The End of Coding: Andrej Karpathy on Agents, AutoResearch, and the Loopy Era of AI

AI 编程代理正将软件工程从“写代码”转变为“管理宏指令”，而真正的瓶颈已从算力转移到了我们使用这些工具的技能上。

这期对话适合任何关心 AI 如何重塑工作流，尤其是软件开发和研究的从业者。Andrej Karpathy 以亲历者的身份，坦诚分享了从去年底开始他个人工作方式的剧变——几乎不再手写代码，转而通过“代理”和“Claw”来驱动项目。最值得注意的洞见是，能力的飞跃让我们从“资源受限”转向了“技能受限”，整个行业面临的根本挑战变成了如何设计指令、编排多代理协作，以及将人类意图转化为自动化流程。这不再是关于 AI 能做什么，而是关于我们如何驾驭它。

Andrej Karpathy 与主持人深入探讨了 AI 编程代理（如 Cline、Cursor、Claude Code）带来的根本性转变。对话围绕他个人如何从“写代码”转向“向代理表达意图”的经历展开，并延伸至多代理协作、自主运行的“Claw”实体、自动化研究（Auto Research）的潜力，以及 AI 能力“参差不齐”的现状对未来模型发展和行业重构的影响。

• 工作流革命已发生：自去年底起，顶尖工程师的默认工作流已彻底改变。瓶颈不再是打字速度或算力，而是个人有效指挥和管理 AI 代理的能力。这是一种“技能问题”，因此极具成瘾性和探索空间。
• 从“代理”到“Claw”的演进：单纯的交互式编码代理已是基础。下一步是“Claw”——一种更具持久性、能在后台自主运行、拥有更复杂记忆系统、甚至具有特定“人格”的实体。Karpathy 用其管理的智能家居“Dobby”为例，展示了 Claw 如何统一多个割裂的 App，通过自然语言提供无缝体验。
• 自动化研究的核心是“移除人为瓶颈”：Auto Research 项目的核心思想是，为了最大化利用 AI，必须设计出能让系统在明确目标和可验证指标下，长时间自主运行、无需人类干预的流程。这要求重构所有抽象，让研究人员从执行循环中退出，只提供初始意图和边界。
• AI 能力存在“参差不齐”的现状：当前模型在可验证、有明确奖励信号的领域（如代码、遵循指令）进步神速，但在一些“软性”领域（如理解细微意图、讲个新颖的笑话）却可能停滞不前。这种“参差不齐性”源于强化学习优化的局限性，意味着通用智能的提升并非在所有领域均匀发生。
• 行业需要为“智能体优先”重构：未来的软件体验可能不再需要无数定制化的 App。硬件应直接提供 API，而由 AI 代理作为智能“胶水”来调用和组合这些功能。客户正在从“人”转变为“代表人行事的代理”。

现在的游戏规则是，如何用你输入的极少几个 Token，触发背后巨量的自动化工作。

这对 AI 产品开发者和研究者的直接启发是：产品设计的重心必须从“模型能力”快速转向“工作流编排”和“意图翻译层”。我们不能再假设用户会学习复杂的 UI 或编写精准的 prompt。成功的产品应该像 Karpathy 的“Dobby”一样，能理解模糊的人类意图（如“睡觉时间”），并自主协调后端多个 API 完成复杂任务。同时，研究基础设施需要彻底重建，以支持可验证目标的自动化实验流水线，将人类研究员从繁琐的试错中解放出来，转变为规则和边界的设定者。此外，模型能力的“参差不齐”提醒我们，面向特定垂直领域进行深度优化和“特化”的模型，可能比追求全能但笨重的通用模型，在实践中带来更高效、更可靠的体验。