Andrej Karpathy’s Loop Engineering: 9 Golden Rules fo… | BestHub
高潜力 92
Andrej Karpathy
Karpathy 提出「循环工程」（Loop Engineering）概念，认为构建长时运行 Agent 的核心瓶颈不是模型智能，而是外部框架（Harness）的设计。他给出了包括角色分离、契约先行、状态持久化、自动重启等九条黄金法则，为多日运行的 AI Agent 开发提供了系统性方法论。
核心观点 - – Prompt Engineering 正在让位于更系统化的 Loop Engineering，核心是设计 Gather→Reason→Act→Verify→Repeat 循环
- – 角色严格分离（Planner/Generator/Evaluator）是避免模型自我评判失效的关键，混用角色会产生低质量输出
- – Agent 协作前须先协商可测试的「完成契约」（约 27 条断言），合同过少会导致评估失去标准
- – 状态必须写入磁盘（feature_list.json / progress.md / contract.md / log.md），确保任意崩溃后可恢复，不依赖上下文窗口
- – 允许循环自动重启放弃失败路径，仅当契约本身有缺陷时才需要人工介入
- – 主观质量（taste）可量化：Design/Originality/Craft/Functionality 四维度对比参考样本，输出 0-1 分
- – 调试方法论：将 Agent 输出重定向到文件，用 grep 定位判断偏离点，类比阅读 stack trace
- – Harness 应随模型能力提升而主动瘦身，只增不减是设计退化的信号
AI AgentLLM 工程Loop Engineering多智能体系统提示工程教程分析
Andrej Karpathy's AI Engineering Playbook (2026)
高潜力 92
Andrej Karpathy · Mon Jun 29 2026 20:30:16 GM
Andrej Karpathy 提出了一套完整的 AI 工程方法论，核心是将上下文窗口视为代码（Software 3.0），用工程化思维（规范设计、差异审查、评估循环）替代随意的 Prompt 尝试。他还推广了并行 Agent 管理模式和 CLAUDE.md 配置文件，构建出一套从世界观到具体工具的完整实践体系。
核心观点 - – Software 3.0：上下文窗口即程序，LLM 是解释器，用自然语言编程取代传统语法，Prompt 文件和知识库的重要性因此超过代码语法本身
- – Agentic Engineering vs Vibe Coding：真正的 AI 工程是规范设计（spec design）+ 差异审查（diff review）+ 评估循环（eval loops），而非随意 Prompt 碰运气
- – 并行 Agent 管理：像技术 Lead 一样同时运行多个 Claude Code 会话，每个窗口对应一个功能模块，角色从编码者转变为团队管理者
- – CLAUDE.md 配置文件：通过结构化规则文件约束 Agent 行为，是让 Agent 可复现、可维护的关键工程实践
- – LLM Wiki 知识库模式：构建持续积累的知识层，形成复利效应，是 Karpathy 推广的长期竞争优势
AI工程Agent开发LLM应用Software 3.0提示工程开发者工具分析教程
Hitchhiker's Guide to AI, Software Architecture, and Everything Else: MEMORY FOR AI AGENTS: ANDREJ KARPATHY'S TAXONOMY AND HOW TO BUILD IT
高潜力 88
Andrej Karpathy · Sat Jul 04 2026 00:45:00 GM
本文系统介绍了 Andrej Karpathy 提出的 LLM Agent 记忆四分类框架：权重内记忆、上下文记忆、外部检索记忆和 KV 缓存记忆，并结合 Python 代码讲解每种记忆的实现方式。文章兼具理论深度与工程实用性，是构建 AI Agent 记忆系统的高质量参考指南。
核心观点 - – Karpathy 将 LLM Agent 记忆分为四类：权重内记忆（In-Weights）、上下文记忆（In-Context）、外部检索记忆（External Retrieval）、KV 缓存记忆（KV Cache），每类在持久性、容量、速度和更新成本上各有权衡
- – 权重内记忆是模型训练时固化的知识，无法动态更新，适合通用知识和推理能力
- – 上下文记忆是最轻量的记忆方式，成本低但受 Token 窗口限制，适合对话连续性
- – 外部检索记忆通过向量数据库实现，容量近乎无限且可持久化，是 Agent 长期记忆的核心方案
- – KV 缓存由推理引擎自动管理，主要用于加速稳定前缀的推理，工程侧透明度低
- – LLM 天生无状态，记忆系统是让 Agent 具备连续性和个性化能力的关键基础设施
AI AgentLLM记忆系统向量数据库AI工程软件架构教程分析
I Cracked Open Karpathy's $100 ChatGPT — the 2019 Original Cost $43,000 and 168 Hours | by Chew Loong Nian - AI ENGINEER | Jun, 2026 | Towards AI
高潜力 88
Andrej Karpathy · Sat Jun 27 2026 23:38:35 GM
Andrej Karpathy 发布了 nanochat 开源仓库，可在单张 GPU 上以约 100 美元复现完整的 ChatGPT 训练流程（含预训练、微调、RLHF 和聊天 UI），相比 2019 年 GPT-2 原始训练成本（43,000 美元、168 小时）下降了 99%+。文章作者逐行解析了该仓库的技术细节，并指出这标志着'自建 ChatGPT'从比喻变为现实。这一进展发生在美国政府限制 GPT-5.6 出口的同一周，形成鲜明对比。
核心观点 - – nanochat 仓库将完整 ChatGPT 训练流程（tokenizer → 预训练 → SFT → RL → UI）压缩到单 GPU、100 美元、1.65 小时
- – 2019 年 GPT-2 训练成本 43,000 美元/168 小时，7 年后同等能力的成本降幅超 99%，是 AI 算力成本曲线的具体佐证
- – Karpathy 已于 2026 年 5 月加入 Anthropic 主导预训练，其教学仓库对行业的影响力持续放大
- – GPT-5.6 Sol 仅向约 20 个获批机构开放，与开源方向形成'顶端封闭、底层开放'的双轨格局
- – micrograd/makemore/nanoGPT/nanochat 系列构成了当前一代工程师理解 LLM 的核心教学路径
LLM训练开源AIAndrej Karpathy成本效益ChatGPT复现nanochatAI民主化技术教程分析教程
Agentic Commerce Readiness: A 2026 Checklist for Stores
高潜力 88
Greg Isenberg · Sun Jun 28 2026 07:00:00 GM
AI购物代理（如ChatGPT、Perplexity）正在真实下单，Adobe数据显示AI来源流量在2026年Q1同比增长393%，转化率比自然流量高42%。文章提供了一份六大支柱自评清单（产品数据流、结构化数据、协议集成、机器可读政策、信任信号、AI引用），帮助商家诊断自身对AI代理的可见性与可交易性。当前仅3%的交易通过AI代理完成，但72%的商家承认消费者接受速度将超过自身准备速度，窗口期正在关闭。
核心观点 - – AI来源零售流量2026年Q1同比增长393%（Adobe数据），转化率比自然流量高42%，趋势已从'未来时'变为'现在时'
- – 目前四大代理商务协议并存（ACP、UCP、Adyen Agentic、MCP），尚无统一标准，商家需跨协议对冲风险
- – 结构化Product Schema与机器可读的退货/物流政策是AI代理筛选商家的'入场券'
- – 33%消费者预期一年内10%以上的购买将由AI代理完成，而72%商家坦承自身准备落后于消费者
- – 文章提供0-18分的六支柱自评评分体系，可操作性强
Agentic CommerceAI购物代理电商结构化数据MCP协议AI流量预测分析教程
AI Agents are the new SaaS — AI Summary | summree
高潜力 88
Greg Isenberg
Greg Isenberg 提出 AI Agent 是新一代 SaaS 浪潮，核心转变是从「卖软件工具」变为「卖已完成的工作」。他给出了一套完整的 7 步落地方法，包括选定细分领域、人工影随、构建最小可用 Agent，以及以劳动力而非软件的方式定价销售。该框架对于想切入 Agent 创业的人具有极高的操作参考价值。
核心观点 - – Agent SaaS 的核心差异：卖的是已完成的工作（接听电话、预约、工单分流），而非软件本身
- – 选品标准：找已有人被雇来完成的工作流，证明付费意愿并锚定定价
- – 先人工影随 10-20 次再写 prompt，边缘案例是高质量 Agent 的真正壁垒
- – 从最小可用 Agent 起步（草稿审批、分诊、协调等），而非追求完全自主
- – 产品包装（日志、审批流、交接规则）是将自动化变成可销售 SaaS 的关键
- – 定价策略：前期收 setup fee（约 $1,500）+ 月费（约 $1,000），跑通后转为结果导向定价
- – 内容分发策略：制作「旧工作流痛点 vs. Agent 新方式」的对比内容，精准触达决策者
AI AgentSaaS创业商业模式产品策略内容营销预测教程
Boris Cherny Says Loop Engineering Has Replaced Prompting - Memeburn
高潜力 82
Boris Cherny · Sat Jun 27 2026 12:30:31 GM
Anthropic Claude Code负责人Boris Cherny提出'循环工程'（Loop Engineering）概念，宣称手动提示词已被自主运行的Agent循环所取代。他的工作模式已转变为设计自动化工作流，让Agent互相提示、自主执行任务，而非人工编写提示词。这标志着AI协作技能层级的重构：设计循环和验证系统的工程师将超越仍在手工调试Prompt的人。
核心观点 - – Boris Cherny已不再手动写Prompt，而是构建自动循环来代替自己与Claude交互
- – Loop Engineering定义：构建可复用的Agent工作流，自动发现任务、实现变更、验证结果，极少需要人工介入
- – 其100%的代码自Opus 4.5起由Claude Code生成，且多数操作直接在手机端完成
- – 新技能层级正在形成：会设计Loop和验证系统的工程师>会写Prompt的工程师
- – Agent之间互相提示（agents prompting agents）是下一阶段的核心范式
AI AgentLoop EngineeringPrompt EngineeringClaude CodeAnthropic软件工程AI工作流预测分析
Claude Code's Father Predicts 100 - fold Surge in Coder Numbers in 3 Years After Six - month Coding Hiatus
高潜力 82
Boris Cherny
Claude Code之父Boris Cherny预测，3年内编写代码和使用AI代理的人数将是现在的100倍。他认为'软件工程师'头衔将消失，取而代之的是跨越工程、产品、设计、数据科学的复合型'构建者'角色。AI正在重写程序员的角色定义，而非消灭这一职业。
核心观点 - – Boris Cherny本人已6个月未手写一行代码，100%依赖Claude生成代码
- – 3年内编写代码和使用AI Agent的人数将达到现在的100倍
- – '软件工程师'头衔将被'构建者'等更宽泛的角色取代
- – 工程、产品、设计、数据科学等职能正在融合，传统职位边界模糊化
- – AI不消灭程序员，而是大幅降低编程门槛、扩大参与人群
AI编程软件工程职业转型Claude CodeAnthropic预测AI Agent
Claude Tag: Anthropic Turns AI into a Persistent Teammate in Slack — and Andrej Karpathy Calls It the Third Major LLM UX Revolution
高潜力 82
Andrej Karpathy · Wed Jul 01 2026 14:43:00 GM
Anthropic 推出 Claude Tag 功能，将 Claude 直接集成进 Slack 工作流，用户可通过 @Claude 在频道中委派任务。Andrej Karpathy 将此定义为 LLM 交互范式的第三次重大革命，标志着 AI 从独立工具演变为持久嵌入式团队协作者。该功能内部已承担 Anthropic 65% 的代码相关工作。
核心观点 - – Claude Tag 将 AI 以团队成员身份嵌入 Slack，支持 @Claude 直接在频道内委派任务，消除工具切换摩擦
- – Karpathy 将此定性为第三次重大 LLM UX 革命，暗示 AI 交互范式正从对话式转向异步嵌入式
- – Anthropic 内部数据显示，该模式已承担 65% 的代码工作，验证了生产力提升的实际效果
- – 趋势方向：AI Agent 从独立应用向深度集成既有工作流演进，降低采用门槛
AI AgentLLM UXAnthropicClaude企业协作工具Slack集成AI工作流预测分析
Karpathy's Genius Strikes Again, Challenging RAG, Turning Your Notes into a Second Brain | HTX Insights
高潜力 82
Andrej Karpathy · Wed Jul 01 2026 17:53:55 GM
Karpathy 提出将个人笔记视为不可变'源代码'，以 LLM 作为'编译器'持续维护结构化 Wiki 的知识管理框架。该方案通过三层架构（原始层、规则层、Wiki 层）和 Ingest/Query/Lint 三种操作，解决了传统 RAG 和 Obsidian/Notion 式笔记工具长期存在的维护衰减问题。这一理念被视为继'氛围编程'和'智能体工程'之后，Karpathy 提出的人机协作第三范式。
核心观点 - – 将笔记定义为不可变源代码，LLM 充当编译器，颠覆传统手动维护知识库的范式
- – 三层架构：Raw Layer（原始笔记）→ Schema Layer（结构规则）→ Wiki Layer（编译后知识库），实现知识自动聚合与交叉引用
- – 核心操作 Lint 可定期由 AI 审计矛盾、过时内容和知识空白，解决'数字木乃伊'问题
- – RAG 的本质缺陷在于只检索碎片而不维护一致性，LLM-Wiki 框架在编译阶段就解决了冲突
- – 该框架实现了 Vannevar Bush 1945 年 Memex 愿景，社区已出现自动化插件和规模化实践案例
- – 这是 Karpathy 提出的人机协作第三范式，前两个是 Vibe Coding 和 Agentic Engineering
个人知识管理LLM应用RAGAI工作流第二大脑知识图谱预测分析