Karpathy两小时造了个「反算法油管」,全程没写一行代码

源自101位全网作者

09:15

周五深夜,Karpathy 刷着 YouTube,越刷越来气:封面全是夸张脸和大红箭头,话题翻来覆去打转。他对首页的描述很直接——一堵被算法推烂的墙。知乎

换普通人,骂两句就睡了。他周六早上起来,给 Claude 下了一个任务:用 Hacker News 二十年来评论里推荐过的视频,另做一个 YouTube。微博

两个小时后,hackertube.org 上线了。知乎微博

Karpathy两小时造了个「反算法油管」,全程没写一行代码

这个站长什么样

  • 6454 个视频,全部来自 HN 评论区 2007 年以来的真实推荐,分成 150 个话题;

  • 没有账号、不追踪你,推荐不看你的观看历史,只看社区反复推荐过什么;

  • 排序标准不是热度,而是「累计被推荐的独立月份数」——十年里反复被人想起,胜过红一周;

  • 缩略图一律取视频播到一半时的那一帧,标题党封面直接绝迹;

  • 全站数据打包公开,只有 17.8MB,不满意可以拿回家自己做一版。微博

这一切他亲手做的只有三件事:申请 API 密钥、租服务器、买域名。4300 万条评论的下载清洗、写代码、部署加固,全在跟 Claude 的对话框里完成。他的原话是:「我只跟 Claude 说话,让它干所有事。」。知乎微博知乎

Karpathy两小时造了个「反算法油管」,全程没写一行代码

先别急着欢呼,两小时是他的两小时

这个速度成立,靠几个前提:HN 评论是公开数据,YouTube 元数据有现成接口,视频不用自己托管,任务足够小、目标足够清楚。更关键的是,他是知道什么时候该叫停模型、什么时候该放手的老手——这次连 Opus 5.5 都没开到最高档。换个新手,同样两小时可能卡在申请密钥那一步。知乎

坑也有。筛选全靠模型判断,删掉了什么外人看不到;HN 的口味偏英文技术圈,这份清单不是全网好视频榜;语料还是截至 2026 年 8 月的静态快照,「最新上传」停在几个月前。它的短板不在速度,在可核查性:告诉你结果,却没把筛选标准完整交出来。知乎

真正值钱的,是思路能抄

上线后帖子冲上 HN 首页第一。很快就有人照抄了个书籍版 HackerBooks:把 HN 评论里被至少两个人提过的书整理出来,约 1.65 万本,还能点回原始评论,看它到底是被安利还是被吐槽。这说明这套玩法跟会不会写代码关系不大,关键是手头有没有一个信任的来源和一套明确的标准。四步就够:知乎微博

  1. 先定一个你信得过的来源——论坛、专栏、常年追的作者,别急着打开模型;

  2. 把标准写下来:什么算推荐,什么直接删;

  3. 让模型按标准筛,你抽查两类——被删掉的,和排最前面的;

  4. 至少留一样东西在自己手里:域名、服务器或密钥,都行。

这件事真正的变化不是「变快了」,而是分工变了:人定拿什么数据做什么事,模型跑重复劳动。下次再被某个首页推到烦,先问一句——这个排序,到底是谁的口味?

内容由AI生成

精选参考来源

1. 两小时,Karpathy 把 HN 二十年推荐拼成一个 YouTube

2. 卡帕西两小时造了个油管。Karpathy周五深夜被YouTube推荐算法气到,周六早上让Claude把Hacker News二十年评论里推荐过的视频做成网站:Opus 5.5拉下4300万条评论、Sonnet过筛到约4万条,6454个视频、150个主题,约2小时上线。他自己只申请了接口密钥、开了台服务器、买了域名,然后把IP丢给Claude让它部署加固。网站没有账号、缩略图取视频正中间一帧、数据打包给你自己做一版。他说:"我只跟Claude说话,让它干所有事。"最后留了一句:以前几周几个月的项目,现在早饭工夫试几次就做出来了,我们还有什么没想到?#Karpathy##Claude##新智元# 新智元的微博视频

3. HackerTube:用评论重建推荐

4. 「把 Hacker News 的碎片阅读,做成一座能逛的书架」有人看了 Karpathy 的 HackerTube,想要一个“书籍版”,于是直接让 Claude 搭了 Hacker Books:把 2007 年至今 Hacker News 评论里被至少两位不同用户提到过的书整理出来,目前约 1.65 万本,还能点回原始评论,看这本书到底是在被安利、争论,还是顺手吐槽。它不是传统意义上的书单,更像是技术社区多年讨论自然沉淀出的阅读地图。项目最有意思的地方有两个:一是数据口径很直白,只按“被提到”统计,所以热度不等于口碑,夸和骂都会算进去;二是作者几乎把整套工作流都交给 Claude 完成,从数据管道到网站本身,自己主要负责把方向、规则和取舍定下来。这也让它不只是一个找书工具,还是一次很具体的 AI 协作样本:人来定义目标、判断边界,模型负责把大部分实现真正做出来。当然,这种方法也有天然误差,喜欢的书可能会漏,书名也可能匹配错,但好处是透明,甚至连数据都能从 about 页下载,方便继续校对、复用和二次开发。整体看,这比“AI 做了个站”更有意思,它把一个高密度社区里原本四散的阅读线索,变成了可搜索、可回溯、可验证的公共资料库。 hackerbooks.org

0
扫一下,分享更方便,购买更轻松
0评论

当前文章无评论,是时候发表评论了
提示信息

取消
确认
评论举报

最新文章 热门文章