Karpathy 发布 12 页指南：构建自我改进的多代理图
文章解读了 Andrej Karpathy 关于构建自我改进多代理图的 12 页指南。核心内容包括 Loop、Chain、Swarm 等架构模式，以及利用知识图谱作为共享内存的重要性。文中对比了 Karpathy 的工程实践与 Anthropic 的动态工作流，强调了未来 AI 应用的壁垒在于图谱工程和多智能体协作。
🏷️ Andrej Karpathy
8 篇从提示词工程师到全栈 AI 工程师的升级指南
文章反驳了“提示词工程已死”的观点，指出单纯的提示词思维虽已过时，但提示词仍是人机交互的核心。作者旨在将读者从仅会提问的初级用户，升级为具备系统思维的 AI 工程师。文章详细讲解了具体的技能升级路径，包括：如何进行具体且确切的提问、如何设定角色（Role）来界定行为、利用示例来固定输出模式，以及如何正确引导模型的推理过程。
使用 Fireworks Agent 自动化 LLM 微调全流程
本文介绍了如何利用 Fireworks Agent 实现 LLM 微调（SFT）的全自动化。文章以 Andrej Karpathy 的“个人 LLM Wiki”理念为引，阐述了将知识注入模型权重比单纯依赖上下文窗口更高效。通过 Fireworks Agent，作者展示了从数据集检查、超参数搜索、模型训练到部署推理的完整闭环，无需人工干预繁琐步骤，仅需少量 GPU 时间和极低成本，即可训练出具有特定输出风格（如 Wiki 摘要风格）的模型，为构建自我进化的 Agent 铺平了道路。
Andrej Karpathy：从 Vibe Coding 到 Agentic Engineering 的跃迁
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。
2026年AI趋势前瞻：从提示工程到上下文工程
本文探讨了2026年AI应用模式的根本转变。核心观点是从“提示工程”转向“上下文工程”，AI不再仅仅是聊天对象，而是构建工作环境的基础设施。文章详细论述了代理式编码（如Claude Code）、开源代理框架的成熟（如OpenClaw）、以及类似Karpathy倡导的复合型知识库系统，指出拥有持久且智能的上下文层将成为未来的核心竞争力。
一个文件改变 Claude：通过 CLAUDE.md 修复 AI 编程的四大缺陷
文章指出了 Claude Code 默认行为中的“愚蠢”之处，即盲目执行、过度复杂化和缺乏交流，引用了 Andrej Karpathy 对 AI 编码工具的批评。作者介绍了一个名为 `andrej-karpathy-skills` 的解决方案，通过添加一个 `CLAUDE.md` 配置文件，设定“三思后行”、“简单优先”、“手术式修改”和“目标驱动”四大原则，彻底改变了 Claude 的行为模式，使其更像一位资深工程师。
3步带你搭建Karpathy同款AI知识库（附教程）
文章介绍了如何模仿 Andrej Karpathy 的方法，利用 Obsidian 和 AI 搭建个人知识库。通过 Raw、Wiki 和规则三层架构，让 AI 自动完成资料的阅读、提炼和链接，实现知识的自动维护与复利。
一键运行 Karpathy 的 autoresearch 并追踪实验
本文介绍了作者尝试使用 Andrej Karpathy 发布的 autoresearch 工具，通过定义 program.md 让 AI Agent 自动编写代码、运行实验并迭代结果。为了简化流程，作者开源了 autoresearch-gen 工具，利用 LLM 生成脚手架代码并配备 Streamlit 仪表盘来追踪实验。文章还探讨了 AI 研究自动化趋势及其面临的上下文记忆和状态管理挑战。