導讀：AI 研究界最具代表性的工程師之一，在 2024 年底做了一件讓所有人震驚的事——他停止手寫程式碼了。這不是倦怠，這是宣言。
TL;DR：Andrej Karpathy 自 2024 年 12 月起不再親手寫程式碼，改為指揮多個 AI Agent 並行作業。他的 AutoResearch 系統在兩天內跑完 700 次實驗，找到 20 個有效改進——這是任何人類工程師兩個月都做不到的事。這不是科幻，這是現在正在發生的工作方式轉型。
他不是在偷懶，他是在進化
2024 年 12 月，Andrej Karpathy——Tesla 前 AI 總監、OpenAI 創始成員、整個深度學習世代的啟蒙者——在訪談中平靜地說了一句話：「我已經不再手寫程式碼了。」
不是因為他不會，而是因為這樣做已經沒有意義。
他現在做的事更像指揮：給出方向、定義規格、審閱成果，讓多個 AI Agent 並行執行任務。他的語彙也跟著改變——他不再想著「要寫哪幾行程式碼」，而是用「巨觀行動」思考：這個任務的邊界在哪裡？成功條件是什麼？Agent 應該往哪個方向走？
這個轉變，不只是個人習慣的改變。它是一個訊號。
圖 1：一人指揮多個 AI Agent 並行執行——700 次實驗、兩天、20 個有效改進
700 次實驗，兩天完成
要理解 Karpathy 在說什麼，最直接的方式是看一個數字：700。
這是他的 AutoResearch 系統在兩天內跑完的實驗次數。結果？找到了 20 個真實有效的模型改進方向。
對比一下：這個成果，相當於一位優秀工程師兩個月密集手動調參的收穫。
AutoResearch 的運作邏輯並不複雜：讓 Agent 自動提出假設、自動設計實驗、自動評估結果、自動迭代改進。這個迴圈不需要人類在中間當傳話筒，它自己跑。
但這裡有一個關鍵前提，Karpathy 特別強調：AutoResearch 能超越人類，只在「可驗證的任務」上成立。
什麼叫可驗證？就是有明確的對錯標準——模型準確率提升了還是下降了、測試通過了還是沒過、指標數字是多少。在這類任務上，AI 可以形成完整的「假設→實驗→驗證→優化」迴圈，並且越跑越快、越跑越準。
人類工程師的優勢，反而轉移到了別處。
你的護城河在哪裡？
Karpathy 給出的答案很清醒：設計這個自動化迴圈本身，以及品味判斷，是人類真正的護城河。
AI 能告訴你「這個參數組合的準確率提升了 0.3%」，但它不知道你根本不應該優化這個指標。AI 能在 700 次實驗後找到 20 個改進，但它不知道哪 3 個值得真正投入。什麼問題值得問、什麼結果值得在意——這是人類的工作。
他還提出了一個反直覺的判斷法則：當 Agent 任務失敗時，先假設是你的問題，不是 AI 的問題。
具體來說，他把 Agent 失敗的第一排除方向指向「技術問題」：指令不夠清晰、上下文資訊不足、任務邊界模糊。他觀察到，大多數時候工程師傾向於立刻懷疑模型能力，但真正的根源往往是「你給的 prompt 爛透了」。
他還有一句更直白的話：把你的指令 Markdown 當成可迭代的程式碼來對待。就像你不會第一版程式碼就上線，你的 Agent 指令也需要版本管理、需要測試、需要根據失敗案例持續修正。
模型能力的鋸齒地帶
但 Karpathy 不是盲目樂觀的人。他也指出了 AI 能力的結構性限制，用了一個很貼切的比喻：鋸齒狀。
在可驗證、可量化的任務上，AI 的表現往往超乎你的預期——它能做到人類根本跟不上的速度和規模。但在「軟性任務」上，它會出現奇怪的盲點：美感判斷、策略取捨、跨領域直覺、複雜的人際溝通。
這不是 AI 的 Bug，這是當前技術的邊界。而理解這個邊界，比盲目信任或盲目懷疑都更有價值。
他還說了一件讓很多工程師聽了不舒服的事：你要開始為 Agent 寫文件，而不是為人類寫文件。
這兩種文件的差異很大。為人類寫的文件可以模糊、可以依賴隱性知識、可以留白讓人自行理解。但 Agent 沒有這種能力，它需要明確的邊界、明確的成功條件、明確的異常處理邏輯。這個習慣的養成，比學任何新工具都更能決定你能否駕馭 Agent 時代。
你該做的三件事
如果你是開發者、研究人員或技術主管，Karpathy 的這些觀察可以直接轉化為行動：
重新定義你的工作粒度：停止思考「要寫哪幾行」，開始思考「這個任務的輸入、輸出與驗證條件是什麼」。把自己定位成架構師，不是工匠。
找出你工作中可驗證的環節：哪些任務有明確的對錯標準？先從這裡開始建立自動化迴圈。這是 AutoResearch 模式最容易複製的切入點。
把 prompt 當程式碼對待：建立版本控管、記錄失敗案例、持續迭代。一個精心設計的指令架構，比換一個更強的模型更有效。
結語：指揮棒在你手上
Karpathy 的訊號不是「AI 要取代工程師」，而是「工程師的工作正在升維」。
從寫每一行程式碼，到定義任務架構；從手動調參，到設計自動化迴圈；從為人解釋，到為 Agent 撰寫精確指令。這不是能力的退化，這是槓桿的擴張。
真正的風險，是那些還在執著於每行程式碼的人——不是因為他們能力不足，而是因為他們的眼光停留在了樂譜上，沒有抬頭看台下等待指揮的那支樂團。
那支樂團已經準備好了。指揮棒，在你手上。
References
- Karpathy, Andrej (2025). Insights on building with AI Agents. Public Interview / Conference Talk.
- Karpathy, Andrej (2025). On AI verifiability and the AutoResearch system. Public Interview.
- Karpathy, Andrej (2025). Full interview — not writing code since December 2024. Podcast.
- Karpathy, Andrej (2025). AI anxiety and the decentralized Agent swarm concept. Public Commentary / Social Media.