Karpathy 说，编程已经面目全非了。
今天 Andrej Karpathy 在 X 上发了一条长帖，聊了聊他最近对 AI 编程的感受。Karpathy 是谁就不用多介绍了，前 OpenAI 研究副总裁，前特斯拉 AI 总监，在整个 AI 圈子里说话是有分量的。这条帖子发出来之后迅速引爆了讨论，评论区里各路大佬纷纷下场，有赞同的，有补充的，也有泼冷水的。我把整条帖子和评论区的精华都看了一遍，觉得里面有不少值得琢磨的东西，整理出来跟大家聊聊。
1、变化是突然发生的
Karpathy 开篇就说了一句很重的话：过去两个月，编程因为 AI 发生了巨大的变化。注意，他强调的是这个变化不是那种渐进式的、润物细无声的进步，而是集中在去年 12 月突然爆发的。在他看来，12 月之前，编程 Agent 基本上不好用；12 月之后，基本上好用了。模型的质量、长期连贯性和韧性都有了显著提升，可以一口气啃下又大又长的任务。
这个判断其实挺值得玩味的。我们平时总觉得技术进步是一条平滑的曲线，今天比昨天好一点，明天比今天好一点。但 Karpathy 的感受是，有些变化是台阶式的，某个临界点一过，体验就完全不同了。这种感觉其实很多人在日常生活中也遇到过，比如学一门技能，练了很久没什么进展，突然有一天就开窍了。技术的演进有时候也是这样，量变积累到一定程度，质变就来了。
2、一个周末项目变成了 30 分钟的事
为了说明变化有多大，Karpathy 举了一个自己的亲身例子。他周末想给家里的摄像头搭一个本地视频分析面板，于是给 AI Agent 写了一段指令：登录我的 DGX Spark，配置 SSH 密钥，部署 vLLM，下载并测试 Qwen3-VL 模型，搭建视频推理服务端点，做一个基础的 Web UI 面板，全部测试一遍，用 systemd 设置开机自启，给自己记笔记，最后给我写一份 Markdown 报告。
然后 Agent 就跑了大概 30 分钟。中间遇到了好几个问题，它自己上网查解决方案，一个一个解决，写代码，测试，调试，配置服务，最后交回来一份报告，全部搞定。Karpathy 说他全程没有碰任何东西。这件事如果放在三个月前，轻轻松松就是一个周末项目，现在变成了你启动一下然后去干别的，30 分钟后回来收结果。
这个例子的冲击力在于它的具体。不是什么抽象的概念，就是一个实实在在的工程任务，从网络配置到模型部署到前端界面到系统服务，全链路打通。三个月前需要一个周末，现在 30 分钟。这个效率的跃迁已经不是提升百分之多少的问题了，是数量级的变化。
3、编程正在变得面目全非
基于这样的体验，Karpathy 做了一个很大胆的判断：编程正在变得面目全非。从计算机发明以来，编程一直是人坐在编辑器前面敲代码，这个时代结束了。现在你做的事情是启动 AI Agent，用英语给它们分配任务，然后并行地管理和审查它们的工作。
他说，当前最大的机会在于不断向上攀升抽象层级，搭建长期运行的编排系统，给它配好工具、记忆和指令，让它帮你管理多个并行的代码实例。顶级的 Agent 工程所能释放的杠杆效应，现在感觉非常高。
这段话里有一个关键词叫抽象层级。简单来说就是，以前你是直接写代码的人，现在你是管理写代码的 Agent 的人，未来你可能是管理那些管理 Agent 的系统的人。每往上走一层，你能撬动的产出就成倍增长。这个逻辑其实跟管理学里的道理是相通的，一个人能直接做的事情是有限的，但如果你能搭建一个高效的团队和流程，你的产出上限就被打开了。
4、它并不完美，但已经够颠覆了
Karpathy 也没有一味地吹。他很坦诚地说，这个东西并不完美，它需要高层次的方向指引、判断力、品味、监督、迭代，以及提示和想法。在某些场景下效果好很多，尤其是那些需求明确、可以验证和测试功能的任务。关键在于培养一种直觉，知道怎么把任务拆解得恰到好处，把适合交给 Agent 的部分交出去，自己在边缘地带帮忙补位。
这段话其实藏着一个很重要的信息：AI 编程的效果好不好，很大程度上取决于你会不会用。同样的工具，有人用得如鱼得水，有人用了跟没用差不多。差别在哪里？在于你能不能把一个模糊的大目标拆解成清晰的小任务，在于你能不能判断哪些部分适合交给 AI、哪些部分需要自己把关。这种能力说白了就是工程直觉和任务分解能力，而这些能力恰恰是需要深厚技术功底才能培养出来的。
5、评论区的精彩碰撞
这条帖子的评论区同样值得一看，好几条回复都很有含金量。
DHH，就是 Ruby on Rails 的创始人，回复说这是他 40 年来试图让计算机听话的过程中，最大也最快的一次变化。而且出乎意料的是，这也是最有趣的一次。一个写了 40 年代码的老程序员说出这样的话，分量不轻。
有人问 Karpathy，几年后软件工程师会怎样？会不会几百人的团队被几个提示词工程师取代？Karpathy 的回答很值得细品。他说，把这些人叫做提示词工程师是一种误解。虽然 vibe coder（氛围编程者，就是那种靠感觉让 AI 写代码的人）现在确实能搞出点东西了，但在顶尖层级，深厚的技术专业能力因为杠杆效应的叠加，反而可能比以前更具乘数效应。
这句话翻译成大白话就是：AI 确实降低了编程的门槛，让不太懂技术的人也能做出一些东西。但真正厉害的人，因为能更好地驾驭这些工具，他们的产出会被放大得更多。工具越强大，会用工具的人和不会用工具的人之间的差距就越大。
评论区里还有一条很精辟的回复，来自 kache：你可以外包你的思考，但你没法外包你的理解。这句话说得太好了。AI 可以帮你写代码、查资料、解决问题，但对一个系统的深层理解，对技术本质的把握，这些东西是没法外包的。你让 AI 帮你搭了一个系统，如果你完全不理解它是怎么运作的，那出了问题你就束手无策。
有人就提出了这个担忧：当 AI 出错的时候，调试要花三倍的时间，因为你得去理解一段你根本没写过的代码。Karpathy 对此的回应是，如果你觉得效果跟去年差不多，很可能是你的使用方式不对。他建议去想想怎么把你脑子里的知识和上下文，通过工具让 Agent 也能获取到，而不是让它在信息不足的情况下盲目工作。
6、这一切意味着什么
把 Karpathy 的观点和评论区的讨论综合起来看，有几个趋势是比较清晰的。
第一，AI 编程的能力已经跨过了一个关键门槛。这个变化是突然的、台阶式的，不是缓慢渐进的。对于还没有亲自体验过最新工具的人来说，你对 AI 编程的认知很可能已经过时了。
第二，编程这个职业的核心技能正在发生迁移。从写代码本身，迁移到任务分解、Agent 编排、质量审查和系统设计。写代码的能力依然重要，但它的重要性在下降，而架构思维和工程判断力的重要性在上升。
第三，技术深度在 AI 时代反而更值钱了。这一点可能跟很多人的直觉相反。大家总觉得 AI 会让技术变得不重要，但实际情况是，AI 是一个放大器，它放大的是你已有的能力。你的技术底子越深，你能从 AI 工具中榨取的价值就越大。
第四，理解力是不可替代的。AI 可以帮你做事，但不能帮你理解。而一旦你失去了对系统的理解，你就失去了在关键时刻做出正确判断的能力。所以，即便 AI 能帮你写完所有代码，花时间去理解这些代码在做什么，依然是值得的。
Karpathy 在帖子最后说，在他看来，现在的软件行业绝对不是一切照旧的时候。这句话说得克制，但意思很明确：大变局已经来了，还在按老方式工作的人，需要认真想想接下来该怎么办了。
#