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。
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。
本文是《人工智能的工程全景》系列的下篇，深入探讨了2025-2026年AI行业的竞争焦点——Agent工程层。文章从Agent定义的演变出发，区分了Workflow与Agent的本质差异，解析了ReAct架构与关键能力清单。重点介绍了Function Calling的工业化起点、MCP协议带来的工具调用标准化，以及Context Engineering与Harness Engineering在Agent系统构建中的核心地位。
文章介绍了 Google 发布的 Agents CLI 工具，它填补了 Karpathy 所定义的“代理工程”中的工具链空白。该工具将脚手架搭建、评估循环和部署整合到一个工作流中，并将 7 种核心技能注入到 Claude Code、Cursor 等编码 Agent 中。作者演示了如何利用该工具从零开始构建、评估、部署并注册一个企业级 RAG Agent，实现了仅通过自然语言指令即可完成从开发到生产环境的全生命周期管理。
本文由作者因遭遇 AI 智能体失控产生高昂费用的经历引出，旨在阐述构建生产级 AI 系统必须掌握的核心概念。文章提出了 AI 系统的通用公式：记忆（RAG）+ 思考（LLM + Tokens）+ 行动（Agents）+ 测量（Evals）。文中重点解析了 Tokens 与上下文窗口的成本与限制、嵌入向量与语义搜索的原理、RAG 检索增强生成的正确姿势、智能体循环中的工具使用与停止条件等关键技术细节，帮助开发者从“调参侠”进阶为真正的 AI 工程师。
文章指出许多人学习 AI Agent 时陷入了“工具焦虑”，盲目追逐 LangChain、MCP 等框架，却忽视了 Agent 的本质是一套围绕目标运行的系统。作者强调，真正的难点在于系统设计——理解工具调用、记忆、反馈修正及工程化约束，而非仅仅跑通 Demo。文章推荐 GitHub 项目 agent_learning，主张从 LLM 基础、Prompt 等底层原理开始，逐步构建从基础到工程化的完整知识体系，最终实现 Agent 在真实环境中的稳定运行。
作者 Matt Van Horn 分享了他在“代理工程”（Agentic Engineering）领域的实战经验，这是一种利用 LLM 和自动化流程（如 Claude Code + Compound Engineering）来完成软件开发的新模式。核心技巧包括：立即生成计划、不要细读计划、将计划流程应用于非工程类深度工作、利用语音输入提升效率，以及通过多标签页并行处理任务。文章强调将工作重心从编码转移到规划，利用智能代理自动化执行。
本文是一篇关于从零构建大型语言模型（LLM）架构的深度指南。文章详细解释了 LLM 的工作原理，包括从原始数据收集、清洗、分词，到 Transformer 架构的核心组件（如自注意力机制、位置编码）。同时涵盖了预训练、微调、基于人类反馈的强化学习（RLHF）以及推理优化等关键技术环节，旨在帮助读者理解 ChatGPT 和 Claude 等模型背后的系统构建全流程。
文章通俗易懂地解释了现代AI的基础原理，涵盖神经网络、Token化、Embeddings、注意力机制及Transformers架构。深入探讨了LLM的工作原理，如上下文窗口、温度控制和幻觉问题，并讲解了提示词工程技巧。