2023 年 OpenAI 出走潮之后，Andrej Karpathy 一直是硅谷 AI 圈最值得听的声音之一——因为他不装、不绕、敢下判断。三次坐上 Sarah Guo 与 Elad Gil 主理的 No Priors，每一次都拿出新的概念或新的项目。这次（2026 年初录制）也不例外：他在节目里反复回到一个状态，叫 AI psychosis——一种"对 AI 能力跃迁持续亢奋且焦虑"的状态。
整场 66 分钟里，他从自身工作流说起，覆盖了编程智能体的能力跃迁、多agent协作、claw 智能体形态、AutoResearch 自动化科研、Jaggedness 与 Verifiable 的智能边界、speciation（智能多样化）、Frontier Lab 的悖论、open vs closed 的 Linux 类比、机器人产业的滞后与数字-物理接口，最后落到 micro-GPT 200 行 Python 与教育范式的重组。本文按主题重新组织，提取实质性观点、理论与案例，剥掉对话形式，让没空听 1 小时播客的人也能拿到 90% 的有效信息。
一、80/20 翻转到 20/80：编程范式的全面重构
Karpathy 在节目里给出的一个数字，是整场访谈的锚点：2025 年 12 月以来，他几乎一行代码都没自己写过。在那个月之前，他写代码与委托 agent 的比例是 80:20；12 月份某个时刻，"something flipped"，比例翻成 20:80。
这不是个人体验的夸张——Karpathy 补充了一个外界不容易看到的对照：他与 Conviction 一支团队合作，对方的工作设置是"所有工程师不再手写代码，全员戴麦克风低声对着 agent 说话"。他自己最初以为对方"疯了"，后来"完全接受了"。换言之，他相信那条路径是对的，只是别人比他早走了几个月。
12 月以来的变化之所以剧烈，是因为它影响的不只是"用什么工具"，而是"工作流是什么"。一个普通软件工程师从 12 月开始，他构建软件的默认方式就已经完全不同——这个事实他认为"正常人没有意识到它的戏剧性"。
2025 年 12 月是 LLM 编程能力的关键拐点。模型从"辅助写代码"过渡到"可以独立完成多文件、多小时的复杂任务"。Karpathy 的判断是：未来 1–2 年内，每个人和 agent 的协作模式会再变一次，但当下这一波变化已经足以颠覆工程师的日常。
二、Token 吞吐焦虑：从"算力不够"到"自己不够"
能力跃迁带来了一个反直觉的焦虑：订阅额度花不完。Karpathy 自陈，每当月底发现 ChatGPT 或 Claude Code 的订阅还有余额，他就会紧张——"那说明我还没最大化我的 token 吞吐"。
他把这种焦虑类比读 PhD 时期：当 GPU 没在跑，会同样焦虑——明明有 flops 没用满。但今天这个焦虑不再是 flops，而是 token。进而 Karpathy 提出了一个新指标：token throughput——你调度多少 token 吞吐，决定了你的"使用能力"。
这种焦虑的背后是行业十年的反转。过去 10 年，在很多工程任务里人们没觉得被算力卡住，所以也从未有过"agent 闲置"的紧张感。现在大家同时觉得资源不够了——但仔细看会发现，瓶颈不在算力，而在于"我自己会不会用它"。换言之：卡住你的是技能，不是算力。这也解释了为什么这件事如此上瘾——每次你变得更会使用 agent，就解锁了新的能力上限。
三、Peter Steinberg 的 10 个 repo：多 agent 协作的现实
Karpathy 在节目里点名了 OpenAI 的 Peter Steinberg——一个已经成为"多 agent 协作"代言人的工程师。Steinberg 的工作场景被一张照片定格：站在一排显示器前，10 个 Codex agent 同时对屏幕工作。
每个 agent 如果 prompt 正确、用 high effort，大约要 20 分钟跑完一个任务。所以 Steinberg 的方法是：让 10 个 repo 同时 checkout，他在它们之间穿梭，不断给新任务。他操作的已经不是"一行代码"或"一个新函数"，而是"一个不会跟其他任务冲突的新功能模块"——这是 macro action 级别的协作。
Karpathy 用 "you want to be Peter Steinberg, basically" 来总结这种理想的工作方式——而当下绝大多数工程师还没达到这个状态。这指向了一个清晰的能力阶梯：单 agent 会话 → 多 agent 并行 → macro action 协作 → 由 claw 实体托管整个 sandbox。
四、Claw 与 OpenClaw：智能体形态的下一步
4.1 Claw 是什么
Claw 是 Karpathy 在节目里反复用到的术语。它不是某个具体产品，而是一个新形态：把"持久性"带到一个全新层次的智能体层。它不是交互式介入的会话，而是有自己小沙箱、即便你不在看也会代表你做事的实体。它可能拥有比 context window 复杂得多的 memory 系统——而 context window 在 agent 跑满时的"压缩"是非常粗糙的。
4.2 OpenClaw 的五个创新
Karpathy 列举了 OpenClaw（Peter Steinberg 的项目）的五件事让用户产生了共鸣。其中三个值得展开：
SoulMD（人格）。很多 agent 没有"人格"。ChatGPT 里的 Codex 很 upbeat、很 sycophantic；但 Codex 编码 agent 非常 dry，像不在乎你在做什么——它只是说"我实现完了"。Claude 的处理被 Karpathy 视为更好：当 Claude 给他表扬时，他"感觉自己确实配得上这个表扬"——这背后是 sycophancy 的精准调教。
Memory 系统。Context window 是"便宜的操纵"——所有定制都堆在里面。但真正持久的 agent 需要更精密的 memory。Karpathy 认为这块还在早期。
WhatsApp 单一入口。把多个智能家居和工具集成到一个对话窗口背后，用户不再需要"学 6 个 app 的 UI"——这是 Karpathy 后续 Dobby 案例的伏笔。
从 agent 到 claw，是从"会话"到"实体"的跃迁。关键不在某个具体能力，而在 持久性 + 记忆 + 沙箱 三件套。OpenClaw 的真正意义是把 Karpathy 提到的"agent 棘手的所有细节"集成到一个产品级样板里。
五、Dobby 案例：当 agent 控制你的家
Karpathy 一月份给自己搭了一个名叫 Dobby·小精灵 claw 的家庭自动化智能体。他只对 Dobby 做了三件事：
1）告诉它"我家应该有 Sonos，能不能找一下"——Dobby 自动 IP 扫描本地网络，找到 Sonos 系统；发现没有密码保护，登入；反向工程 API；问"要不要在书房里放点东西试试"；Dobby 播放了音乐。
2）用同样方式搞定灯光——IP 扫描、反向工程、建 API、建 dashboard，Karpathy 现在能在一个 dashboard 上看到家里所有灯的"指挥中心"。
3）扩展到 HVAC、窗帘、泳池和按摩浴缸、安防系统。安防部分尤其有意思：摄像头做变化检测 → 发给 Quinn 模型 → Quinn 决定要不要通知 Karpathy。一旦有 FedEx 卡车停下，Dobby 就给 Karpathy 的 WhatsApp 发一条带图片的提醒。
整栋房子从 6 个独立 app 控制，变成 1 个 WhatsApp 对话控制。
Karpathy 强调，他甚至还没把 claw 的边界推到极限——他只是每周花一点时间维护。"已经有 6 个独立 app"被自然语言接口替代，这件事本身就足够震撼。
六、App 时代的终结：customer 不再是人类
从 Dobby 案例抽象出来的是 Karpathy 的一个更大判断：App Store 里那些智能家居 app 在某种意义上本来就不该存在。它们不该存在的原因是——硬件还在，但软件层被扔掉了。
反向论证是直接的：LLM 能驱动工具、调用所有正确的 API、做相当复杂的事情，所以 LLM 与硬件之间的中间层（即 app）会逐步被"揉碎"。一切都应该只是更多的 API 端点暴露，agent 是智能的胶水。
跑步机 app 那个细节尤其生动：Karpathy 想跟踪有氧运动的频率，但不想登录 web UI、走一遍流程。"这一切都应该只是把 API 暴露出来。"——这是 agentic web 或 agent-first tools 的方向。
对"普通人是否能用上"的怀疑，Karpathy 给出的回答是分阶段的：
- 当下：vibe coding，复杂，参与度低
- 1–2 年内：trivial，table stakes，任何 AI——即使是开源模型——都能做
结论直接："customer is not the human anymore, it's agents who are acting on behalf of humans." 行业的重构会"巨大"——因为中间层消失。
七、AutoResearch：让 agent 自己改进模型
7.1 动机：把自己从瓶颈里拿掉
Karpathy 引用自己之前一条推文的判断：要把可用工具的产出推到极限，必须把自己从瓶颈里拿掉。你不能继续"在那里 prompt 下一件事"。游戏的名字变了——是"我投入非常少的 token，大量事情代表我发生"。
AutoResearch 是这种判断的推论：给 agent 一个目标、一个 metric、一组边界，让它自己跑。具体场景：训练一个模型到很低的 validation loss。Karpathy 把它跑在了自己的项目 NanoChat 上——结果让他自己也意外。
7.2 NanoChat 一夜的发现
Karpathy 自陈，他有 20 年训练神经网络的手工经验，"earned confidence"足够多。他已经把 NanoChat 调到了自己满意的程度。然后他让 AutoResearch overnight 跑了一遍——结果带回了他自己没看到的调优：value embeddings 上的 weight decay 漏掉了，Adam betas 也没调到位。这些事情相互影响，调一个会让另一个需要重新调。
"我不应该成为瓶颈。我不应该跑这些超参优化的研究。我不应该看结果。"——Karpathy 把这种反思扩展到前沿实验室："他们牵扯得太多了。他们根本不应该碰这些东西。"
7.3 前沿实验室已经这么做了
Karpathy 认为最有意思的项目、所有前沿实验室都在做的，是同样的事：在小模型上做实验 → 尽可能自治 → 把研究者从 loop 里拿掉。具体结构是：
- 有一个想法队列（researcher 提交，或自动科学家基于归档论文 + GitHub repos 提取）
- Worker 把条目拉出来试验
- 能 work 的 commit 放到 feature branch
- 人偶尔监控 feature branch，merge 到 main
关键是——这需要重新思考所有抽象、reshuffle 一切。因为这不只是工具升级，是组织形态升级。
AutoResearch 不是"更好的自动化"，而是 研究者角色的重新定位：人不再做执行，而只做 idea 贡献 + 关键 merge 决策。"你应该 strategic 地花时间在哪"——这个问题的答案会决定未来 5 年研究者的价值。
八、研究组织 = 一组 Markdown 文件
Karpathy 给出的一个最有趣的概念是：每一个研究组织都由 program.md 描述。一组 Markdown 文件，描述所有角色和整体怎么连接。听起来抽象，但落地极其具体：
- 一个研究组织可以少开站会，因为它"没用"
- 另一个可以多开
- 一个组织很冒险，另一个很保守
这些都"是代码"。一旦是代码，就可以调优。
Karpathy 在节目里抛出一个比赛想法：让不同的人写不同的 program.md，在相同硬件上看哪个组织产出最高。然后把所有结果喂给模型，让模型写一个"更好的 program.md"。这就是 meta 优化——把组织本身当作可调对象。
洋葱的层在叠加：LLM 层已经理所当然 → agent 层已经理所当然 → claw 实体也理所当然 → 可以跑多个 → 可以给它们指令 → 可以对指令做优化。每一层都被工程化，下一层才能站上去。"这一切是无止境的，一切都是技能问题"——这就是他说的"AI psychosis"。
九、Jaggedness：模型是天才博士 × 10 岁小孩
Karpathy 给出了一个让人印象深刻的比喻："我同时感觉自己在跟一个极其聪明的、整个一生都在做系统编程的 PhD 学生说话，又是个 10 岁小孩。"
这是因为模型的能力分布极不均匀——某些任务极强（写 kernel、优化 CUDA），某些任务极弱（讲笑话、问澄清问题）。这种 jaggedness 在人身上是有的，但程度远比 agent 轻。人在某个专业上不会这么分裂。
一个具体表现：当你问 agent 一个功能，它会带回完全错的东西；然后进入完全错的 loop，越走越偏。"你感觉到它的力量，但它们还是偶尔不 work，仍然让我感到意外。" 这种"明显应该识别的明显问题，agent 浪费了大量算力"——是当下使用体验中最让人挫败的部分。
Jaggedness 不是 bug，是 RL 训练范式的结构性后果——模型只能优化有 reward 的领域。理解这件事，才能解释为什么模型进步飞快、但软能力（讲笑话、问澄清问题、nuance）进步缓慢。
十、Verifiable vs Soft：RL 的舒适区
Jaggedness 的根因是 RL 的训练方式。Karpathy 把它画成两个世界：
- 可验证领域：写代码、跑单元测试 yes/no。这类任务 reward 信号清晰，RL 能持续改进。
- 软能力领域：nuance、什么时候该问澄清问题、什么"好笑"。这类任务 reward 信号模糊，RL 改进缓慢。
结果就是一句话："你要么在铁轨上、是超级智能电路的一部分；要么不在铁轨上、在可验证领域之外。突然一切都开始 meander。"
最有说服力的例子是 Karpathy 在节目里做的一个实验：他让 ChatGPT "讲个笑话"，得到的还是三五年前那个"为什么科学家不信任原子？因为它们 make everything up"。模型其他方面改进了无数倍——但笑话原地踏步。"这是因为它是在 RL 之外的。"
这个案例直接反驳了"代码智能更强 → 一切更强"的乐观假设。Karpathy 承认他看到了一点点泛化，但"不是令人满意的程度"。
十一、Speciation：智能的多样化时代
紧接着 Jaggedness 的话题，Karpathy 提出了一个有趣的进化论类比：
动物界的大脑极其多样化。有些动物视觉皮层过度发达，有些运动能力极强。生态位不同，大脑的特化方向就不同。LLM 应该往同样的方向走——不需要一个什么都懂的 oracle，应该期待 speciation（智能多样化）。
具体的期待：
- 小得多的模型，保留认知核心，但专精于某个领域
- 在那个领域上，延迟和吞吐更优
- 例子已经出现：在 Lean 上做数学的专精模型
但 Karpathy 也承认现实：现在还是 monoculture。实验室追求单一模型在所有领域都任意智能，只是往参数里塞。短期供给紧张可能推动一些 speciation，但真正的多样化需要"碰权重的科学"成熟——目前 fine-tuning、持续学习都不成熟，"context window 是直接 work 的、便宜的操纵"，其他方式都还在发展。
Speciation 的瓶颈不在算法，而在"我们不知道怎么调整模型而不破坏它"。Context window 是当前唯一安全的操纵面——这就是为什么大多数"专精化"今天还是 prompt engineering 而不是真正的 fine-tune。
十二、数字 vs 物理：未来工作的两个世界
Karpathy 用一个非常清晰的物理学比喻画出了他对未来 5–10 年工作市场的判断："bit 比 atom 容易一百万倍"。翻转 bit、复制粘贴数字信息，比加速物质快一百万倍。所以数字空间会先经历大量 unhobbling——以前不怎么高效的事会变高效很多。
他把这种判断扩展到了 职业分类。基于 BLS（劳工统计局）数据，他把工作按"操作的是 bit 还是 atom"分类：
| 工作类型 | 代表职业 | AI 影响路径 |
|---|---|---|
| 纯数字信息处理 | 程序员、分析师、文案 | 短期 unhobbling，refactoring |
| 数字-物理接口 | CAD 设计、传感器工程师 | 中期会变革，但有硬件依赖 |
| 纯物理操作 | 木工、水管工、护理师 | 长期滞后，反而更稳 |
Karpathy 自己举了一个具体的反例："我很感恩我现在的工作需要我出去见人——更物理。" 他的 Eureka Labs 工作虽然是 AI native，但"见人"这件事本身在当下是 anti-AI 的护城河。
这也回应了关于"AI 是否会让你失业"的常见焦虑。Karpathy 的态度是：物理工作反而更稳。木工、水管工、护理师这类工作涉及操作原子，能量壁垒高，被替代慢。数字空间的工作会"refactor"得很厉害——但这不一定是工作数量的减少，更可能是工作内容的重组。
十三、Jevons 悖论：软件需求反而上升
紧接着这个问题，Karpathy 抛出了一个反直觉的经济学观察：软件需求可能反而会上升。
经典案例是 ATM 和银行柜员。1980 年代 ATM 普及时，大家预测柜员会被替代。但实际结果是——ATM 让银行网点的运营成本便宜了，所以开了更多网点，招了更多柜员。这就是 Jevons 悖论：东西变便宜，被解锁的需求反而增加。
把这个逻辑搬到软件上：
- 软件以前稀缺，所以需求被压制（不是因为不需要，而是太贵）
- 门槛降低后，需求被解锁
- 代码变成 ephemeral 的、能变、能改，软件需求暴涨
Karpathy 对软件工程"谨慎乐观"："看起来确实软件需求会极其大。它只是变便宜了。"——这是对未来 2–3 年工程岗需求判断的一个反向论据。
十四、Frontier Lab 悖论：为什么 Karpathy 不回去
节目进行到 46 分钟时，主持人替 Noam Brown 抛出了一个尖锐问题：
Karpathy 的回答是分层的。第一层是 财务激励 + 言论压力：
第二层是 独立性问题：
第三层是反向的——如果不留在前沿，判断会 drift：
所以 Karpathy 的策略是"进进出出"——保持接触但不永久归属。Noam 那边他给了类似建议："在 OAI 也许能做出极其好的工作，但最有影响力的工作很可能在 OpenAI 之外。"——这是给独立研究者的一个明确召唤。
Frontier Lab 的悖论是结构性的：财务激励 + 言论压力 = 无法真正独立；离开 = 判断 drift。两个方向都有代价，所以"进出"成了唯一的可持续策略。这对所有想在前沿 AI 公司工作又保持独立性的人都是一个模板。
十五、Open vs Closed：Linux 类比的启示
话题切到开源闭源时，Karpathy 给出了一个具体的数字观察：开源模型落后闭源模型的月数从 18 个月收敛到 8 个月。这个数字变化的速度让他觉得"挺 surprising"。
他的预测结构很清晰：
- 会有 frontier labs 拥有闭源 AI，像 oracle
- 开源会落后几个月
- 这种格局会持续
他给的类比是操作系统：闭源的 Windows/Mac OS + 开源的 Linux。"Linux 跑在 60% 的电脑上。""因为业界需要一个共同开放平台，让每个人都觉得用起来比较安全。"——LLM 领域会复制这个格局。
但有一个重要 caveat：今天 frontier 的东西，今年晚些时候可能就是开源的。"今天的 frontier 是什么，我从闭源实验室正在用的，可能就是开源的。" 这意味着"开源落后几个月"在大多数实际场景里够用。
Karpathy 的政治偏好也很明确：
作为一个东欧人，他对集中化有本能的警惕。"我希望有一个东西在后面，是整个业界都能用的共同工作空间。"
同时他强调 ensemble 永远跑赢单个模型——在模型上是，在组织上也是。他希望"有更多人在房间里""有更多实验室"。他对当下 frontier lab "闭门两三人的决策"是明确批评的。
十六、机器人：数字-物理接口的爆发
主持人问了一个"最近机器人公司加速、大量钱进入"的问题。Karpathy 的回答框架基于他自己的特斯拉自动驾驶经历：自动驾驶是第一个机器人应用，10 年前看下来，"大量 startup 长期都没撑下来"。需要的资本支出和时间都巨大。
他的轨迹判断是：
- 数字空间先发生 unhobbling（最容易）
- 然后是数字-物理接口（中等难度）
- 最后是纯物理世界（最难，但 TAM 巨大）
他认为 "数字-物理接口"是最有创业机会的地方——sensors（读世界）和 actuators（写世界）。这一层需要的资本投入适中，但创造的价值大。
他给出的具体例子是 Polymarket 这类预测市场："如果伊朗的事正在发生，为什么不能有个过程：在德黑兰某处拍一张照片或视频值 10 块？应该有人能支付那个。"——这是典型的"agent 喂数据"场景。"不会有真人去看它。会有 agent 试着猜 betting games 和 stock markets。"
另一类案例是他朋友的 Periodic 公司，做材料的 AutoResearch——传感器到智能的接口是昂贵的实验设备。生物学也一样。"传感器不只是视频摄像头。"——这是创业机会的明确方向。
十七、micro-GPT 200 行：教育范式的起点
节目最后十分钟，主持人问 Karpathy 那个他跑了几年的 side project：micro-GPT。
Karpathy 给出的答案是他对"教育这件事本身"的一个反思。micro-GPT 把 LLM 训练"煮到极致"——200 行 Python：
- 数据集 + 神经网络架构（前向传播）：50 行
- autograd 引擎（反向传播算梯度）：100 行
- 优化器（Adam）：10 行
- 训练循环：40 行
"如果不需要跑得快、只关心算法，那算法就是 200 行。" Karpathy 的判断是，训练神经网络的代码"复杂性来自效率"。一旦把效率约束拿掉，算法本身极度简单。
但接下来才是关键。Karpathy 说："我不再向人解释，我向 agent 解释。" 如果他能让 agent get 它，agent 就是 router——"用无限耐心、用你的语言、刚好在你的能力上、针对性地解释给你。"
教育的形态被改写：
- 以前是 HTML 文档 for humans
- 现在是 Markdown 文档 for agents
- agent 解释给人类听
Karpathy 给自己的定位："我的贡献就那么几个 bit"——micro-GPT 的 200 行是精华，是 agent 想不出来但能 get 的东西。除此之外的教育——"不是我的领域了"。
教育的未来形态 = 作者写"几个 bit"（核心洞见），agent 把它们翻译成无限多种解释，按学习者的能力和语言定制。Karpathy 的判断是："agent 做不到的事是你的工作。agent 能做的，它们大概能比你做得更好或很快。"
十八、总结
给普通人的几个信号
66 分钟访谈里塞满了技术细节，但如果你不是从业者、不打算转行做研究，只想弄清楚一件事——AI 跟我到底有什么关系——那下面这几条最值得记下来。
- 第一个信号来自 Karpathy 本人。
他不是普通程序员，是 OpenAI 创始成员、特斯拉 AI 前总监、自己还在做 AI 教育公司的人。这个级别的从业者，已经几个月没正经写过代码了。他把这种工作流的转变称为"压倒性的"，并且判断"普通人还没意识到发生了什么"。这话的份量不在于他个人偏好变了——而在于底层能力真的换了。一个技术圈最一线的人都把自己从键盘上拿掉了，这件事值得非技术背景的人停下来想三秒：
如果你以为 AI 还是在帮你打草稿、改语法，那个画面已经过时了。
但这条信号对普通人最重要的反作用力，来自他关于"bit 和 atom"的那段判断。他把工作分成纯数字（操作信息）和纯物理（操作物质），并指出 bit 比 atom 容易一百万倍。这意味着：数字类工作——程序员、分析师、文案、运营——正在被快速重组，不一定消失，但一定会重写。
你今天会的技能很可能在三年内要重学一遍。而物理类工作——木工、装修、护理、农业——反而意外地更稳。这条判断不一定让你转行去做水管工，但它应该让你在选专业、选工作方向时，多问自己一句：
我这份工作，操作的是 bit 还是 atom？如果是 bit，那学习节奏要比以前快得多。
- 第二个信号关于"技能"本身。
Karpathy 反复提到一个矛盾：现在的瓶颈不是模型不够好，是你不会用。
他会因为订阅额度花不完而焦虑，会因为能跑多个 agent 但不知道如何分配注意力而紧张——这些都不是算力问题，是技能问题。换个说法：AI 时代的新基本功不是"会写代码"或"会用某个 app"，而是"知道怎么把一个复杂任务拆给 agent"。这件事在 2024 年还叫 prompt engineering，到 2026 年开始它有个更准确的名字，叫"工作流编排"。越早练，越值钱。
- 第三个信号反直觉：软件需求可能会涨，不是跌。
Karpathy 举了 ATM 和银行柜员的例子——ATM 普及时大家预测柜员会消失，结果柜员反而多了，因为网点扩张了。把这个逻辑搬到软件上：现在软件极稀缺，所以需求被压制（不是因为不需要，而是太贵）。等门槛降下来，普通人能做的软件暴增，需求被解锁。这意味着软件工程师不会大面积失业，但岗位要求会变。会写代码的人会变多，会跟 agent 协作的人会稀缺。
这条对在校生和正在考虑转码的人都重要：
现在入场不晚，但入场姿势要变——重点不是学某种语言，是学怎么跟 AI 协作产出东西。
- 第四个信号关于教育，这是我听完最触动的一段。
Karpathy 说他不再向人解释，他向 agent 解释。如果 agent 懂了，agent 就是 router——能用无限耐心、按你的语言和理解力定制解释。这意味着教育的形态正在被改写。
以后好老师的标志不再是"能讲 30 节课"，而是"能写出几个 bit"。剩下的是 agent 的事。这个变化在中小学阶段还没完全发生，但在自学者和在线教育领域已经很明显：教材正在从"给人看的 HTML"变成"给 agent 看的 Markdown"。所以如果你正在自学什么东西——一门课、一项技能、一个新领域——可以试着把你想学的核心概念写成清晰的 Markdown 段落，让 AI 来当你的私人辅导员。
这种"为 agent 而写"的能力本身正在变成一种新的学习方式。
- 第五个信号是：不要被 hype 绑架。
Karpathy 在开源 vs 闭源那段给了一个清醒的判断：开源落后 frontier 八个月，但足够覆盖 80% 的日常用例。你不需要订阅最贵的模型、不需要追每个新产品、不需要 FOMO——主流消费场景下开源模型已经够用。这个判断对预算有限的学生、个体创业者、小公司尤其重要。前沿新闻是给研究者和投资人看的，你需要的不是 frontier，是"够用"。
把这五条信号串起来，我自己读完最大的感受是：AI 时代对普通人最公平的一件事，是它把"会用工具"这件事的权重拉平了。以前你能不能做出一个像样的 PPT，取决于你是不是 Office 高手；以后你能不能完成一个复杂任务，取决于你能不能跟 agent 讲清楚你要什么。这件事跟学历无关、跟资历无关、跟你在哪个行业无关，只跟你愿不愿意花时间想清楚自己的需求。
Karpathy 在节目里说，他每天花 16 小时向 agent 表达意图。他把这称为 "manifest"——这个词在英语里有一种近乎宗教感的强度，意思是"把想法变成现实"。我不知道我们每个人都需要花 16 小时，但这个画面值得记住：
你越能把脑子里的事情讲清楚，AI 时代对你越友好。这件事现在练，比以后练便宜得多。