Karpathy 最新反思：Vibe Coding 之后，真正的战场叫 Agentic Engineering

如果你还在纠结 Prompt 怎么写得更“优雅”，那你可能已经落后了。Andrej Karpathy 在这场分享里，把注意力从“怎么和模型聊天”，推到了一个更硬核的问题：当 LLM 变成一种新型计算机，我们到底该如何工程化它？从 Vibe Coding 到 Agentic Engineering，这不是概念升级，而是整个工作方式的转向。

一句“Vibe Coding”，其实是在承认工程的失控

去年 Karpathy 抛出“Vibe Coding”这个词时，很多人只记住了表面的轻松：跟着感觉写代码、让模型补全、反复试错。但在这次对话中，他更像是在复盘这件事的“后遗症”。Vibe Coding 的流行，本质上是因为 LLM 的能力跃迁太快，快到我们来不及建立稳定的方法论，只能先用感觉顶上。问题在于，这种方式一旦规模化，就会暴露出不可维护、不可验证、不可预测的工程风险。Karpathy 并没有否定 Vibe Coding 的价值，相反，他把它放在了一个更清晰的位置：它是探索期的工具，而不是长期的工程答案。

把 LLM 当“新计算机”，思路才真正打开

Karpathy 多次强调，把大语言模型看成“会说话的 API”是低估了它的潜力。他更愿意用“新型计算机”来形容 LLM：一种接口极其不稳定、但能力分布非常奇特的计算系统。这种计算机不擅长精确算术，却擅长语义压缩与重组；不保证一致性，却能在复杂空间中给出惊人的启发式答案。这个视角非常关键，因为一旦你接受它是“计算机”，你就会自然地问：它的编程范式是什么？它的输入输出如何约束？它的错误模型是什么？这些问题，直接把讨论从 Prompt 技巧，拉到了系统设计层面。

Jagged Intelligence：聪明但不均匀，才是常态

在对话中反复出现的一个词是“jagged intelligence”。Karpathy 用它来形容 LLM 的一种反直觉特性：模型在某些任务上表现得像专家，在另一些极其相似的任务上却犯低级错误。这不是 bug，而是结构性特征。理解这一点，会直接改变你对“可靠性”的期待。你不应该指望模型天然给出稳定答案，而是要围绕这种不均匀性去设计流程，比如通过分解任务、外部校验、或者多路径尝试来对冲风险。这也是他后面谈到 agent 设计时反复回到的基础前提。

Verifiability 才是工程分水岭，而不是模型大小

当讨论从模型能力转向系统时，一个绕不开的关键词是 verifiability。Karpathy 非常直接地指出：可验证性不会“自动”从 LLM 里长出来。你不能指望模型自己证明自己是对的。真正的工程挑战在于，如何把任务拆解到可以被外部世界验证的程度——不管是通过规则、测试、还是其他系统。这一点，几乎决定了一个 AI 系统能否进入生产环境。模型再强，如果输出不可验证，就只能停留在 demo 阶段。

从工具到 Agent，人类价值正在悄悄移动

当对话进入 agent 时，Karpathy 给出了一个非常形象的类比：传感器和执行器。Agent 不只是“会想”，而是能感知环境、采取行动、再感知反馈的闭环系统。在这样的系统里，人类的价值不再是写每一行指令，而是决定目标、设计约束、选择评估标准。换句话说，越是 agent 化，越考验人类对问题结构的理解能力，而不是操作细节。这也是他对“未来更有价值的人类技能”的回答核心：抽象、判断与系统思维。

总结

这场分享最重要的信号不是某个新名词，而是重心的整体右移：从模型能力，转向工程方法；从灵感驱动，转向可验证系统。如果你是 AI 从业者，现在值得问自己的不是“我会不会用最新模型”，而是“我设计的系统，是否尊重了 LLM 的不均匀智能特性”。真正的机会，正在 Agentic Engineering 这条更难、但更可复用的路上。

关键词： Andrej Karpathy， Vibe Coding， Agentic Engineering， 大语言模型， Jagged Intelligence

事实核查备注： 需要核查：1）Vibe Coding 一词的首次提出时间是否为去年；2）Karpathy 关于 LLM 是“新计算机”的原话表述；3）Jagged Intelligence 的具体定义是否在视频中被明确阐述；4）关于 verifiability 不会自动从 LLM 中产生的原始表述。