OpenAI 前创始成员 Andrej Karpathy 在最新访谈中揭示了 AI Agent 如何彻底重构工程师的工作方式——从亲手敲代码到调度智能体集群，从单次交互到持续运行的系统进化。这场深度对话不仅展现了 Agent 技术如何突破人机协作瓶颈，更预言了未来软件形态将被‘Agent优先’逻辑颠覆的行业剧变。
我最近特别爱看播客，一是时间长，节奏慢；二是很多判断，只有在一来一回的聊天里，才听得更清楚。
昨天，我看了一场 Andrej Karpathy 的访谈，很有感触。
Andrej Karpathy 是 OpenAI 前创始成员、特斯拉前 AI 总监，我觉得也是 AI 编程和 Agent 讨论里，非常值得认真听的人。
因为他不是在外围评论，而是真的站在一线，亲手用、持续用，然后把变化讲出来。
我把这场访谈按主线重新整理了一下。
主持人一上来就问他，为什么最近像“上头”了一样，几乎整天都在和 Agent 打交道。
Karpathy 的回答很直接。他说，不是自己突然变勤奋了，而是能力真的发生了一次蜕变。
以前一个人做事，速度上限很清楚，打字速度、切换任务的速度、脑子转的速度，都会卡住你。但 Agent 出现以后，这个上限一下被抬高了。
他提到，大概从去年 12 月开始，这件事对他来说就很明显了。
原来还是自己写代码为主，Agent 为辅，后来慢慢反过来，越来越多事情直接交给 Agent 去做。
到现在，他甚至说，自己从去年 12 月起，几乎就没怎么亲手敲过代码了。
在他看来，今天做开发，甚至都不太适合再用“写代码”来描述。更准确一点说，是你不断把自己的意图交给 Agent，让它替你往前推进。
以前你的动作是写一个函数、改一行代码、修一个 bug。现在更像是在分配任务：这个 Agent 去做一个新功能，那个 Agent 去研究方案，还有一个 Agent 去处理不会和主分支冲突的部分。
也就是说，代码还是那些代码，但人的位置已经变了。
你不再是一个单线程执行的人，而更像是在调度一组正在工作的 Agent。
主持人接着问，那到底是 Agent 更强了，还是你更会用了。
Karpathy 的意思是，两者都有，但更关键的可能是后者。
他说，现在很多人其实还没有把手上的能力真正用满。
模型开了，订阅买了，工具也在用，但并没有把这套系统跑到极限。
比如 token 吞吐没有打满，多个 Agent 没有一起调起来，任务也没有被拆成更适合并行执行的方式。
今天很多问题已经不是工具不够强，而是人还不会把这套东西用出更大的杠杆。
瓶颈正在慢慢从机器转回到人。
不是模型不行，而是你还不会拆任务，不会调度，不会把多个 Agent 组织起来。
他特别强调了一个词：持续性。
今天很多 Agent，还是典型的会话模式。你问一句，它答一句，这轮结束，这个过程也差不多结束了。
但他更感兴趣的是另一种东西：它不是一次性的对话，而是一个可以持续运行的小系统，有自己的状态，有自己的沙盒，你不盯着它，它也会继续往前做事。
这也是他为什么会对这类持续运行的 Agent特别兴奋。因为单个 Agent 能不能写代码，在他看来已经不是最核心的问题了。
真正有意思的是，Agent 能不能形成更复杂的组织方式，能不能跑得更久，记得更多，把任务一段一段接力做下去。
这和我们现在理解的大多数 AI 助手，已经不是一回事了。
主持人后来问到 OpenClaw 这类方向到底吸引他什么。
Karpathy 讲他感兴趣的是这类系统背后的产品方向。
这类系统真正往前推了一步的地方，是开始接近一个真正能持续工作的系统。
它有更强的记忆能力，有自己的运行空间，会自己闭环，不需要你一直坐在中间盯着。
他说，今天很多 Agent 所谓的“记忆”，其实很浅。很多时候只是上下文快满了，做一点压缩和摘要。
但如果你真的想让 Agent 替你做更长的事情，这种记忆肯定不够。它需要更复杂的记忆系统，需要更稳定的状态管理。
这其实把 Agent 竞争的核心讲得很清楚了。
主持人问，如果 Agent 越来越强，那今天这些 App 还需要存在吗？
Karpathy 的回答非常直接。他说，很多今天我们在手机里、设备里看到的 App，从某种意义上看，可能本来就不该存在。
更合理的方式，是把能力直接暴露成 API，让 Agent 去调用。
他举了自己的智能家居例子：
家里不同设备各有各的 App，灯一个，音响一个，空调一个，窗帘一个，运动设备一个。
过去你要完成一件事，得在这些 App 里来回切来切去。但他说，用户真正想表达的其实不是“我要打开第几个软件，点哪个按钮”，而是“我现在想把房间调成什么状态”。
如果 Agent 足够成熟，它就应该替你去调这些能力，而不是让你自己学习一整套软件操作流程。
所以他有一个很大的判断：未来很多软件层会被压缩。
那些专门为人点按钮、切页面、走流程而设计出来的中间层，价值会越来越小。
更自然的方式，是服务把能力开放出来，Agent 成为那层真正把一切串起来的“胶水”。
他还说了一句我感兴趣的话：未来的客户，可能不再只是人，而是代表人行动的 Agent。
这句话背后不是交互方式的小修小补，而是软件行业连“服务对象是谁”都可能被改掉。
以前是人学软件，以后可能是 Agent 学软件。以前很多产品卖的是界面和流程，以后越来越多产品可能卖的是 API、权限、调用能力和结果返回。
这会是一个很大的重构。
Karpathy 接着强调，如果你真想把现在这套工具的能力吃满，就不能继续让自己待在那个循环里，不能每一步都还等着你来提示下一步。
真正的目标，是尽量把自己从系统瓶颈里拿出去，让系统自己去跑，而你只在必要的时候介入。
AutoResearch就是这个逻辑的产物。
他不想继续停留在那种传统研究模式里：研究员不断手动试参数、改配置、盯结果。
他想做的是，把研究里那些本来就可以客观评估的部分，直接交给系统去自动跑。
因为只要一个任务目标足够清楚，结果又能验证，那理论上它就可以持续搜索、持续试错、持续迭代，而不需要人每一步都站在旁边。
这其实不是在说“AI 帮研究员干活”。
而是，很多原本由人类反复手工完成的循环，本来就应该被系统接过去。
所以 Agent 最有价值的地方，不是帮你省一点时间，而是让你退出某些本来就不该由你一直盯着的流程。
Karpathy 对 AutoResearch 的解释里，还有一个很关键的判断。
他说，很多问题都有一个共同特点：找到好答案很难，但验证一个答案对不对，其实很便宜。
这类问题就特别适合自动化系统。
因为前面可以大规模搜索，可以试很多方案，可以不断迭代，只要后面有一个足够明确的验证机制，系统就能自己跑下去。
这也是为什么他会想到一种更大的可能：未来甚至不只是一个团队内部跑 AutoResearch，而可能出现某种“互联网上的 Agent 群体协作”。
大量分散的算力和 Agent 去搜索候选方案，再由少量可信系统负责验证。
只要安全机制和验证机制设计得够好，这种模式在某些方向上甚至可能跑出很强的效果。
这部分现在当然还更像一种构想，但它很能说明 Karpathy 的思路。
他不是只在想“一个更强的模型”，而是在想：研究本身，能不能被改写成一个自动运行、持续搜索、不断产出候选结果的系统。
第一，工程师的工作方式已经变了。不是慢慢变，也不是概念上在变，而是在他这种深度使用者那里，已经彻底变了。
第二，代码 Agent 的下一步，是更像一个持续运行的小系统。它得有记忆，有状态，能闭环，能接力，能把事情往前推。
第三，这不只是工程工具的一次升级。它很可能会把今天的软件形态一起带着改掉。很多 App、很多 UI、很多人为设计出来的流程，未来都可能被更 Agent first 的方式替代。
以上，祝你今天开心。
作者：张艾拉 公众号：Fun AI Everyday
本文由 @张艾拉 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Pexels，基于CC0协议
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。