# Andrej Karpathy: From Vibe Coding to Agentic Engineering - Channel: [Sequoia Capital](https://www.youtube.com/channel/UCWrF0oN6unbXrWsTN7RctTw) - Published: 2026-04-29 - Source video: [Watch on YouTube](https://youtube.com/watch?v=96jN2OCOfLs) - Read on ReadTube: https://www.read.tube/p/videos/96jN2OCOfLs - Language: Simplified Chinese ## Summary **从氛编程到智能工程** 卡帕西认为，编程正在从“写代码”转向“用上下文和提示指挥智能体”的新范式，人工智能已经从辅助工具变成了能直接完成大量信息处理与软件构建的“新计算机”。他强调这种变化带来了既兴奋又不安的感受，因为许多过去必须手工完成的工作正变得可自动化，而真正重要的人类能力将更多集中在理解、判断、品味、规格设计和质量把关上。 安德烈·卡尔帕西认为，过去几个月里，基于智能体的工具已经从“能帮忙改一段代码”跃迁到“可以被大量信任来连续完成任务”，这让他第一次真切感到自己在编程上落后了。他把这种变化称为从“软件一到二再到三”的范式转移：未来的关键不再是写死规则，而是用提示、上下文和智能体去驱动“可编程的计算机”，甚至很多过去需要应用层中介的东西，都可以直接让模型端到端完成。 ## Article ### 从“氛围编程”到“代理式工程”：他为什么说自己前所未有地落后了 我们非常兴奋地迎来了第一位特别嘉宾。他帮助构建了现代人工智能，然后解释现代人工智能，接着又偶尔重新命名现代人工智能。他其实就在这间办公室里帮助共同创办了开放人工智能。他是当年在特斯拉真正把自动驾驶辅助系统做起来的人，而且他有一种罕见的天赋，能让最复杂的技术转变既变得可理解，又显得不可避免。大家都知道他去年创造了“氛围编程”这个词，但就在最近几个月里，他说了更惊人的一句话：他作为程序员，前所未有地感觉自己落后了。今天我们就从这里开始。感谢安德烈加入我们。 > 是的，你好。很高兴来到这里，也很高兴从这里开始。 ### “我从未像现在这样觉得自己落后”到底意味着什么 > 只是几个月前，你说过自己从未作为程序员感到如此落后。对你这样的人来说，这听起来很惊人。你能帮我们拆解一下吗？这种感觉是令人振奋，还是令人不安？ > 嗯，是两者都有，当然。首先，我想，和你们很多人一样，我已经使用代理式工具、类似低代码以及相关工具有一段时间了，可能过去一年里就一直在用。它出来时已经很不错了，能处理代码块，但有时也会出错，你得去编辑它们，那时它算是有帮助的。然后我会说，十二月对我来说是一个明确的节点，因为那时我在休假，所以有更多时间。我想很多人也差不多。然后我开始注意到，最新模型生成的代码块都能直接出来，而且我继续让它做更多，它也都能顺利完成。我已经记不清上一次纠正它是什么时候了，然后我就开始越来越信任这个系统，接着我就开始氛围编程了。所以我觉得，那确实是一次非常鲜明的转变。 > 我认为很多人其实都经历了这个。我试着在推特，也就是现在的“Ｘ”上强调这一点，因为我觉得很多人把去年的人工智能体验理解成了类似聊天机器人的东西。但你真的得再看一遍，而且必须回看十二月之后，因为情况已经发生了根本变化，尤其是在这种代理式、连贯的工作流上，它真的开始起作用了。 > 所以我会说，就是那个认知让我一下子掉进了无尽的副业项目兔子洞。我的副业项目文件夹已经非常满了，里面塞着很多乱七八糟的东西，我也一直在做氛围编程。所以，这件事大概就是十二月发生的，而我此后一直在看它带来的后果。 ### 把大语言模型当作一台新计算机：软件一点零、二点零、三点零 > 你一直在谈一种观点：大语言模型是一台新的计算机。它不只是更好的软件，而是一种全新的计算范式。软件一点零是显式规则，软件二点零是学习到的权重，软件三点零就是这个。如果这件事真的成立，那么一个团队在真正相信这一点的那一天，会以怎样不同的方式去构建？ > 对，完全正确。所以，软件一点零是我在写代码；软件二点零是我通过创建数据集和训练神经网络来编程。编程在某种程度上就变成了整理数据集，也许再加上一些目标函数和神经网络架构。 > 然后接下来发生的是，如果你在一个足够大的任务集合上训练这些生成式预训练模型，也就是大语言模型，它们实际上会在某种意义上变成可编程的计算机。软件三点零的核心就是，你的编程现在转向提示词，而上下文窗口里的内容，就是你对解释器的控制杆。这个解释器就是大语言模型，它在解释你的上下文，并在数字信息空间里执行计算。 > 我觉得，这就是这种转变。对我来说，有几个例子真正把这件事坐实了，也许这些例子会有帮助。 #### 一个安装工具的例子：不再是写脚本，而是把文本交给代理 > 比如，当开放爪子出来的时候，如果你想安装开放爪子，你通常会以为那会是一个 bash 脚本，也就是一个 shell 脚本。你运行那个 shell 脚本来安装开放爪子。 > 但问题在于，为了适配很多不同的平台和不同类型的电脑，你可能会运行开放爪子的设备。这些 shell 脚本通常会膨胀得非常复杂。但问题是，你仍然被困在软件一点零的宇宙里，想着要写代码。 > 其实，开放爪子的安装过程，已经变成了一段你要复制粘贴给代理的文本。基本上，这就是一个小技巧：把这段内容复制粘贴给你的代理，它就会帮你安装开放爪子。 > 这之所以强大得多，是因为你现在是在软件三点零的范式里工作。你不需要精确写出所有单独的细节。代理自己带着智能，把这些内容打包起来，然后它会按照说明做事，查看你的环境、你的电脑，然后执行智能操作让事情运转起来，并在循环中调试问题。它就是强大得多。 > 所以我认为，真正不同的思路在于：要思考的是，给代理复制粘贴的一段文本到底是什么？这就是编程范式。 #### 一个菜单生成器的例子：应用本身其实多余了 > 还有一个我想到的例子，甚至比这个更极端，那就是我在做菜单生成器的时候。菜单生成器的想法是：你走进一家餐厅，他们给你一份菜单，通常没有图片。所以我一般有百分之三十、五十的东西根本不知道是什么。 > 我就想拍一张餐厅菜单的照片，然后看看那些东西大概会是什么样子。所以我用氛围编程做了一个应用，基本上就是让你上传一张照片，然后它做所有这些事情，并部署在维尔塞尔上。它会把菜单重新渲染出来，列出所有条目，还会给你一张图片，它会用图像生成器去做，基本上先做光学字符识别，识别出所有不同的标题，再用图像生成器给它们生成图片，然后展示给你。 > 后来我看到了软件三点零版本的做法，这个做法让我震惊：它 literally 就是把你的照片交给双子座，然后说：用纳米香蕉把这些东西叠到菜单上。 > 而纳米香蕉返回了一张图，几乎就是我拍的那张菜单照片，但它实际上把菜单里不同项目直接渲染进了像素里。这让我彻底震惊，因为其实我的菜单生成器全都是多余的。它是在旧范式里工作，这个应用本来就不该存在。 > 软件三点零的范式更加原始。你的神经网络承担了越来越多的工作，而你的提示词或者上下文只是那张图，输出还是那张图，中间根本不需要任何应用。 > 所以我认为，人们必须重新思考，不要继续按照现有范式去理解已经存在的东西，把它仅仅看成一个速度提升。其实现在是有新事物可用的。 > 回到你关于编程的问题，我觉得这甚至也是旧思维的一种表现，因为这不只是编程和编程变得更快。这更一般地说，是更多类型的信息处理现在都可以自动化了。所以这甚至不只是代码。 > 以前的代码是运行在某种结构化数据上的，对吧？你在结构化数据上写代码。比如我的大语言模型知识库项目，本质上就是让大语言模型为你的组织，或者为你个人，创建维基之类的东西。这甚至都不是一个程序。这以前不可能存在，因为以前没有那种代码，能根据一堆事实生成一个知识库。 > 但现在你可以把这些文档拿过来，基本上以一种不同的方式重新编译它们，重新排序它们，创造出一些新的、有趣的东西，作为对数据的一种重构。所以这些是以前不可能做到的新事物。 > 因此，我一直试着回到这一点：不要只想着我们现在能做什么更快地实现过去存在的东西，而是要想到新的机会，想到以前根本不可能存在的东西。我几乎觉得，这反而更令人兴奋。 ### 如果往前推到二〇二六年，什么会像今天的“显而易见”一样自然 > 我很喜欢你对菜单生成器那种渐进式演化和二分法的描述。我想，很多在场的人也都跟随了你从去年十月到今年一月、二月的编程演化过程。如果继续外推下去，二〇二六年的对应物会是什么？就像九十年代建网站、二〇一零年代做移动应用、过去云时代做软件即服务那样，如今哪些事情在回头看时会显得完全理所当然，而今天却还大多没有被构建出来？ > 嗯，回到菜单这个例子，我觉得有很多代码本来就不该存在，神经网络在其中应该承担大部分工作。 > 我确实觉得，这种外推会显得非常奇怪，因为你基本上可以想象一种完全神经化的计算机。比如，想象一个设备，把原始视频或音频输入进去，进入某种神经网络，然后用扩散来渲染一个界面，这个界面在某种意义上会针对那个时刻独一无二。 > 我有点觉得，在计算机早期，人们其实对计算机到底会更像计算器，还是更像神经网络，是有点困惑的。五十年代和六十年代时，哪条路会胜出并不明显。当然，我们最后走上了计算器的道路，建立了经典计算；而现在神经网络仍然是虚拟化地运行在现有计算机上的。但你可以想象，我认为很多事情会翻转过来，神经网络会成为某种主进程，而中央处理器会更像协处理器。 > 我们已经看到了那个图景：智能计算、神经网络的计算开销，将会占据主导性的浮点运算支出。所以你可以想象出一个非常奇怪、陌生的未来：神经网络在做大部分重活，而工具使用只作为某种历史遗留的附属，用来处理某些确定性任务。真正掌控局面的，是那些某种意义上的神经网络。 > 所以你可以把这种外推想得极其陌生，但我认为我们大概会一点一点走到那里。只是这个演化路径还未定，我会这么说。 ### 可验证性：为什么有些工作会跑得比人们预期更快 > 我想再谈谈“可验证性”这个概念，也就是人工智能会更快、更容易地自动化那些输出可以被验证的领域。如果这个框架是对的，那么哪些工作会比人们意识到的更快地被推进？哪些职业是大家以为安全、但实际上高度可验证的？ > 是的。我花了一些时间写可验证性这件事。基本上，传统计算机很容易自动化那些你可以用代码指定的东西；而最新一轮的大语言模型，则可以很容易自动化那些你能够验证的东西。某种意义上就是这样。 > 这是因为，当前沿实验室训练这些大语言模型时，这些模型本质上是在巨大的强化学习环境里。它们会被给予验证奖励。然后，由于这些模型的训练方式，它们最终会形成一种像锯齿一样的能力分布：在数学、代码以及相邻领域这类可验证领域里，能力峰值特别高；而在那些不属于这个空间的东西上，就会停滞，而且显得有点粗糙。 > 所以我写可验证性，部分原因是我想理解为什么这些东西会这么“锯齿化”。其中一部分和实验室训练模型的方式有关，但我认为另一部分也和实验室的关注重点、以及他们碰巧放进数据分布里的内容有关。 > 因为有些东西在经济上更有价值，于是会形成更多的环境，而实验室也会想在这些环境里工作。所以我觉得，代码就是一个很好的例子。也许他们还能想到很多可验证环境，只是这些环境碰巧没有进入组合，因为它们没有那么有用，不值得把这种能力放进去。 > 但对我来说，最大的谜团是：有一阵子最经典的例子是“草莓里有多少个字母”，模型会公认地答错，这就是锯齿性的一个例子。模型现在大概已经修好了，但新的例子是：我想去洗车，洗车店离我五十米。我应该开车去，还是应该走路去？而今天的最先进模型会告诉你走路去，因为太近了。 > 这是怎么可能的？最先进的奥普斯四点七可以同时重构一个十万行代码库，或者发现零日漏洞，却又告诉我走路去洗车？这简直离谱。 > 在这些模型仍然保持锯齿性的程度上，这说明两点：第一，也许有些地方出了问题；第二，你实际上需要稍微介入其中，把它们当作工具来用，而且你得和它们保持接触，看看它们在做什么。所以，关于可验证性的所有写作，说到底就是想弄明白这些东西为什么这么锯齿。它们有没有什么模式？我认为，这是可验证性和实验室关注点的一种组合。 #### 从国际象棋数据到能力峰值：分布改变一切 > 再补充一个很有启发性的轶事：从生成式预训练模型三点五到生成式预训练模型四，大家注意到国际象棋进步了很多。我想很多人会觉得，哦，这只是能力的自然演进。但其实不是，我认为这是公开信息，我好像是在网上看到的：大量国际象棋数据进入了预训练集。因为它进入了数据分布，模型的提升就比单纯默认训练时大得多。 > 所以，某位开放人工智能的人决定加入这些数据，然后你就得到了一项能力，它的峰值一下子高了很多。 > 这就是为什么我一直强调这一维：我们在某种程度上受制于实验室正在做什么，受制于他们碰巧放进混合里的内容。你必须真正去探索他们给你的这个没有手册的东西。它在某些场景里有效，但在另一些场景里可能不行。你得稍微探索一下。 > 如果你处在强化学习训练覆盖到的电路里，你就会飞起来；如果你处在数据分布之外的电路里，你就会挣扎。你得搞清楚你的应用到底处于哪些电路里。如果不在那些电路里，那你就真的得去研究微调，自己做一些工作，因为它不一定会开箱即用地从大语言模型里出来。 ### 给创始人的建议：在可验证领域里造自己的强化学习环境 > 我想过一会儿再回到锯齿智能这个概念。假设你今天是个创始人，正想着要建立一家公司。你在解决一个你认为可行的问题，一个你认为属于可验证领域的问题，但你环顾四周会想：“天哪，实验室在数学、编码和其他看起来最明显的方向上，真的已经开始跑出逃逸速度了。”你会给在场的创始人什么建议？ > 我想，这也许可以回到前一个问题。我确实认为，可验证性让某件事在当前范式下变得可行，因为你可以对它投放大量强化学习。 > 所以，也许一种看法是：即便实验室没有直接关注某个方向，这个结论仍然成立。如果你处于一个可验证环境里，并且可以创建这些强化学习环境或者示例，那么这实际上让你有机会做自己的微调，而且你也许能从中受益。 > 但从根本上说，那是技术上真的有效的东西。只要你手里有大量多样化的数据集、强化学习环境等等，你就可以拉动一个杠杆，用你喜欢的微调框架，做出一些实际上相当好用的东西。 > 我不知道具体会是什么例子。但我确实认为，有一些非常有价值的强化学习环境，大家可以思考，而我觉得这些还不在…… > 我不想把答案直接说破，但确实有一个领域，我认为非常…… > > 哦，抱歉，我不是想在台上剧透，不过这种例子确实存在。 ### 另一方面：什么东西看起来只是“远远看着能自动化” > 反过来说，你觉得什么东西到现在还只是“远远看着能自动化”？ > 我确实认为，最终几乎一切都可以在某种程度上变得可验证。只是有些事情比其他事情更容易。 > 比如写作之类的事情，你也可以想象出一个由大语言模型评审组成的委员会，大概也能得到某种合理的结果。所以这更多是一个难易问题。 > 所以我确实认为，最终…… > 一切。 > 一切都可以自动化。 ### 从“氛围编程”到“代理式工程”：不是更随意，而是更负责 > 太棒了。去年你创造了“氛围编程”这个术语，而今天我们身处的世界感觉稍微更严肃一些，更像“代理式工程”。你认为这两者的区别是什么？你实际上会怎么称呼我们今天所处的状态？ > 嗯，我会说，氛围编程的意义在于抬高所有人的下限，也就是提升人们能做的软件能力下限。下限变高了，每个人都可以对任何东西进行氛围编程，这很棒，非常了不起。 > 但我会说，代理式工程的意义在于，在专业软件里保住以前的质量底线。你不能因为氛围编程而引入漏洞。你仍然要像以前一样对自己的软件负责，但你能更快吗？答案剧透一下，是可以的，但你该怎么正确做到？ > 所以对我来说，我之所以把它叫做代理式工程，是因为我确实认为这更像一个工程学科。你有这些代理，它们是一些尖峰型实体。它们有点不可预测，有点随机，但它们极其强大。关键是你怎么协调它们，让它们在不牺牲质量底线的前提下更快地工作，而且还要做得正确。这就是代理式工程的领域。 > 所以我把这两者看成不同的东西：一个是关于抬高下限，另一个是关于外推。就我现在看到的情况而言，我认为代理式工程的能力上限非常高。以前人们总谈“十倍工程师”，但我认为这被放大了很多，十倍已经不是你得到的加速了。 > 就我现在的视角来看，那些非常擅长这件事的人，峰值可能远远超过十倍。 ### 新一代“原生人工智能工程师”到底哪里不同 > 我很喜欢这个框架。去年山姆·奥特曼来艾恩的时候，他说过一句很令人难忘的话：不同世代的人使用生成式聊天工具的方式是不同的。如果你三十多岁，你会把它当作谷歌搜索替代品；但如果你十几岁，它就是你通往互联网的入口。那么在今天的编码世界里有没有类似的对应关系？如果我们看两个人用开放爪子、克劳德代码、代码执行器之类的工具编码，一个你会觉得比较普通，另一个你会觉得完全是人工智能原生的。你会怎么描述他们之间的差别？ > 我觉得，这就是在尽量把现有工具的潜力榨干，同时投资于你自己的环境设置。就像以前工程师都习惯把工具用到极致，不管是维姆、可视化工作区，还是现在的克劳德代码、代码执行器之类的东西。其实就是投资于自己的配置，同时利用你手头的很多工具。 > 我觉得看起来大致就是这样。 > 我也有一个相关想法：很多人现在也许正在围绕这个方向招聘，因为他们想招强大的代理式工程师。我觉得，从我看到的情况看，大多数人还没有把招聘流程重构成适配代理式工程师能力的样子。比如你现在还在出题让人解，这仍然是旧范式。 > 我会说，招聘现在应该看起来像是：给我一个非常大的项目，看某个人能不能把这个大项目实现出来。比如，我们来写一个供代理使用的推特克隆，然后把它做得非常好、非常安全，再让一些代理去模拟这个推特上的活动。然后我用十个代码执行器五点四倍叉的高强度测试，想办法去破坏你部署的网站，而它们不应该能够把它破坏掉。 > 所以，也许它应该看起来像这样。然后在这种场景下观察人们，做更大的项目，并利用工具，这大概就是我会优先看的方向。 ### 当代理做得越来越多，人类还会更值钱的技能是什么 > 随着代理做得越来越多，你认为哪些人类技能会变得更有价值，而不是更不值钱？ > 嗯，这是个好问题。我想，现在的答案是，代理有点像实习生型实体，对吧？ > 很了不起，但你基本上仍然必须掌控审美、判断、品味，以及一点监督。 > 我最喜欢的一个关于代理奇怪性的例子是，菜单生成器里你会用谷歌账户注册，但你会用条纹账户购买点数，而这两者都有电子邮件地址。我的代理实际上试图在购买点数时，用条纹里的电子邮件地址去对应谷歌邮箱地址。也就是说，它没有一个持久的用户标识符，它是在试图用电子邮件地址匹配电子邮件地址。但你完全可以给你的条纹和谷歌设置不同的邮箱，结果它就不会把这些资金关联起来。 > 这就是这些代理还会犯的那类错误：为什么要用电子邮件地址来交叉关联资金？它们可以是任意的。你完全可以用不同的邮箱，等等。这是一件多么奇怪的事。 > 所以我认为，人们必须掌握这个规格、这个计划。我甚至不太喜欢“计划模式”。当然，它很有用，但我觉得这里有更普遍的东西：你必须和你的代理一起设计一个非常详细的规格，也许基本上就是文档，然后让代理去写这些内容，而你负责监督和顶层分类，但代理会完成很多底层工作。 > 所以我觉得，你不再需要关心一些细枝末节。举个例子，神经网络里的数组或张量也是这样。PyTorch、NumPy，以及 pandas 之类的东西，里面有大量细节，各种微小的接口差异。我已经忘了“保留维度”和“保留维”到底怎么写，也不记得是 `dim` 还是 `axis`，还是 `reshape`、`permute`、`transpose` 这些了。我现在已经不记得这些东西了，因为你不需要记。 > 这类细节现在交给实习生来处理，因为他们的记忆力很好。但你仍然需要理解，底层有一个张量，有一个底层视图，你可以操作同一存储的视图，或者你也可以有不同的存储，那会更低效。所以你仍然要理解这些东西在做什么，理解一些基本原理，这样你就不会不必要地拷贝内存之类的。 > 但接口细节现在已经移交出去了。所以你负责品味、工程、设计，负责确保它有意义，负责要求正确的东西，负责说“好的，这些必须是我们要绑定的一组唯一用户标识符”。所以你在做一些设计和开发，而工程师们在做填空题。至少目前，我们大致就是处在这个状态，而我认为这也是现在每个人都看到的。 #### 品味和判断会变得没那么重要吗，还是上限只会继续升高 > 你觉得这种品味和判断会随着时间变得不那么重要吗，还是上限会继续升高？ > 嗯，这是个好问题。我会…… > 我希望它会变得更好。我想，也许它现在之所以没有变好，还是因为这不在强化学习回路里。可能没有审美成本或者奖励，或者还不够好，之类的。 > 我确实认为，当你真正看代码的时候，我有时会有一点心脏病发作，因为代码并不总是那么惊艳。它经常很臃肿，有很多复制粘贴，还有很别扭、很脆弱的抽象层。它虽然能跑，但真的很难看。 > 我确实希望未来模型能改善这一点。 > 还有一个很好的例子是那个微型生成式预训练模型项目。我当时试图把大语言模型训练尽量简化，尽可能简单。模型不喜欢这个。它们做不到。我一直试着提示大语言模型去再简化一点、再简化一点，但它就是做不到。你会感觉自己已经在强化学习电路之外了，感觉就是在拔牙，不是光速运行。 > 所以我确实认为，人们现在仍然必须掌控这些东西。但我也确实认为，这里没有什么根本性障碍阻止它变好，只是实验室还没做而已，几乎就是这样。 ### “我们召唤出来的是幽灵”：锯齿智能到底改变了什么 > 我很想回到这个锯齿形式的智能概念。你写过一篇非常发人深省的文章，把动物和幽灵做了对比。你的观点是，我们不是在构建动物，而是在召唤幽灵。这些是被数据和奖励函数塑造出来的锯齿形智能，却没有内在动机、乐趣、好奇心或赋权感——这些东西是通过进化形成的。这个框架为什么重要？它实际上会改变你如何构建、部署、评估，甚至信任它们吗？ > 嗯，是的。我写那篇文章的原因，就是在努力搞清楚这些东西到底是什么。因为如果你对它们到底是什么、不是什麽有一个好的模型，你就会更有能力去使用它们。 > 我不确定它是否真的有那种实在的力量。我觉得它有点像哲学化。但我确实认为，这只是要接受一个事实：这些东西不是动物智能。你如果对它们大喊，它们不会因此工作得更好或更差，也不会有什么影响。 > 它们本质上只是统计模拟电路：底层是预训练，也就是统计，然后强化学习再叠加上去。这样它会增加它们的……嗯，或许这只是我进入系统时的一种心态，或者是对什么更可能有效、什么不太可能有效、怎么修改它的一种判断。 > 但我其实不知道自己是不是能说出“这里有五个显而易见的结果，会让你的系统更好”。更多的是保持怀疑，并且随着时间推移逐渐弄明白。 ### 当代理有真实权限、真实上下文、真实行动能力时，世界会怎样 > 这正是起点。好，我们现在已经非常深入地在和代理一起工作，这些代理不只是聊天，它们拥有真实权限、拥有本地上下文，甚至会代表你采取行动。当我们所有人都开始生活在这样的世界里时，世界会是什么样？ > 嗯，我想，我想在座的很多人都很期待这种代理原生、代理化的环境会是什么样，而一切都必须被重写。现在的一切基本上还是为人类写的，都需要搬迁重构。 > 我大多数时候在使用不同框架、库或类似东西时，它们的文档依然本质上是写给人看的。这是我最喜欢抱怨的一点：为什么人们还在告诉我要做什么？我根本不想自己做什么。我要复制粘贴给代理的到底是什么？ > 所以，每次我被告知“去这个网址”之类的话，我都会想：唉。 > 所以，我认为大家都很兴奋的一点是：我们该怎样把需要发生的工作负载，拆解成对世界的传感器、对世界的执行器？我们该怎样让它们变成代理原生？基本上，就是先把它描述给代理，然后围绕对大语言模型非常可读的数据结构做大量自动化。 > 所以我希望有大量面向代理优先的基础设施存在。举个例子，菜单生成器很有名——虽然我不确定它到底有多有名——当我写那篇关于菜单生成器的博客时，很多麻烦其实甚至不是写代码，而是把它部署到维尔塞尔上，因为我得和很多不同服务打交道，我得把它们串起来，我得进入各种设置和菜单，配置我的域名系统，这真的太烦了。 > 所以一个很好的例子就是，我希望我可以直接给大语言模型一个提示词：构建菜单生成器，然后我就不用碰任何东西，它就以同样的方式部署到网上。 > 我觉得这会是一个不错的测试，用来判断我们的很多基础设施是不是越来越代理原生了。最终我还会说，我确实认为我们正在走向一个世界：人和组织都会有代理代表，而我的代理会和你的代理对话，去处理我们会议或者其他事情的一些细节。 > 所以我确实觉得，大致会朝那个方向发展。不过，是的，我想大家都对这个很兴奋。 ### 从“传感器与执行器”的比喻，看代理原生世界 > 我真的很喜欢“传感器”和“执行器”这个视觉类比。我之前其实没想到过，这个比喻太有意思了。 > 对吧？ ### 什么时候还值得深入学习：理解依然是瓶颈 > 好，我觉得我们必须以教育问题收尾。因为你可能是世界上最擅长把复杂技术概念讲得简单的人之一，也非常深刻地思考过我们如何围绕它来设计教育。随着我们进入人工智能的下一阶段，当智能变得廉价时，什么东西仍然值得深入学习？ > 是啊。最近有一条推文把我震住了，我几乎每隔一天都会想起它。大意是：你可以把思考外包出去，但你不能把理解外包出去。 > 我觉得这句话说得太好了。 > 因为我仍然是系统的一部分，我仍然必须以某种方式把信息输入到我的大脑里。我感觉自己正在成为一个瓶颈，甚至只是知道我们到底在建什么、为什么值得去做、我该如何指挥我的代理等等。所以我确实认为，最终还是得有某种东西来引导思考和处理，而这在某种程度上仍然受理解能力的根本约束。 > 这也是我为什么对所有那些大语言模型知识库特别兴奋的原因之一，因为我觉得那是一种处理信息的方式。每当我看到一种不同的信息投影方式时，我总觉得自己获得了洞见。所以对我来说，那基本上就是对某个固定数据集做合成数据生成的一系列提示。 > 我真的很喜欢这样：每当我读一篇文章，我都会让我的维基，从这些文章里逐步建立起来，然后我喜欢就一些事情提问。我觉得，最终这些工具是用来增强理解的，而这方面现在仍然有点瓶颈，因为如果你还不能理解，你就没法很好地指挥；而大语言模型显然并不擅长理解，所以在这件事上，你仍然是独一无二的负责人。 > 所以，是的，我觉得这种类型的工具非常有趣，也非常令人兴奋。 > 我很期待几年后再回来，看看我们是不是已经被完全自动化踢出了循环，而它们甚至连理解也一并替我们处理了。感谢你今天加入，安德烈。我们非常感激。