最近，Andrej Karpathy 做客了一档播客。节目的名字很耸动：The End of Coding: Agents, AutoResearch, and the Loopy Era of AI。
有一段话，我在听这期播客时停下来反复听了三遍。
Andrej Karpathy 在被问到“最近在忙什么”时，语气里带着一种他自己都没完全消化的困惑。他说：“code 这个词已经不对了。我现在是在向 Agent 表达我的意志。”
他甚至补充了一个细节：从去年 12 月起，他大概就没有亲手打过一行代码了。
如果你了解 Karpathy 是谁——OpenAI 联合创始人、特斯拉自动驾驶负责人、能把神经网络讲得最透彻的大师——你就能意识到这句话背后的分量。这不是某个产品经理在兜售概念，而是一个站在技术最前哨的人，发现自己正处于一种“AI 迷失（psychosis）”的状态中。
为什么是 12 月？
Karpathy 观察到一个清晰的翻转时刻：在那之前，他的工作方式是 80% 自己写代码，20% 交给 AI 辅助；在那之后，比例彻底倒置，现在那个“自己写”的比例几乎归零。
这种转变背后的逻辑其实很简单：你以前的产出被你的打字速度限制，而现在，唯一的限制是你能不能持续给 Agent 派活。
理解了这一点，我们自然就能推导出他提到的一个新概念：“宏观操作”（macro actions）。说白了，你不再是那个修补零件的工人，而是在调度整个代码库级别的变动。
但这带来了一个让人极其不舒服的洞察：你才是那个瓶颈。
把自己从循环里移出去
Karpathy 举了一个真实的案例。他在做一个叫 AutoResearch 的项目，目标是让 Agent 自主完成 AI 研究的闭环：提出假设、做实验、调参。
他把自己调了很久的一个模型交给这个系统跑了一晚上。结果第二天发现，Agent 找到了他漏掉的两个关键超参优化——一个是价值嵌入的权重衰减，一个是 Adam 优化器的 beta 参数。
“我做了二十年机器学习，我以为这个模型已经调得够好了。”Karpathy 感叹道。结果 AI 跑了一个晚上，就找到了他没看到的东西。
这并不是在说 AI 比人类科学家更聪明，而是在揭示一个残酷的现实：如果你想从这些工具里榨取出最大价值，就必须把自己从“循环”里移出去。 你不能站在那儿等着提下一个提示词，你应该设计好系统，让它自己跑，然后走开。
这会产生一种全新的焦虑：过去我们担心 GPU 闲置是浪费算力，现在 Karpathy 担心的是 Token 额度没用完，或者 Agent 在等着他决策，而他反应太慢。
这件事正在改变的，远不只是写代码
当这种“去中心化”的思路蔓延开来，很多领域的底层逻辑都在坍塌重构。
比如 AI 研究本身。Karpathy 描绘了一套未来的自动化科研流：一边是自动化的科学家在论文和代码库里找想法，然后投进任务队列；一边是大量的 Agent worker 从队列里取任务、测试、提交特性分支。而研究员，只在最终合并代码的时候出现一次。
再比如 教育。这可能是最被低估的一个观点。Karpathy 认为，以前我们写文档是给人类看的 HTML，现在你应该写给 Agent 看的 Markdown。如果 Agent 理解了，它就能用十种不同的方式去给人类解释，直到把你教明白为止。
甚至在就业市场，他也给出了一个地道的经济学解释：杰文斯悖论。就像 ATM 机的普及反而增加了银行网点和柜员总数一样，当软件开发的成本降到极低，世界对软件的需求会迎来一次前所未有的爆炸。
你的工作，是那些 Agent 做不了的“几个比特”
访谈快结束时，Karpathy 说了一句可以作为所有技术人操作指南的话：“Agent 能做的事，很快会比你做得更好；Agent 做不了的事，才是你的工作。”
这话听起来像鸡汤，但对他来说是极其具体的实践。他提到自己的 microGPT 项目，他的核心价值在于那 200 行代码里经过反复打磨的“最小化设计”。
这几百行代码背后的审美、直觉和对“本质”的判断，是 Agent 现阶段无法凭空创造的。但围绕这段代码的所有解释、文档和教学，Agent 可以做得比他好得多。
所以他现在非常有策略地只把精力投在那几个 Agent 做不了的“关键比特”上。其他的，全部交出去。
这一轮变化和以往任何一次“AI 提效”都不同。以前我们觉得 AI 是帮手，现在我们发现自己是系统里最慢的那个节点。
多做实验，认真读懂模型的输出。更重要的是，问问自己：在你的日常工作中，有多少比例是“可外包的执行”，又有多少比例是真正不可替代的“判断与设计”？
那个比例，就是你在这个新时代里真正的身位。
想看更多优质内容，记得关注我，全平台同名
