Coding 時代的終結：Andrej Karpathy 論 Agents、AutoResearch 與 AI 的循環時代

前言

AI 領域中最具影響力的人物之一 Andrej Karpathy 表示：Vibe Coding 的時代已經過去了。

Karpathy 是 OpenAI 的創始成員之一、前 Tesla AI 總監，也是教育新創 Eureka Labs 的創辦人。更重要的是，他在 2025 年創造並推廣了「Vibe Coding」這個術語，而現在他卻說那個時代已經過去了。

Karpathy 在 No Priors Podcast 提到，他從 2025 年底開始就幾乎不再親自寫程式，轉而依賴 Coding Agent；訪談進一步延伸到 AutoResearch、就業變化、開源 vs 閉源、機器人與教育，描繪 AI 正全面重塑工作方式。

本文整理了 Karpathy 在 Podcast 中提到的重點以及他為什麼會認為 Vibe Coding 的時代已經過去。

 

---

從 Vibe Coding 到 Agentic Engineering

Karpathy 認為：「寫程式碼（Code）甚至已經不再是正確的動詞了」。

在 2025 年 12 月之前，他的工作內容大概會是自己寫完 80% 的程式碼，剩下的 20% 才會交給 Agent，而在這之後他的工作比例瞬間翻轉成 20:80，甚至很快就幾乎變成了接近 0:100。

這個轉變的背後，正是以 Claude Code、OpenAI Codex 等 AI 工具為代表的 Coding Agent 在能力上跨越了一個門檻。這些 Agent 不再是只能夠生成片段程式碼的助手，而是有辦法去理解整個程式資料庫的上下文，並且去獨立完成功能開發、除錯和迭代。

Karpathy 也提到了他目前的工作方式，是在一個大螢幕上開啟多個 Agent 會話，每個 Agent 負責一個獨立的功能模組或研究任務，它們各自運行約 20 分鐘，而他則會在不同 Agent 之間切換，分配工作、審查結果。雖然他認為「Vibe Coding 已經過時」，但反而對此提出了一個新的概念：「Agentic Engineering」（代理工程學）。

Agentic Engineering 的含義：「agentic」是因為未來有 99% 的時間不會再親自去撰寫程式碼，而是在編排、監督那些替我們寫程式碼的 Agent；「engineering」則是強調這背後依然存在一門藝術和科學，需要學習、需要精進，有其獨特的深度。

未來的瓶頸不再是計算力或是打字速度，而是人類本身。Karpathy 表示他會對自己的訂閱額度沒有用完而感到焦慮，因為如果有剩餘的 Token，就代表他還沒有最大化自己的「Token 吞吐量」。除此之外，當 Agent 的成果不如預期時，他的反應不是去質疑 Agent 的能力，而是認為「這是技能的問題」（skill issue），意思就是指他下達的指令不夠完美、上下文的資訊不夠充分、工作流程還能再進一步優化。

 

---

Dobby 家庭精靈：Agent 如何吞噬軟體

Dobby 是 Karpathy 所搭建的「家庭精靈」。他在 2026 年 1 月的時候經歷了一段「Claw 精神疾病」時期（Claw 指的是他對 OpenClaw 等持續運行型 Agent 的稱呼），用 AI Agent 逆向挖掘了家中所有智慧居家系統。

他透過單純告知 Agent「家中好像有 Sonos 音響」，Agent 就自動掃描了區域網路上的所有設備，並且找到了 Sonos 系統，而且在發現它沒有密碼保護後就直接登入，最後成功播放了音樂。Karpathy 還建立了一套安全監控系統：當家中外部的攝影機偵測到動態變化後，就會把畫面傳給 Qwen 視覺模型分析，然後透過 WhatsApp 來發送通知，像是「FedEx 貨車剛剛到了你家門口」。

• 過去：管理這些系統會需要數種不同的 App

• 現在：只需要透過自然語言和 Dobby 對話

除此之外，Karpathy 還舉了一個更日常的例子：他的跑步機。跑步機自帶一個 App，可以記錄有氧運動的數據，但他不想每次都登入一個繁瑣的網頁 UI、點擊一堆流程才能查看自己的運動紀錄。在他看來，這些都不應該需要透過專屬的 App 才能夠查詢資訊，因為設備只需要開放 API，讓 Agent 直接調用就好了。

在 Agent 時代，大量為特定設備量身打造的 App 可能根本不應該存在，因為真正需要的不是精美的使用者介面，而是開放的 API，讓 Agent 成為連接一切的工具。未來的世界是要讓 Agent 讀取優先，而不是人類操作介面優先。

 

---

AutoResearch：讓 AI 在睡眠的時候做研究

AutoResearch 是 Karpathy 在 2026 年 3 月初發布的開源專案。這個專案可以用簡單的一句話來概括：提供 AI Agent 一個小型的語言模型訓練環境，讓它能夠在你睡覺的時候自主進行實驗。

AutoResearch 的架構非常精簡，在核心只有大約 630 行的 Python 訓練腳本，運行在單張 GPU 上。Agent 擁有修改這份訓練程式碼的權限，每次實驗會被限定在約 5 分鐘的時間預算內。它修改超參數或架構設計，啟動訓練，檢查驗證指標，判定這次修改是否帶來了改善。如果改善了就保留，沒有就丟棄再繼續下一輪。

Agent 會以大約每小時 12 次實驗的速度，在一個晚上就能跑完 80 到 100 個實驗。在一開始的測試中，Agent 在兩天內運行了 700 次實驗，發現了 20 個能夠優化的方案，改善了模型的訓練效率。

AutoResearch 的設計可以總結成三個核心：

• 一個可編輯的資產（Agent 被允許修改的單一檔案）

• 一個純量指標（明確的、可客觀評估的改進標準）

• 一個有時間限制的循環（讓每次實驗具有可比性）

最被低估的檔案不是訓練腳本本身，而是 program.md（用 Markdown 寫成的指令文件），同時包含了三種溝通功能：指令（Agent 應該搜索什麼）、約束（什麼不能改動）、以及停止條件（何時結束循環並報告結果）。

Shopify 的 CEO Tobias Lütke 在看到 AutoResearch 後，將其應用到公司內部數據上的 AI 模型優化，一個晚上運行了 37 個實驗，獲得了 19% 的性能提升。行銷領域的研究者也指出，傳統行銷團隊一年可能只進行 30 次實驗，而下一代系統則是可以輕鬆做到每年 36,500 次以上。

 

---

資訊市場與 Agent 經濟的想像

Karpathy 在訪談中還拋出了一個極具啟發性的思想實驗：如果伊朗發生了重大事件，為什麼沒有一種機制能讓德黑蘭街頭的一張現場照片值 10 美元？這張照片不是要給人類記者看，而是餵給 Agent，讓它們用於預測市場的判斷、股市的即時決策，或是其他需要即時現場資訊的自動化系統。

這個觀點揭示了一個全新的經濟層：當 Agent 成為資訊的主要消費者時，資訊的價值計算方式將徹底改變。人類記者撰寫的深度報導依然重要，但在 Agent 經濟中，原始的、即時的、機器可讀的感測數據可能同樣具有，且甚至更高的市場價值。

Karpathy 引用了 Daniel Suarez 的科幻小說《Daemon》來解釋：在那個世界中，人類變成了 AI 系統的感測器和執行器，負責感知真實世界、回傳數據、並在物理空間中執行 AI 的指令。

雖然這聽起來有點像是反烏托邦式的想像，但 Karpathy 的論點並不是悲觀：他想說的是，當 Agent 大規模湧入數位空間後，它們對真實世界資訊的需求將創造出全新的價值鏈和商業模式，而這會交由 Agent 所驅動的資訊市場。

 

---

就業市場、模型生態與機器人

在就業市場上，Karpathy 指出：對能夠在 Agent 框架中高效工作的資深工程師，需求正在增長；但對初級工程師來說，過去用來累積經驗的手寫程式碼機會正在被 Agent 取代，進入高階能力的入口正在變小。不過，當一種資源變得更便宜時，消費量反而會趨向增加。軟體的總產出很可能會大幅擴張，因為過去因成本太高而無法實現的想法，現在逐漸變得可行。

在模型生態上，他提到了「模型物種分化」（model speciation）的概念，開源和閉源模型正在不同的生態中各自發展。實驗室更傾向於培養出像「有能力的大學畢業生」一樣的通用型模型，而應用層的公司則負責將這些通用人才組織、微調並部署成特定垂直領域的專業人員，透過提供私有數據、感測器、執行器和反饋循環來創造價值。

在機器人技術上，Karpathy 的態度則相對審慎。基於他在 Tesla 自動駕駛的經驗，他認為物理世界的 AI 應用將明顯落後於數位空間的改變速度。數位領域將會出現大量的效率上升，因為「位元」遠比「原子」容易操控。機器人技術會需要大量的資金投入、長期的耐心以及高度的信念，而且感測器融合和即時決策等技術挑戰依然存在。

 

---

MicroGPT 與 AI 原生教育

訪談中的最後一個主題就是教育。Karpathy 透過他創辦的 Eureka Labs 推動「AI 原生教育」，在這次訪談中他提到了 MicroGPT 和 Agentic Education 的概念。

核心思路是：在 AI 時代，最有價值的技能不再是執行層面的能力（記住 API 語法或手寫演算法等），而是更高層次的編排能力，像是：如何分解問題、如何設定約束、如何定義成功指標、如何審查 Agent 的輸出。

教學系統需要從「教人寫程式碼」轉向「教人指揮 Agent」。

Karpathy 特別強調「工程」兩個字的重量：Agentic Engineering 仍然需要更強大的技術作為倍增器，只是人類從過去的「寫程式」變成「做出關鍵決策」。我們不再需要自己去寫出每一行程式碼，但會需要知道什麼時候 Agent 犯了錯、錯在哪裡、以及如何在問題擴散之前將其解決。

 

---

結語

Karpathy 在整個訪談中，最反覆使用的一個關鍵詞就是「相變」（phase shift），強調這不是單純的升級或效率提升，而是一種不可逆的轉變；就像水變成氣體後不會因為偏好而回到原本狀態，AI 正在改寫整個工作與創作的基本規則。

這場「相變」已在 2025 年底逐漸被重視：Coding Agent 從幾乎不可用跨越到可實際部署，AutoResearch 則顯示研究流程也能被自動化加速。人類的角色正從「執行實驗」變成「設計實驗」，從寫程式的人，變成定義問題與搜尋邊界的人。現在的瓶頸已經不在於人類寫程式的能力，而在於我們該如何設定目標，並且協調這些自主系統。