AI 正在重塑软件开发流程，从 Karpathy 的“Vibe Coding”理念出发，我们可以预见未来产品开发的协作方式、工具形态与思维模式将发生根本变化。本文将帮助你理解这场技术变革对产品经理的影响，以及如何提前布局。

Karpathy 认为软件正在经历第三次重大范式转变：

1. 从Software1.0（人类手写逻辑），
2. 到Software2.0（神经网络通过数据学习），
3. 再到Software3.0（用自然语言“编程”）。

这意味着人人皆程序员，“vibe coding” 正在成为现实。

LLM 代理必须被 on-the-leash 管理，先在 Autonomy Slider 的低档位验证可靠性，再逐步放宽权限；只有这样，才能防止 ‘over-reactive agents’ 一步到位、带来不可控风险，并保持快速的 Generation ↔ Verification 循环。

一、软件真的“又”变了：1.0 → 2.0 → 3.0

• Software1.0：纯粹的人写指令。
• Software2.0：数据+优化器生产权重，“权重就是代码”。
• Software3.0：Prompt就是程序，LLM成为可编程计算机；英语成了“主流编程语言”。

“We’re now programming computers in English.”（原话）

Software 1.0 —传统显式代码

1. 操作系统内核：LinuxKernel、WindowsNT等。全部由人类工程师手写C/C++。
2. 经典后端/前端框架：Django、Spring、React、Vue……框架本身和业务逻辑都写成源码托管在GitHub。
3. 游戏引擎“脚本”：UnityC#脚本、UnrealC++模块，玩法和规则由开发者逐行实现。

特点：逻辑确定、可读、可静态分析。主要产物是 .c / .cpp / .py / .js 等文本源码。

Software 2.0 —训练出的“权重就是代码”

1. 深度学习模型本身：AlexNet、ResNet、YOLO、StableDiffusion——网络结构由人写，但真正执行任务的是上亿个浮点数权重。
2. HuggingFaceModelHub：上面存放的pytorch_model.bin/safetensors权重文件正是Software2.0的典型“代码单元”。
3. 自动驾驶感知栈：特斯拉早期Autopilot的视觉识别网络：摄像头帧→检测/分割结果，权重通过大规模标注数据训练得到。

特点：开发活动重心从“写规则”转向“准备数据+训练+调参”。产物是权重文件；人类几乎无法直接阅读或手改。

Software 3.0 —用自然语言+工具链来“写程序”

1. ChatGPT/Claude/Gemini等LLMAPI：Prompt就是程序，调用接口即运行；复合调用+ToolUse组成“软件”。
2. AI编程IDE（Cursor、Devon、GitHubCopilotChat）：用户用英文/中文对话，让LLM在本地代码库上生成、修改、解释；AutonomySlider决定自动化深度。
3. 无代码Agent平台：如LangChainAgents、OpenAIFunctionCalling+外部工具，用户靠YAML/JSON描述意图，LLM负责决策与调用。

特点：“源码”变成 Prompt + 配置文件 + 一系列工具调用。LLM 拥有推理、规划能力，可在运行时做出新行为；人类主要负责约束与验证（on-the-leash）。

二、LLM 的“计算机/操作系统”类比

他用多重类比帮助定位 LLM：像“公用事业（utility）”提供按量计费的智力服务；像“操作系统（OS）”一样拥有不断演化的复杂生态；又像“60 年代的大机时代”，我们通过“终端”（聊天框）进行分时使用。

这些类比意在强调：LLM 不是一个简单 API，而是一台可编程、具有内存/工具/编排能力的新电脑，且 GUI 形态仍在早期探索。

三、LLM 的“心理学”与编程语言：英文

他把 LLM比作“stochastic little spirits（随机模拟人类的灵魂）”，由自回归 Transformer 在海量文本上拟合而成，展现出拟人化的认知特征：广博但易遗忘、能推理也会“幻觉”。

• JaggedIntelligence（参差智力）：在某些任务上超强，但在基础逻辑上却可能答错（如9.11与9.9比较）。
• AnterogradeAmnesia（顺行性遗忘）：训练完成后不能持续学习，缺乏长期记忆。
• Hallucinations（幻觉）：编造错误事实。
• PromptInjection（提示注入）：容易被恶意指令欺骗。

这些缺陷意味着 LLM 不能直接放手自治，必须建立人类监督与约束机制。

由此，英文就是新的编程语言——写作高质量、可执行的自然语言指令，成为软件 3.0 的核心技能。

四、从“vibe coding（氛围式编程）”到落地难点

演讲中，他展示过以对话式方式快速拉起原型（“我说想要什么，它就去写代码、我再运行/改进”）。

• 容易的部分：用LLM迅速把“能跑的demo”做出来。
• 困难的部分：让它稳定、可维护、可部署——这就是他反复提到的“demo≠产品”**鸿沟：demo是works.any()，产品必须works.all()（在所有用户、场景、输入上都稳。）。

五、部分自治产品：人机协同的最佳实践

这一节是整场的产品方法论核心，Karpathy 用 Cursor（AI IDE） 和 Perplexity（AI 搜索） 做典型：

共同模式

• LLM负责管理上下文与多轮调用，GUI让人类以极低成本审核与回滚。
• 产品围绕“Generation↔Verification（生成↔验证）”的快速闭环搭建：LLM先给草案/diff/参考，人类快速看、快回退、快迭代

设计目标是：降低验证成本（如 diff 视图、颜色高亮、分组变更、一步撤销）。

Autonomy Slider（自治滑杆）

• Cursor从“点按补全（tapcompletion）→修改一个chunk→改整个文件→放手改整个仓库”，让用户随时控制粒度**与授权边界。
• Perplexity的“Quicksearch→Research→Deepresearch”也体现了逐级放权：从快速回答，到综合检索/引用，再到更深入的研究流程，每一级都可人工中断与校验。
• 本质：先辅助、再增强、最后才可能通往全自动，逐级解锁。

限制“过度兴奋”的代理比如往往会超额输出

• 不要一次性生成巨大改动，而是鼓励小步可控的提案；把AI“拴在短链上（keeptheAIonaleash）”，让人类保持主导与守门。
• GUI把审核成本压到最低（diff、颜色、批量/逐条、一步撤销），循环越快，误差越小。

Autopilot 类比

他指出，特斯拉 Autopilot 的经验是“先把部分自治做对”：从车道保持/自适应巡航等辅助驾驶起步，逐步通向更高阶能力（如自动变道、自动泊车、召唤功能、复杂驾驶任务、城市道路自动驾驶（FSD Beta））

软件 3.0 产品也应当这样演进：辅助 → 增强 → 高自治/全自治，而不是一蹴而就。

六、把“给人用”的系统，升级为“给代理用（build for agents）”

文档与接口：把系统的说明写给 LLM 看（而非只写给人），例如提供 llms.txt、结构化/Markdown 友好的接口说明、确定性的调用约定、明确的输入输出示例。

协议与上下文管道：采用更标准化的工具协议（如他提到的 MCP 思路）与上下文构建器（例如把代码库/知识库喂给代理的工具），降低代理“摸黑”探索成本。

七、教育与扩圈：人人都能“用英语编程”

LLM 既能当 Suit（增强），也能当Robot（完全代理）；短期更看好前者。

他以 “Vibe Coding” 病毒推文为例：

• 不懂Swift也能一天做出iOS小App。
• 自己造了MenuGen（拍菜单生成菜品图片），写代码只花几小时，真正耗时的是DevOps（登录、支付、部署）。

孩子们的 Vibe Coding 视频让他坚信自然语言编程是“入门毒药”，将解锁庞大新群体。

八、收束：十年尺度的“代理时代”

Karpathy 以“钢铁侠战衣”比喻：LLM 是人的能力放大器；但真正的转变不是一年两年能完成，而更像一个十年量级的演进，需要我们在产品层面设计“部分自治”的过渡形态，用快节奏的生成↔验证将其驯化到可靠可控。

Reference：Andrej Karpathy: Software Is Changing (Again)