什么值得买App下载 App ›
连续签到专享现金活动

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:
  1. 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。
  2. 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。
  3. 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。

评论

评论区空态插画

当前文章无评论,是时候发表评论了