Karpathy 在 Sequoia AI Ascent 2026 上的炉边谈话，可能是今年开发者社区讨论密度最高的一场 30 分钟。他说了一句让很多人坐不住的话："我这辈子从没觉得自己作为一个程序员这么落后过。"
不是他忘了怎么写代码。是工具跨过了一道坎。
2025 年 12 月前后，他发现 Claude Code、Codex 这类编程 Agent 从"经常需要纠正"变成了"大块代码能直接用"。编程的基本单位从"写几行代码"变成了"指派一个任务"：实现这个功能、重构这个子系统、跑测试并修掉失败的用例。
他把这个转变叫做从 Vibe Coding 到 Agentic Engineering。
这两个东西的区别不是修辞上的，是实操层面的。
Vibe Coding 是 2025 年 2 月 Karpathy 自己造的词，Collins 词典把它选成了 2025 年度词汇。意思很简单：接受 AI 给的代码，出错了就把报错贴回去，反复循环直到能用。不需要理解代码，不需要看 diff，凭感觉就行。
Agentic Engineering 是2026年2月他提出的后继概念。"Agentic" 因为你 99% 的时间不再亲手写代码，而是在编排 Agent。"Engineering" 因为这事儿有章法、有深度，不是随便聊两句就完了。
Google Chrome 团队的工程负责人 Addy Osmani 给了一个很实用的比喻：把 AI Agent 当成不靠谱的初级开发者对待。给清晰的规格说明、要求严格的代码审查、要求完整的测试覆盖、你自己始终对代码库负全责。
Osmani 同时指出了一个很多人正在踩的坑，他叫 "80%问题"：AI Agent 能快速搞定 80% 的工作，剩下的 20%，边缘情况、安全漏洞、架构一致性、生产环境稳定性，需要经验判断。如果你把 80% 直接上线，你是在以机器速度积累技术债。
Karpathy 在演讲中还有几个观点值得单独拎出来说。
关于 Software 3.0。他定义了三层演进：Software 1.0 是人写代码，2.0 是人训练神经网络，3.0 是人通过 Prompt、上下文、工具、记忆、验证来 "编程" LLM。上下文窗口变成了新的编程界面。你不再是写确定性指令给计算机执行，而是给一个能读、能推理、能调工具、能自查的智能解释器提供上下文。
关于可验证性。他的核心自动化框架是：传统软件自动化你能精确描述的事，LLM 自动化你能验证结果对不对的事。这解释了为什么编程 Agent 进步最快，因为测试通过或不通过、程序跑起来或崩溃、diff 可以检查、benchmark 可以测量，反馈信号明确。也解释了为什么聊天场景的 AI 常常让人觉得不靠谱，因为对话质量没有自动验证手段。
关于"锯齿智能"。模型能力不是均匀分布的。一个粗略公式：能力峰值约等于可验证性 × 训练关注度 × 数据覆盖度 × 经济价值。如果你的任务落在模型"被重点训练过且结果可验证"的区域，模型表现会飞起来。如果落在训练稀疏且不可验证的区域，它可能在非常基础的地方出错。
关于应用层的启示。Karpathy 用他自己的 MenuGen 项目举了个例子：原来是传统 web 应用的架构，前端代码、API、图片生成、部署、认证、支付全套。后来他意识到 Software 3.0 版本只需要：拍张菜单照片，交给多模态模型，让它直接把菜品图片渲染到菜单上。大量传统软件栈在这里只是脚手架，模型已经能直接完成输入到输出的变换。所以创始人应该问的不只是"AI 怎么让现有流程更快"，更要问"哪些应用压根不该作为应用存在"。
Deloitte 的数据：目前只有 21% 的组织拥有成熟的自主 Agent 治理模型。MIT Sloan 的研究则发现，大量采用 Agent AI 的组织正在出现更扁平的层级和更宽的管理跨度，管理者的角色越来越偏向编排人机混合团队。
普通人能怎么用
如果你是开发者：Karpathy 的建议很明确，先确保你的代码库对 Agent 友好，然后开始把任务拆解交给 Agent 执行，自己专注在规格定义和结果审查上 如果你是团队管理者：重新审视你的招聘标准，Agentic Engineering 下受益最大的是有系统设计、安全、架构功底的人，纯编码能力在贬值，而判断力在升值
如果你在创业：问自己那个 MenuGen 式的问题，你正在做的产品有没有可能整个被模型直接替代掉，而不只是被加速
我的判断
Vibe Coding 是个有趣的开端，但它的天花板很明确，就是那 80%。Agentic Engineering 的真正门槛不在于会不会用 Agent，而在于你能不能定义清楚要做什么、能不能审查 Agent 做得对不对、能不能在 AI 出错时快速定位和修正。说到底，Karpathy 这场演讲传递的核心信息是：智能会越来越便宜，但理解力会越来越稀缺。
