Karpathy 提出 Agentic Engineering，程序员将成为智能体编排者。《AI工程》提供了落地框架，强调工程能力在 AI 时代的核心地位。
原文标题：Karpathy大神对Vibe Coding开刀：杀死还是正名？Agentic Engineering才是答案
原文作者：图灵编辑部
冷月清谈：
怜星夜思：
2、Agentic Engineering 中，工程师如何保证 LLM 生成代码的质量和可靠性？除了文章中提到的评估体系，还有什么其他方法？
3、《AI工程》这本书你觉得会侧重于哪些方面来构建 Agentic Engineering 的框架？
原文内容
我先来翻译一下：
很多人转发了我 2025 年 2 月 3 日这条推文，纪念 Vibe Coding 诞生一周年。我来做点回顾：
我 Twitter 账号都开了 17 年了（天哪），但我依然完全预测不了推文的互动量。当时那条推文只是我“洗澡时的灵感”，随手就发出去了，根本没过脑子。没想到它在对的时机，给当时很多人的共同感受起了一个极其贴切的名字。于是就有了现在的情况：Vibe Coding 竟然被维基百科列为我的主要模因（memetic）“贡献”之一，甚至它的词条写得比我的个人页面还要长。笑死。
我想补充的一点是，在那时，LLM 的能力还不够强，所以 Vibe Coding 大多被用于一些好玩的即兴项目、demo 和探索性尝试。那时候它挺有意思的，而且“大致”能跑通。
时至今日（一年后），通过 LLM Agent（智能体）协作编程正逐渐成为专业人士的默认工作流，只不过增加了更多的监督与审查。我们的目标是既要利用 Agent 带来的杠杆效应，又不能在软件质量上有任何妥协。很多人尝试给这种模式起个更好的名字，以示它和 Vibe Coding 的区别。我目前最喜欢的叫法是 Agentic Engineering（智能体工程）：
-
“Agentic”：因为现在的常态是，你 99% 的时间都不再直接写代码，而是在编排（orchestrating）那些写代码的 Agent，并扮演把关者的角色。
-
“Engineering”：为了强调这其中依然包含艺术、科学和专业技能。这是一门你可以学习并精进的技术，它有着另一种维度的深度。
到了 2026 年，我们很可能会看到模型层（model layer）和新的智能体层（agent layer）持续进化。我对这两者结合的产物以及未来一年的进展感到非常期待。
啥？Vibe Coding 不香了！2026 年，你该关注 Agentic Engineering。
我来尝试总结一下 Karpathy 聚焦的两大关键词。
-
Karpathy 说 “Agentic” 本质上是在聊抽象层级的跃迁。过去几十年，我们一直在当“翻译官”，把人类逻辑翻译成机器能懂的代码。但现在，底层代码变成了某种“原材料”，你不需要再去一砖一瓦地砌墙，你成了一个总调度师。你 99% 的工作是定义目标、拆解意图、然后盯着那些 Agent 别跑偏。这不代表工作变简单了，相反，你的视野必须从“一行代码怎么写”拔高到“一个系统怎么运作”。
-
Karpathy 强调 “Engineering” 其实是在给这种新模式“正名”。很多人觉得 Vibe Coding 只是在玩票，但真正的工程深度恰恰在于：你怎么在 LLM 这种概率性的输出中，通过严密的流程设计，拿到一个百分之百确定的结果？ 这种“编排 Agent”的工程能力，正成为一种新的核心竞争力，它有自己的门道、技巧和深度。
我为什么对 Karpathy 的这段话感触很深？
因为图灵刚刚上新了一本重磅图书——《AI工程》，它最核心的价值就在于，为 Karpathy 所说的 “Agentic Engineering” 提供了一套严谨的落地框架。这本书的作者 Chip Huyen 既是系统设计高手，也是 AI 工程高手，两位大佬的观点可谓如出一辙。
Agent 也是 AI 应用，所有的 AI 应用当然属于系统，这个系统是如何设计的？也就是说 AI 应用构建的的各个环节——模型、数据、推理、评估、部署、监控——是如何考量的，必须要有一个“新系统范式”的认知框架来指导你。而《AI 工程》这本书就是那个认知框架。（补充一句，这本书适合所有 AI 从业者，不管你会不会写代码。）
北京已经到货了，其他地区包括边远地区，下单后一周内就能到手，京东标注的 5~10天发货不准确。涉及春节，注意下单地区。
咱们还是结合 Karpathy 提到的两点来详细拆解一下吧，为什么工程能力是 AI 时代的首要能力。
1. 关于 Agentic：从“写作者”到“指挥家”
过去 50 年，程序员的角色是 Executor（执行者）。我们必须把思维翻译成编译器能懂的语法。而 Agentic 标志着我们进入了 Orchestrator（编排者） 时代。
-
99% 的代码不再亲手书写：在计算机科学中，这叫抽象级的提升。就像我们现在很少写汇编代码，而是写 Python 一样。Agentic 时代，LLM Agent 充当了“初级程序员”或“编译器”的角色。你不再关心循环怎么写、API 怎么调用，你关心的是逻辑的闭环。
-
编排的本质：这里的编排不是乱喊口号，而是系统设计。你需要定义：
-
任务拆解： 将一个复杂的业务需求拆成 Agent 能理解的子任务。
-
上下文注入： 给 Agent 提供正确的文档、代码库背景和约束条件。
-
工作流编织： 决定 Agent A 生成的代码如何交给 Agent B 审计，再交给 Agent C 部署。
-
把关者的门槛：这其实对资深程序员提出了更高的要求。如果你不懂代码，你就无法识别 Agent 生成的代码中潜藏的内存泄漏、竞态条件或安全漏洞。结合我自己的工作，那就是从“写稿”变成了“总编”——你必须一眼看出稿件里的逻辑谬误。
2. 关于 Engineering：重塑“深度”的定义
很多人担心“既然 AI 都能写代码了，那还需要工程师吗”？作者用 Engineering 给了最有力的反击：工具变了，但工程化的核心价值——可靠性、可维护性和复杂性管理——从未改变。
-
艺术（Art）：这关乎直觉与创造力。如何用最优雅的架构去解决问题？如何设定一个能够兼顾扩展性和性能的系统模型？这依然需要人类的审美和对用户需求的深层共情。
-
科学（Science）：这关乎验证与方法论。Agentic Engineering 引入了新的科学问题：
-
确定性问题： 如何在概率性的 LLM 输出中获得确定性的软件结果？
-
评估体系（Eval）： 你需要建立自动化测试和评估集来监控 Agent 的产出质量。在 AI 时代，评估极为重要，《AI工程》这本书就用了1/5的篇幅来讲解评估。
-
另一种维度的深度：以前的深度是“我精通 Linux 内核调度算法”；现在的深度是“我精通复杂系统的分解与 Agent 链条的健壮性设计”。
-
你需要学习如何调优 Agent 的推理路径。
-
你需要掌握如何利用 RAG 为 Agent 补足知识短板。
-
你依然需要深厚的底层知识，否则你无法在 Agent 陷入死循环时，精准地通过“降维打击”指出问题的症结所在。
其实，我之前已经专门写了一篇文章：，这篇文章的传播度一般，但非常实在，推荐你阅读。
