从 Vibe Coding 到 Agentic Engineering：Karpathy 在 Sequoia AI Ascent 2026 的系统性拆解

这场访谈是 Sequoia AI Ascent 2026 大会的开场对话，也是整个系列中影响力最高的单条内容。1 Karpathy 以「vibe coding」的创造者身份，在发明这个词约一年后系统回顾并升级了自己的判断——从「提升下限的快速原型工具」，演进到「维系专业软件质量上限的新工程学科」，再到「agent 原生世界对全部基础设施的重写需求」。30 分钟内，他给出了一条清晰的认知主线：当可验证性决定自动化速度，AI 从业者该如何重新定位自己的价值。

Karpathy 的履历很少有人能与之对照：从 OpenAI 联合创始成员，到 Tesla 负责 Autopilot 全栈神经网络的 AI 总监，再到 2024 年创立 AI 教育公司 Eureka Labs，他在这一轮 AI 浪潮的几个核心节点都有直接参与。2 斯坦福博士阶段他开设了 CS231n（选课人数从 150 增长到 750），YouTube「Zero to Hero」系列至今仍是 AI 工程师最密集推荐的自学路径之一。

让他的判断值得认真对待的不是头衔，而是他的视角位置——他同时是 AI 工具的高强度用户（副项目 vibe coder）、工程方法论的设计者（agentic engineering 提倡者）、以及面向初学者的教育者（Eureka Labs）。三个角色在同一个人身上共存，使他对「什么变了、什么没变」的判断比纯研究者或纯工程师都更接地。3

主持人 Stephanie Zhan 是 Sequoia Capital 合伙人，斯坦福 CS 出身（早年师从 Andrew Ng），现任 Linear、Reflection AI、Skild AI 等公司的董事会席位。4 她在 2015 年参与了 OpenAI 的最初组建，对 AI 演进的长时间尺度有直接观察，这让对话本身的密度远超一般访谈。

这场访谈可以用三句话概括整个叙事弧：

第一层，Karpathy 以 2024 年 12 月为转折点——那一刻他意识到，最新模型产出的代码块不再需要修正，agent 的可靠性已经达到了可被日常使用的阈值。从那以后他大量投入「vibe coding」副项目，并开始重新思考「编程」这件事的本质。1

第二层，他提出 Software 3.0 框架：Software 1.0 是写代码，Software 2.0 是通过数据集和神经网络架构编程，Software 3.0 则是「prompt 和 context window 成为编程杠杆」——LLM 本身成了可编程的计算机。这一框架的推论是：许多之前「不存在」的信息处理方式现在成为可能，而不只是「原来的事情变快了」。1

第三层，他区分了两种从业者路径：vibe coding 提升全员下限（人人都能快速验证想法），而 agentic engineering 是在这之上为专业工程师建立新的质量纪律——不允许因 vibe coding 引入漏洞，仍然对软件质量负责，但工作速度和覆盖范围要远超传统意义的「10x engineer」。1

「Vibe coding is about raising the floor for everyone in terms of what they can do in software. So the floor rises, everyone can vibe code anything and that's amazing, incredible. But then I would say agentic engineering is about preserving the quality bar of what existed before in professional software. So you're not allowed to introduce vulnerabilities due to vibe coding.」 （Vibe coding 的意义是提升所有人在软件层面的能力下限。地板升高了，人人都能 vibe code 任何东西，这很了不起。但我说的 agentic engineering，是关于保持专业软件过去已有的质量上限。Vibe coding 不允许成为引入漏洞的借口。） —— Andrej Karpathy 5 [15:46]

「How is it possible that state-of-the-art Opus 4.7 will simultaneously refactor a 100,000 line codebase or find zero day vulnerabilities and yet tells me to walk to this car wash? This is insane.」 （最先进的 Opus 4.7 能同时重构 10 万行代码、找到零日漏洞，却建议我步行去那家洗车店——这怎么可能？这太疯狂了。） —— Andrej Karpathy 6 [10:00]

「You can outsource your thinking but you can't outsource your understanding.」 （你可以外包思考，但你无法外包理解。） —— Andrej Karpathy 7 [28:00]

LLM 之所以在代码和数学领域远超其他领域，根本原因在于 RL 训练依赖 verification reward——可以被明确判对判错的任务，模型能通过强化学习飞速提升。1 「洗车问题」不是偶然的模型缺陷，而是这个机制的直接产物：地图推荐需要常识推理，RL 的验证信号稀疏，模型就在分布外挣扎。

对从业者的含义：识别你所在领域里哪些子任务本质上「可验证」——有标准答案、有测试集、有明确的对错判断。这些子任务的自动化速度将显著快于其他部分，优先在这里构建 RL 环境或 fine-tuning 流程，而不是等待模型能力全面提升。

Karpathy 的 pet peeve：现在所有文档仍然假设读者是人类，写的是「如何配置 X」。但在 Software 3.0 世界里，真正的问题变成了：「我应该复制粘贴给 agent 什么文本？」1 这两种文档在结构、格式、信息密度上完全不同。

对从业者的含义：如果你在维护技术文档、SDK 或内部知识库，可以现在开始对照「agent 视角」重写——提供可直接粘贴的配置块、清晰的错误状态描述、无歧义的步骤序列。这不是锦上添花，而是决定 agent 能否可靠执行任务的基础条件。

Vibe coding 带来的最大风险不是代码质量问题本身，而是工程师以「agent 写的」为由放弃了对代码的责任感。Karpathy 明确：agentic engineering 的核心是「你仍然对软件质量负责，只是执行速度大幅提升」。1

对从业者的含义：工程团队的 code review 焦点应从实现细节转向 spec 和 design 层；招聘评估应从算法谜题转向「给候选人一个大型开放项目（比如构建 agent 版 Twitter），观察他们如何指挥 agent 并维持质量上限」。

Karpathy 提出了一个有用的心智模型：LLM 不是有内在动机的生命体（animals），而是「在预训练和 RL 数据分布内运行的统计电路」，即一种幽灵（ghosts）。1 对它们「大喊大叫」或「恳求」没有用；真正有效的姿势是探索它们的能力边界：哪些 circuits 在分布内（fly），哪些在分布外（struggle）。

对从业者的含义：建立系统性的「能力边界测试」习惯，而不是依赖直觉或坊间经验。当某个任务 LLM 表现糟糕，先判断这是「分布外」问题（需要 fine-tuning 或 RL）还是「提示工程」问题，再决定干预路径。

「你可以外包思考，但你无法外包理解」是全场最被引用的一句话，但它的实践含义经常被误读为「要读懂 agent 的代码」。Karpathy 的意思更接近：LLM 擅长执行，但对「当前在做什么、为什么要做」缺乏持续的理解能力；而人类的价值正在于对系统的整体理解、对质量的 taste 判断、以及对意外情况的 oversight。1

对从业者的含义：在使用 agent 工具时，刻意保留「理解输出」的步骤，而不只是「验证输出」。理解为什么 agent 产出了这个结果、哪里可能出错、如何预防——这种判断能力是当前阶段最难被替代的人类贡献。

📺 完整视频（29 分 49 秒）：Andrej Karpathy: From Vibe Coding to Agentic Engineering1

按需跳转：