。Vibe Coding 让不会写代码的人做出能跑的原型；Agentic Engineering 让一个工程师在生产级质量的前提下，把效率拉到之前不敢想的水平。

之前大家说 10x 工程师，现在擅长 Agentic Engineering 的人远超 10x。个人产出的上限比以前高得太多。

这才是他觉得落伍的真正原因。不是 AI 太强，而是不同人用 AI 的能力差距正在急剧拉大。好工程师和普通工程师之间的杠杆倍数，比以前任何时候都大。

同一个模型，同时天才和白痴

不过，能力差距拉大的前提是，你得知道模型到底擅长什么。对谈里我觉得最有意思的就是这一段：LLM 的锯齿形智能。

Karpathy 举了个例子：最先进的 Opus 4.7 可以连贯地重构一个 10 万行的代码库，或者发现零日漏洞。但你问它“洗车店离我 50 米，我应该开车还是走路”，它会告诉你走路去，因为距离很近。

一个能发现零日漏洞的系统，怎么可能不知道你不能走路去洗车？

Karpathy 给了两个解释。

第一个是可验证性。LLM 的训练靠强化学习，强化学习需要验证信号。代码有编译器和测试，数学有证明，这些领域天然可验证，RL 在这上面效果拉满。但日常常识很难构造验证环境，落不到轨道上。

第二个更有意思，是经济学。前沿实验室选什么数据进训练集，取决于商业价值和 TAM。代码能力值钱，所以有人花大力气做了。Karpathy 还举了个例子：从 GPT-3.5 到 GPT-4，棋力大幅提升，很多人以为是通用能力进步，实际上是因为有人决定往预训练数据里加了大量棋谱。能力的提升不是均匀发生的，是跟着数据分布走的。

他打了个比方：如果你的应用恰好在 RL 训练覆盖的轨道上，你会觉得在飞；如果不在，你就是在丛林里拿砍刀开路。

这个判断对做产品的人特别有参考价值。开始一个 Agent 项目之前，先问自己：我的任务在不在模型训练的轨道上？在的话就能直接用；不在的话，要么准备 fine-tuning，要么换个思路。

你写的代码可能不该存在

说完模型能力的边界，Karpathy 抛出了一个更激进的观点：就算在模型擅长的轨道上，很多现有的软件其实也不应该存在。

他用自己做的 MenuGen 举例。这个应用拍一张餐厅菜单的照片，用 OCR 识别菜名，调用图像生成器给每道菜生成图片，然后重新渲染菜单。他用 Vibe Coding 写出来，部署在 Vercel 上，效果挺好。

然后他看到了另一种做法：直接把菜单照片发给 Gemini，让它用 Nanobanana 在原图上渲染菜品图片。输入一张图，输出一张图。没有 OCR，没有后端，没有数据库。

他说自己的整个 MenuGen 应用都是多余的。它还停在 Software 1.0 的范式里，而 Software 3.0 的做法是让大模型直接完成端到端的任务。

另一个例子是 OpenClaw 的安装方式。传统做法是写一个 Shell 脚本处理各种平台差异。OpenClaw 的做法是写一段自然语言的安装说明，让用户复制给自己的 Agent。Agent 读你的环境，适配你的系统，中间出问题自己调试。

这等于是用.md 替代了.sh。

第三个例子是 LLM 知识库。以前没有任何代码能把一堆非结构化的文章变成一个有组织的 Wiki。这不是做得快了，而是以前根本做不了。

Karpathy 说，每次范式转换，人们最先做的总是把新工具用来加速旧工作流。但真正有意思的不是加速，是那些以前根本不可能的新东西。

能外包思考，不能外包理解

前面说的都是工具和能力层面。Karpathy 在对谈快结束时，聊到了一个更根本的问题。

他引用了一条推文：你可以外包你的思考，但你不能外包你的理解。

他说这句话几乎每隔一天就会在他脑子里冒出来。

他现在觉得自己是系统里的瓶颈。Agent 可以执行、搜索、写代码、迭代，但“我们到底在做什么”“为什么值得做”“方向对不对”，这些问题 Agent 回答不了。

他甚至不太喜欢 Plan Mode 这个概念。在他看来更准确的说法是：人负责写 Spec，Agent 负责实现。Spec 是你的设计意图，是你对系统不变量的理解，是你对用户场景的判断。Agent 负责的是 API 细节、代码实现、格式规范这些可以查手册的事。

他举了自己的例子：PyTorch 和 NumPy 的 API 细节他已经记不住了，keep_dims 还是keepdim，dim 还是axis，reshape 还是permute。这些交给 Agent 就行。但底层 Tensor 的存储模型、View 和 Copy 的区别，这些你必须懂，不然你都不知道自己在让 Agent 做什么。

招聘还没跟上来

如果理解力和判断力才是核心竞争力，现在的招聘方式就有点尴尬了。Karpathy 也聊到了这个问题。

大部分公司面试还在考察八股文。但 Agentic Engineering 的核心能力不是能不能解一道算法题，而是能不能交付一个经得住考验的系统。

他给了一个挺有意思的面试思路：让候选人做一个真实项目，比如一个 Twitter 克隆，要求部署上线、功能完整、安全合格。然后用 10 个 Codex 实例去攻击这个系统，看它能不能扛住。

这种面试考的不是算法能力，而是你在有 Agent 工具辅助的情况下，能不能做出一个可靠的、上线后不会出事的产品。

回到开头那个问题

回到开头那个问题：自己能干的事 AI 都能干，那作为工程师我的价值还剩什么？

看完这个对谈，答案大概清楚了：工具可以外包，理解不能。你仍然是系统的掌控者，信息仍然要进入你的大脑，你仍然需要搞清楚正在发生什么才能给出正确的方向。

所以与其焦虑被 AI 替代，不如把这种无力感当作一个校准信号。工程师的能力上限在快速上移，之前的 10x 工程师，可能只是新标尺下的 2x。真正值得关注的不是 AI 能做什么，而是你能不能把理解力跟上这个新的杠杆倍数。

相关资源：

• 完整对谈视频：https://www.youtube.com/watch?v=96jN2OCOfLs
• Karpathy 本人的要点总结：https://x.com/karpathy/status/2049903821095354523
• Stephanie Zhan 的推文：https://x.com/i/status/2049518659513852109
• Vibe Coding 原推：https://x.com/karpathy/status/1886192184808149383

欢迎长按下面的二维码关注Feisky 公众号，了解更多云原生和 AI 知识。

题记：本文编译自 Andrej Karpathy 在 X 上的一篇长推文，发表于 2026 年 1 月 26 日。这篇推文发布后迅速获得上万转发，在开发者社区引发了广泛讨论。本文在翻译基础上做了整理和补充。

Andrej Karpathy 最近发了一条长推，聊了聊他过去几周用 Claude Code 编程的感受。

如果你不熟悉 Karpathy，简单介绍一下。他是斯坦福博士，师从李飞飞，做计算机视觉出身。2015 年加入 OpenAI 成为创始团队成员，后来去了特斯拉担任 AI 总监，负责 Autopilot 自动驾驶系统。2022 年短暂回归 OpenAI，之后离开开始独立研究和创业。他在 YouTube 上的深度学习教程系列，是很多人入门 AI 的启蒙课程。

这样一个在 AI 领域摸爬滚打了十几年的人，说他经历了“近二十年编程生涯中最大的工作流变革”，这话还是有分量的。

我自己用 Claude Code 也有大半年了，从最早写教程、研究系统提示词，到后来自己造了个 Koder，对 AI 编程工具的演进一直在跟进。Karpathy 这篇推文里说的很多问题，我也都遇到过，但他的一些观察角度确实给了我新的启发。

工作流的剧变

Karpathy 说，他的编程方式在 2025 年 11 月到 12 月之间发生了剧烈变化。11 月的时候，大概 80% 还是手写代码加自动补全，只有 20% 用 Agent。到了 12 月，这个比例彻底反过来了，80% 靠 Agent 编程，自己只做 20% 的修改和润色。

他说这感觉有点尴尬，毕竟现在主要是用英语告诉 LLM 该写什么代码，而不是自己写。不过用大规模代码操作的方式来操作软件，实在是太有用了。一旦你适应了这种模式、学会了怎么配置和使用它、搞清楚它能做什么不能做什么，效率提升是非常明显的。

这是他近二十年编程生涯中最大的工作流变化，而且是在几周内发生的。

他估计，类似的变化正在发生在“两位数百分比”的工程师身上，但大众对这件事的认知可能还停留在“个位数百分比”。

IDE 还不能扔，Agent 集群也别太激动

关于不再需要 IDE 和 Agent 集群的炒作，Karpathy 认为现在还言之过早。

模型确实还会犯错。如果你在乎代码质量，就需要在旁边开一个大屏 IDE，像鹰一样盯着它。

模型犯的错也变了。不再是简单的语法错误，而是微妙的概念性错误，就像一个有点马虎、有点着急的初级开发者会犯的那种错。

最常见的问题是什么？模型会替你做假设，一路狂奔，不跟你确认。它们不会主动管理自己的困惑，不会寻求澄清，不会指出矛盾，不会呈现权衡，不会在该推回来的时候推回来，还是有点太讨好人了。

在 Plan Mode 下会好一些，但确实需要一种更轻量的内联规划模式。

模型还有个毛病，喜欢把代码写复杂。它们会膨胀抽象层，不清理死代码，用 1000 行写一个低效、臃肿、脆弱的实现。直到你说“你不能就这样做吗？”，它会说“当然可以！”，然后立刻把代码缩减到 100 行。

它们有时还会顺手改掉或删掉一些它们不喜欢或不理解的注释和代码，即使这些跟当前任务毫无关系。

这些问题在CLAUDE.md 里写了明确的指令要求也解决不了。但即便如此，整体来说还是巨大的改进，很难想象再回到手写代码的时代。

他现在的工作流是这样的，左边开几个 Ghostty 窗口放着 Claude Code 会话，右边开着 IDE 看代码和做手动编辑。

不知疲倦的韧性

Karpathy 说，看着 Agent 不知疲倦地工作，是一件很有意思的事。

它们从不累，从不泄气，就是一直尝试。换做人类，早就放弃改天再战了。但 Agent 可以挣扎 30 分钟，最后还是把问题解决了。

这是一种感受 AGI 的时刻。你会意识到，耐力是工作的核心瓶颈之一，而有了 LLM，这个瓶颈被大大突破了。

速度提升还是能力扩展？

怎么衡量 LLM 辅助编程的加速效果？这个问题并不简单。

Karpathy 说，他确实感觉做事快了很多。但主要的效果不是更快地做完原来要做的事，而是能做更多事，更能做原来做不了的事了：

1）以前觉得不值得写代码去做的事情，现在可以顺手做了；

2）以前因为知识或技能限制做不了的事情，现在页可以做了。

这不仅仅是加速，更可能是一种能力的扩展。

杠杆效应

LLM 特别擅长循环直到达成目标，这也是最能感受 AGI 的地方。

Karpathy 的建议是，不要告诉它怎么做，而是给它成功标准，看它自己去实现。

具体做法包括，让它先写测试，再让它通过测试；让它配合浏览器 MCP 在循环中工作；先写一个很可能正确的朴素算法，再让它优化同时保持正确性；把你的方法从命令式改成声明式，让 Agent 循环得更久，获得更大的杠杆效应。

更有趣了

Karpathy 说，他没想到 Agent 编程会让编程变得更有趣。

因为大量填空式的苦力活被移除了，剩下的是创造性的部分。他感觉更少被卡住了，也更有勇气了，因为几乎总能找到一种方式跟 AI 协作推进。

不过他也提到，有些人可能会有相反的感受。AI 编程可能会让工程师分化成两类，一类是喜欢编程本身的，一类是喜欢构建的。

能力退化

Karpathy 承认，他已经注意到自己手写代码的能力在慢慢退化了。

生成代码和判别代码是大脑里两种不同的能力。这主要是因为编程涉及大量语法细节，即使写起来费劲，读代码还是没问题的。

2026 年会发生什么？

Karpathy 说，他已经在为 2026 年做心理准备了，这将是 Slopacolypse 之年，也就是低质量内容大爆发。

GitHub、Substack、arXiv、X/Instagram，以及所有数字媒体，都会充斥着 AI 生成的低质量内容。我们还会看到更多 AI 炒作式的生产力表演，当然也会有真正的实质性改进。

他还抛出了几个开放性问题。10 倍工程师会怎样？普通工程师跟顶尖工程师之间的生产力差距会怎么变？很可能会拉大很多。通才会不会开始碾压专才？LLM 更擅长填空，也就是微观层面，而不是宏观战略。装备了 LLM 的通才，会不会越来越强过专才？未来的 AI 编程会是什么感觉？像玩星际争霸？玩异星工厂？还是像演奏音乐？社会有多少部分是被数字知识工作卡住的？

写在最后

Karpathy 的结论是，LLM Agent 的能力，尤其是 Claude 和 Codex，在 2025 年 12 月左右跨过了某种“连贯性阈值”，引发了软件工程及相关领域的相变。

AI 的智能部分突然跑得太快，工具集成、组织流程、技术普及这些配套都还没跟上。

2026 年将是高能量的一年，整个行业都在消化这种新能力。

Karpathy 说的这些问题我也都遇到过，模型喜欢过度设计、不清理死代码、有时候会顺手改掉不该改的东西。这半年多用下来，我的感受是：AI 编程工具确实在快速进化，但人的监督短期内还省不掉。

这场变化来得比大多数人想的要快。

相关资源

• Karpathy 原推文：https://x.com/karpathy/status/2015883857489522876
• Karpathy 的 2025 LLM 年度回顾：https://karpathy.bearblog.dev/year-in-review-2025/

欢迎长按下面的二维码关注Feisky 公众号，了解更多云原生和 AI 知识。