过去一年，AI 编程从一个效率工具，逐渐变成了软件行业最重要的变量之一，如今甚至成为了普通 AI 用户的标配。开发者不再只是让 Copilot 补全几行代码，而是开始把需求拆解、代码生成、调试、测试甚至部分部署流程交给 Agent 完成。Andrej Karpathy 在 Sequoia AI Ascent 2026 的演讲中，把这种变化放进了一个更大的叙事框架里：Software 3.0。
一、全文速览图
Google I/O 2026大会的背后，谷歌正在把 AI 变成新的互联网入口一、全文速览图 如果说过去两年的 AI 行业还在比拼「大模型谁更强」，那今年的 Google I/O，已经开始进入另一个阶段：AI 不再只是聊天工具，而是在逐步接管搜索、创作、开发、购物和个人设备。阅读文章 >
Karpathy 对软件演化阶段的划分很清楚。Software 1.0 是人类直接写规则，用 C++、Python、JavaScript 这样的语言告诉计算机如何执行；Software 2.0 是神经网络时代，人类不再手写全部规则，而是通过数据训练出模型权重；Software 3.0 则是大模型时代，人类用自然语言给模型下达任务，把上下文窗口变成新的编程界面。
这个定义之所以重要，是因为它明确了未来软件生产的入口，划清了此刻和未来之间的分水岭。过去，软件开发的核心动作是「把人的意图转译成代码」；现在，这个转译层开始被大模型接管。自然语言不再只是需求文档，而是可以直接驱动系统执行的接口。
但这并不意味着代码会消失。更准确地说，代码正在从人类工作的中心，退到机器可生成、可检查、可迭代的中间层。人类仍然需要理解系统，只是不一定需要亲手写下每一行实现代码。
二、Vibe Coding 产生了新的分支
在 Software 3.0 的讨论里，Vibe Coding 是一个绕不开的词。它指的是一种更随性的 AI 编程方式：开发者用自然语言描述目标，让模型快速生成可运行的原型，再通过不断试错和迭代把产品推向可用状态。它降低了软件创造门槛，也让很多非专业开发者第一次具备了「做出应用」的能力。
但 Karpathy 的关键判断是：Vibe Coding 并不是 AI 编程的终点，并且 Vibe Coding 正在分叉。一条路继续服务于原型验证、个人项目和快速实验；另一条路则进入生产环境，演化为 Agentic Engineering。
二者的区别不在于是否使用 AI，而在于是否具备工程约束。Vibe Coding 更看重速度和灵感，目标是快速跑通一个东西；Agentic Engineering 更看重可靠性、可验证性和可维护性，目标是让 Agent 参与真实的软件交付。
这也是很多团队从感受到「AI 写代码很爽」逐步意识到「AI 写代码也很危险」的转折点。一个 Demo 可以接受幻觉、漏洞和不稳定；一个生产系统不能。到了生产环境，AI 生成的每一次提交，都需要测试、审查、回滚和厘清责任边界。
三、真正的护城河是驾驭 Agent 的工程能力
Agentic Engineering 可以理解为一套新的工程方法：人类不再只负责写代码，而是负责定义任务、拆解流程、设计评估、设置权限、观察输出，并在关键节点接管判断。
在这个框架下，Prompt 只是入口。真正重要的是 Spec design、Eval design、Diff review、Security oversight 和 Quality bar。也就是说，专业能力不再只体现在「我能不能实现」，而是体现在「我能不能让 AI 在正确边界内实现」。
这会带来一个直接后果：程序员的价值开始从中间实现层，向上游的系统设计和下游的验证体系迁移。写函数、补样板代码、查文档、生成测试这些工作，会越来越多地被模型吸收；但定义系统边界、判断架构取舍、设计评估标准的能力，会变得更重要。
Karpathy 那句被反复引用的话，概括了这种变化：你可以外包思考，但不能外包理解。AI 可以给出方案、代码和解释，但它不会替你承担系统失败的后果。
四、一直在波动的大模型不是传统软件
理解 Agentic Engineering 的前提，是理解并承认大模型并不是传统意义上的软件模块。传统软件是确定性的，输入、逻辑和输出之间有清晰关系；大模型则更像一个能力不均匀的智能体，在一些复杂任务上表现惊人，又会在基础问题上犯低级错误。
Karpathy 用「幽灵」来形容这种智能：它有时像专家，有时像新手；它能写出复杂程序，也可能编造一个不存在的依赖包。它的能力边界不是平滑的，而是锯齿状的。
这就是为什么 AI 编程不能只讨论生成能力。生成越强，验证越重要。因为模型不稳定的地方，往往不是任务描述里最显眼的地方，而是藏在边界条件、依赖关系、安全策略和长期维护成本里。
对企业来说，引入 Agent 不是简单采购一个工具，而是重建一套工作流。它需要日志、权限、测试、评估、监控、回滚和人工审查。没有这些基础设施，Agent 只是一个更快的代码生成器；有了这些基础设施，它才可能成为工程系统的一部分。
五、「可验证性」决定 AI 最先改造哪些行业
Karpathy 框架里最有操作性的部分，是「可验证性」。一个任务是否适合被 AI 自动化，不只取决于它看起来有多复杂，而取决于结果能否被低成本、高确定性地验证。
软件开发是一个天然适合 Agent 的领域，因为它有大量现成的验证节点。代码能不能编译，测试能不能通过，接口是否符合规范，性能是否退化，这些都可以被工具链捕捉。模型可以犯错，但错误可以被自动化系统发现并反馈。
因此，AI 最先规模化落地的场景，往往不是最「开放」的场景，而是那些生成难、验证相对容易的场景。例如代码生成、测试生成、合规审计、法律文本比对、医疗影像标注、金融风控、工业质检等。相反，战略判断、品牌定位、组织管理、复杂创意决策等任务，虽然 AI 也可以生成建议，但验证成本高，反馈周期长，结果标准不稳定。因此它们更适合作为辅助决策，而不是完全自动化。
这对 AI 产品创业也有启发。不要只问「AI 能不能做」，而要问「AI 做完之后，谁来判断它做对了」。如果验证机制不清晰，产品很容易停留在炫技阶段；如果验证机制足够强，AI 才能进入真实流程。
六、Software 3.0 不是「无代码」，而是「高验证代码」
很多人把 Software 3.0 理解为无代码时代，但这个判断可能过于乐观。更准确地说，它是一个高生成、高验证的软件时代。代码仍然存在，只是生成代码的主体发生变化；工程师仍然重要，只是价值核心发生变化。
未来的软件团队，可能会更像一个由人类工程师和 AI Agent 组成的混合系统。人类负责目标、架构、质量和责任；Agent 负责执行、搜索、生成、修复和局部优化。这也解释了为什么「会不会写代码」不再是唯一门槛，「懂不懂系统」才是新的分水岭。初级的实现能力会被快速商品化，但系统理解、业务理解、安全意识和评估能力会更稀缺。
对于个人开发者来说，最现实的策略不是抵抗 AI 写代码，而是尽快掌握 AI 工作流：如何写清楚需求，如何拆解任务，如何设计测试，如何审查 Diff，如何让 Agent 在失败时重新尝试。对于技术管理者来说，重点也不该停留在「团队用了多少 AI 工具」，而是要看 AI 是否进入了可度量的工程流程。没有评估体系的 Agent，很难形成生产力；没有质量检测和验证的自动化，只会放大风险。
七、国内开发者需要补课的地方还有很多
在中文语境下，Software 3.0 的落地还会遇到更多现实约束。模型能力、英文技术资料、开源生态、企业合规、数据边界、内部代码权限，都会影响 Agent 能走多远。
这意味着，国内的团队不能只复制硅谷的 AI 编程叙事。真正重要的是把 Agent 放进自己的工程系统里：连接代码仓库、测试平台、知识库、权限系统和发布流程，并明确哪些任务可以自动化，哪些任务必须人工确认。
对国内开发者来说，一个可能更实际的判断，是短期内 AI 不会让所有人都变成优秀工程师，但会迅速拉高「能做出东西」的下限。与此同时，它也会放大工程质量差异。会用 AI 做 Demo 的人会更多，会用 AI 交付可靠系统的人仍然稀缺，而这恰恰也是机会所在。
相应的，这也让 Kimi、DeepSeek、Claude、Gemini、Codex 等工具的选择，变成一个工程组合问题，而不是单一模型排名问题。不同模型适合不同环节：有的适合架构讨论，有的适合代码生成，有的适合长文本分析，有的适合低成本批量执行。
八、结语：软件行业的新瓶颈是理解力
Software 3.0 最值得关注的地方，不是它让代码生成变得更快，而是它重新定义了软件生产中最稀缺的能力。过去，稀缺的是能把需求翻译成代码的人；现在，稀缺的是能把目标翻译成系统、把系统翻译成约束、把约束翻译成验证机制的人。
AI 会继续接管越来越多具体实现工作，这是大概率事件。但它不会自动带来可靠的软件系统。可靠性来自评估、测试、架构、反馈和人类最终判断。所以，Software 3.0 背后不是关于「程序员消失」的故事，而是一个关于软件工程重组的故事。代码变便宜了，理解变贵了；生成变容易了，验证变重要了；工具变强了，人类的判断反而更不能外包。
参考来源： Sequoia AI Ascent 2026 / Andrej Karpathy 演讲：https://www.youtube.com/watch?v=96jN2OCOfLs websearchapi.ai《Andrej Karpathy on Agentic Engineering》：https://websearchapi.ai/blog/andrej-karpathy-from-vibe-coding-to-agentic-engineering Anthropic《Effective Harnesses for Long-Running Agents》：https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents LangChain《State of AI Agents》：https://www.langchain.com/stateofaiagents 36氪：http://www.36kr.com/p/3768680039088902 《Agent Engineering — Karpathy’s Ceiling-Raising Discipline》：https://primores.org/wiki/glossary/agent-engineering/ 《Navigating the Jagged Technological Frontier》：https://www.hbs.edu/ris/Publication%20Files/24-013_1703bc6f-9b03-40ff-b322-cf81feeefe4d.pdf mindstudio.ai《Karpathy’s Sequoia Talk: 5 Predictions About Agentic Engineering》：https://www.mindstudio.ai/blog/karpathy-sequoia-talk-5-predictions-agentic-engineering/