文章探讨了 Andrej Karpathy 提出的软件工程范式转移，即从“直觉编程（Vibe Coding）”进化到“代理工程（Agentic Engineering）”。核心观点认为 AI 正从辅助工具演变为全新的计算范式（Software 3.0），编程本质变为对上下文和输入的组织。文章详细解析了锯齿状智能、可验证性等概念，指出未来人类工程师的核心价值在于品味、判断与理解，而非具体的代码实现。
本文详细记录了 Andrej Karpathy 在 2026 年 Sequoia Capital 访谈中的核心观点。Karpathy 指出 AI 编程已进入新阶段，从“凭感觉编程”进化到更严肃的“智能体工程”。他阐述了 Software 3.0 的实质是利用 LLM 作为新的信息处理解释器，通过上下文操作模型。文章还探讨了 AI 能力的不均匀性（锯齿状智能）、模型对特定应用的吞没效应，以及未来“神经计算机”的愿景。
本期 INDIGO TALK 对谈字节前工程师郭宇，从 2015 年字节作为神经网络驱动公司的往事讲起，谈到抖音意外胜出的内幕、Vibe Coding 背后的决策负担与工程师倦怠、Agent OS 的未来图景、智能的五个层次与商品化，以及软件为何会像牛奶一样便宜。当软件可以随时生成、用完即丢，个人化软件让分发失去意义，我们真正要交付的是什么？最后讨论当工作不再是必选项时，年轻人该如何选择人生方向。
本文探讨了AI领域中从提示词工程向上下文工程的演进。引用Karpathy的Software 3.0理念，指出上下文窗口即新程序，通过写入、选择、压缩和隔离四大操作管理模型记忆以避免上下文腐化。结合Claude Code创建者Cherny的循环工程理念，说明通过构建包含技能、子代理和验证器的自动化循环，可实现高效上下文工程，将AI从简单工具升级为强大的操作系统。
文章深度剖析了“Vibe Coding”现象背后的哲学意涵。作者指出，Vibe Coding 不仅是接口的变革，更是一种对传统“先理解后行动”工作模式的颠覆。它将开发者重新置于不确定性之中，要求以“行动中的校准”替代完美的规划。真正的核心不在于 Prompt 技巧，而在于个人的审美、判断力与心智模型，工具放大的是创造力的差异，而非抹平它。
作者基于33k+次提交的Vibe Coding游戏经验，整理了25个开源GitHub仓库，帮助开发者用LLM更高效地构建游戏。文章分为两大板块：第一部分介绍MCP服务器、Agent技能和引擎桥接工具，包括Blender MCP、Unity MCP、Godot MCP和游戏开发Agent技能包，让LLM能直接操作编辑器和引擎；第二部分介绍AI 3D资产生成和世界生成工具，如img2threejs、腾讯Hunyuan3D-2、微软TRELLIS和PlayCanvas SuperSplat，帮助将提示词或参考图转化为可用的3D资产和高斯泼溅世界。文章强调合理引导LLM、提供合适工具能显著提升效率、降低token消耗并产出更高质量的游戏。
Karpathy 分享了理解和消化 LLM 输出的技巧与思考。他建议从纯文本逐步升级到更好的输出形式：用 ASD-STE100 受控语言规范让 LLM 输出更简洁易读的文字；再进一步要求生成图表；更好是直接输出 HTML 交互网页；他最看好定制化讲解视频，如 3b1b 风格并结合 ElevenLabs 语音解说。他总结：随着 LLM 能力增强，人类工作将更多转向监督与理解层面，而 LLM 本身也能生成大量以前不值得做的定制、可抛弃的软件产物，帮助人们完成这一转变。
本文翻译自 Polar 官方博客，介绍其新设计系统 Orbit 背后的思考。随着 LLM 和 Coding Agent 大量参与前端 UI 开发，传统基于 Tailwind 字符串的样式写法导致设计一致性难以保障。Orbit 的核心思路是：将设计规范从文档升级为代码约束——Token 按设计意图命名（如 background-card），通过 StyleX 构建类型安全的 Box 组件作为唯一样式入口，禁止直接使用原始 div，并在 CI 中以 Oxlint 规则强制执行，使偏离设计系统的代码在机制上无法通过。文章强调文档只是概率性建议，CI 才是确定性契约。
现有无标注强化学习（TTRL）多依赖多数票生成伪标签，难以处理医疗建议等复杂开放式任务。为此，文章提出SERPO（自进化判据策略优化）机制。它通过模型自身采样的回答提取质量判据生成奖励，无需任何外部监督或人工标注，并将收益直接写入模型权重。实验表明，SERPO不仅大幅提升了模型在垂直领域的性能，且在OOD测试和长程训练中持续进化，证明了其能将质量标准转化为持久的模型能力。
本文探讨了“循环工程（Loop Engineering）”的概念，即从人工提示Agent转变为构建自动提示Agent的系统。文章追溯了其起源，并将之置于提示、上下文、测试床之上，作为自动化运行的最高层。作者详细拆解了循环系统的五个核心组件：触发器、任务、验证门、状态文件和停止条件。最后，文章介绍了Claude Code中四种循环类型及其应用场景，强调通过客观的评估器和状态持久化来实现夜间无人值守的自动化开发任务。
文章回顾了AI递归自我改进（RSI）的80年历史，将其划分为四次浪潮：随机突变（遭遇生成瓶颈）、数学证明（陷入验证瘫痪）、AutoML（过度拟合基准测试），以及当前大语言模型阶段。作者指出，随着LLM解决了代码生成的瓶颈，AI系统演进的核心挑战已剧烈转移至“验证”阶段。面对开放式任务，如何有效验证AI生成复杂系统的逻辑可靠性，成为了当前AI自我进化的真正天花板。
本文讲述了作者深入 AI 独角兽 Moonshot AI（Kimi 母公司）内部进行 100 小时的观察记录。文章回顾了公司从早期的营销挣扎到面对竞争对手 DeepSeek 突围时的战略调整，展现了这家年轻、高估值且充满内向天才员工的神秘企业文化。
文章探讨了在写作中使用 AI 的态度。作者指出，完全不用 AI 可能是逃避将模糊直觉转化为清晰判断的思考过程。真正的关键不在于工具本身，而在于作者是否能承担选择和责任，确保作品反映真实的思考。
