Karpathy：写了20年代码，现在像作弊

【导读】vibe coding这个词，是一年前Karpathy造的，现在他自己不用了。110次实验，AI Agent自主跑完，全程没碰键盘，顺带还搭了套家庭监控分析系统。Box CEO Levie看完说了一句话：专家不会消失，但专家能做到的事，边界变了。

去年2月，Karpathy随手发文，「vibe coding」爆火。

码农们为这个词吵了好几个月。

一年后，他自己把它「杀」了。

今年3月，他连发多条推文，汇报了一件刚发生的事：AI Agent登录服务器、配置SSH密钥、下载模型、跑基准测试、搭Web UI、写完整报告。

全程30分钟，他一行代码没写，并且不在场。

vibe coding没出错，只是它太慢了。

Karpathy在睡觉，AI 已经做完了110轮实验

Karpathy最近开源了一个叫autoresearch的项目，逻辑很简单：给AI Agent一个真实的LLM训练环境，让它在你睡觉时自己跑实验。

代码传送门：https://github.com/karpathy/autoresearch

Agent修改代码、训练5分钟、检查结果、保留或丢弃，循环往复，不需要人盯着。

项目里有一段说明，戏谑但认真：

有一天，前沿AI研究曾经是由肉体计算机在吃饭、睡觉、娱乐的间隙完成的，偶尔通过声波互联协议——也就是组会——进行同步。那个时代早已过去。

结果是，在过去12小时内，AI Agent对nanochat仓库做了110次修改，验证损失从0.862415降到了0.858039，每小时约12次实验，wall clock时间不增加。

你睡一觉，它做完了100轮。

与此同时，他之前展示的家庭监控分析系统，同样交给Agent全程执行：登录服务器、配置权限、下载模型、搭前端、输出报告。

整个过程约30分钟。中途遇到报错，Agent自己搜索解决方案，自己修好，继续往下走，不需要他介入。

nanochat本身也在快速进化。同样规模的GPT-2量级模型，8xH100节点训练时间从一个月前的约3小时压到了2小时。

Karpathy最后定了一个新目标：

真正的基准测试应该是——什么样的研究机构Agent代码能最快让nanochat进步？

这才是新的游戏规则。

从「忘掉代码」到「不碰代码」，一年走了多远？

Karpathy是一个难得的「标本」。因为他每一次认知转变，都会公开写下来。

去年2月，vibe coding是他的个人消遣实验，他说那适合throwaway weekend projects，不建议用在正经项目上。

同年12月，他发了另一条推文：

我从未如此强烈地感到自己作为程序员落后了。

并说过去几周内他的工作流发生了20年来最大的变化：从80%手写+20%Agent，翻转成80%Agent+20%修改润色。

他用了一个比喻：

就像你手持AI在瞄准，它在发射弹药。有时会走火，但偶尔在你找到正确角度时，一道强力激光束突然射出，瞬间解决问题。

到了2026年2月，他给vibe coding做了1周年回顾，正式提出新词：agentic engineering。

agentic，因为新的默认模式是你99%的时间不在直接写代码，你在编排Agents并充当监督者；engineering，强调这其中有艺术与科学，有值得深耕的专业性。

两个词都有用意。agentic，新的默认模式是你99%的时间不在直接写代码，你在编排Agent、充当监督者。

engineering，这其中有艺术与科学，有值得深耕的专业性。

Box CEO Aaron Levie在Karpathy的推文下回应，说了一件和直觉相反的事：深度技术专长不会被稀释，而是被乘上了更大的杠杆。

Karpathy对此的回答印证了这个判断。有人问他，几百人的团队会不会被几个会提示词的人替代？他说：

Vibe coder现在确实能做到一些事，但在顶层，深度技术专长可能比以前更是一个乘数，因为加了更多杠杆。

工具变了，但谁用得好，取决于你对这件事理解有多深。

我们再也认不出编程的样子

这不是夸张。

今年1月，Karpathy发了另一条推文，说自己用Claude写代码时有一种的奇异感觉：

写了20年代码，从没有这种感觉。它曾经是自豪感和高智识的来源，突然变得免费和即时——这非常令人迷失。

他说那有点像在作弊，作弊的感觉是真实的，不适也是真实的。

他给这种现象起了个名字：slopacolypse——指大量AI生成的低质量代码汹涌而至、难以区分的局面。他说他正在「慢慢萎缩手动写代码的能力」。

数字在印证这个感受。Y Combinator 2025年冬季批次的初创公司，25%的代码库95%以上由AI生成。

Karpathy对推理成本的判断是每8周减半，从2024到2026年没有放缓。

当AI Agent处理越来越多的执行工作，懂得如何提出正确问题、验证正确结果、在正确节点介入——这个能力变成了稀缺资产。

这是分化的预言——会用杠杆的人，和不会用杠杆的人，正在以加速度分开。

Karpathy的autoresearch项目里有一个细节。

当你让Agent开始跑实验，它只能修改train.py这一个文件，其余全部锁定。

控制Agent的行动范围，保持diff可审查，确保人能读懂它在做什么。

一个人设定了AI Agent的边界，然后去洗桑拿了。

这也许是当下最准确的工程师画像。

参考资料：

https://x.com/karpathy/status/2030722108322717778?s=20

https://x.com/levie/status/2030714592238956960