Vibe Coding过时了!Karpathy红杉大会重磅发声:LLM从不是提速工具,而是重塑整个时代的新范式,不会转型的开发者即将被淘汰!
在2026年4月底的红杉Sequoia AI Ascent大会上,前特斯拉AI总监、OpenAI联合创始人Andrej Karpathy发表了关于AI编程未来的深度演讲。针对当前开发者对AI辅助编程的普遍认知,Karpathy指出“Vibe Coding”(氛围编程)已成为过去式,单纯将LLM视为提升代码编写速度的工具是巨大的认知浪费。他提出,真正的变革在于“Agentic Engineering”(智能体工程),这一新范式将彻底重构软件开发的底层逻辑、架构体系以及人才竞争格局。
01核心观点:从提速工具到时代新范式
Karpathy强调,LLM的革命性价值不在于优化旧工作,而在于创造传统软件时代完全不可能的新能力。它不是旧范式的加速器,而是全新维度的技术地平线。这一判断通过三个具体案例得到了印证:
- 零代码生成完整App
如Menugen案例所示,仅需输入参考图和自然语言意图,LLM即可生成完整可用的App,无需传统代码、复杂框架和繁琐调试,产品迭代速度提升至只需修改Prompt。 - 自然语言说明书替代脚本
利用Markdown格式的自然语言说明书,LLM能自动识别设备环境、智能调试报错并适配兼容,替代了以往复杂的Bash脚本编写和手动异常处理。 - 解锁知识计算能力
LLM实现了对非结构化信息(如文章、PDF、网页)的检索、推理、总结与重构,这是传统软件仅处理结构化数据时无法具备的从0到1的能力。
02技术论证:LLM能力的“锯齿状”特征
针对AI表现“时而封神、时而弱智”的现象,Karpathy提出了LLM能力的“锯齿状特性(Jaggedness)”。这种能力分布并非均衡发展,而是由可验证性和市场经济两个核心因素决定的。开发者必须认清这一能力地形图,以区分哪些是AI的“高速铁轨”,哪些是需要人工兜底的“原始丛林”。
LLM能力差异归因
强可验证性与高资本投入
代码领域:具备编译器校验、完整测试用例及明确对错标准,拥有海量高质量训练数据。
热门赛道:获得顶级实验室算力与RL优化资源倾斜,算法成熟且迭代迅速。


弱可验证性与低资本投入
日常常识与小众需求:缺乏统一标准,无法批量验证,导致频繁出错。
冷门场景:缺乏数据迭代与资源投入,AI只能进行野蛮试错。
03路径演进:告别Vibe Coding,拥抱Agentic Engineering
Karpathy指出,去年的“Vibe Coding”虽然降低了编程门槛,但其凭感觉、靠运道的特性无法撑起专业生产环境。未来的软件开发将全面转向“Agentic Engineering”(智能体工程),即构建让AI智能体自主闭环工作的系统,而非人指挥AI干活的单点辅助。
| 特征 | Vibe Coding(氛围编程) | Agentic Engineering(智能体工程) |
|---|---|---|
| 核心模式 | 人指挥AI干活 | 人搭建系统,AI自主闭环干活 |
| 依赖因素 | 凭感觉、靠运气 | 标准化、可追溯、可迭代 |
| 适用范围 | 业余开发、简单需求 | 专业生产环境、商业产品 |
| 架构组成 | 传统代码辅助 | 传感器 + 执行器 + AI逻辑 |
编程范式对比
随着Agent-Native经济的到来,未来的竞争核心将从“代码质量”转向“Agent体系强度”。Karpathy预判,神经计算将主导绝大多数工作,传统CPU将沦为辅助协处理器。在这一背景下,Agentic Engineer需具备三项核心能力:
- 精通意图表达
将复杂需求转化为LLM能精准理解、高效执行的信息格式。 - 搭建工程体系
构建完整的评估、日志追踪、异常回滚及迭代优化框架。 - 兼具双重思维
掌握提示工程的灵活落地,并深刻理解系统设计的底层逻辑与人类价值判断。
04转型建议:应对变革的实际行动
面对技术范式的快速迭代,开发者需尽快完成从旧思维向新范式的转型。Karpathy建议,行业应通过具体的行动来适应这一变化,包括利用自然语言文档替代传统脚本,以及重新梳理工作流以实现智能体化。部分评论区的用户反馈也显示,对于非结构化数据处理能力的重视正在提升,这与“知识计算”的核心观点不谋而合。
- 替代传统脚本
使用.md自然语言文档替代.sh脚本,让AI全权负责部署、调试、运维全流程。 - 构建知识库
搭建个人专属LLM知识库,利用AI处理非结构化数据,解锁知识计算能力。 - 梳理可Agent化模块
复盘现有工作与产品,识别并改造可被智能体自主运行的模块,提前完成范式转型。
当前文章无评论,是时候发表评论了