Andrej Karpathy 近日分享了他关于 AI 辅助编程的最新思考与工作流。他认为，在当前大模型能力已达到博士级水平的背景下，编程的核心问题正在发生变化。当代码可以被低成本地生成和抛弃时，我们应该如何最大化 AI 的辅助价值？“写代码”和“删代码”哪个更重要？

Karpathy 提出了一套分层式的工具使用哲学，旨在整合不同工具的优势，以应对不同层级的编程任务。

工具分层与使用哲学

核心理念是，不应执着于寻找单一的“完美”工具，而应根据任务的复杂度和性质，灵活地组合使用多个工具。

日常主力：Cursor (Tab 自动补全)

这是 Karpathy 日常工作中使用频率最高的模式，约占其编程时间的 75%。

  • 高效沟通：通过在代码的正确位置编写代码块或注释，可以非常高效地向 AI 传达任务意图和上下文。这种“人类起草，AI 补全”的方式，其信息传递效率远高于纯粹的自然语言对话。
  • 高亮修改：另一种高阶用法是高亮选中一段代码，然后指令 AI 对其进行特定修改。
  • 缺点：需要在使用过程中频繁地手动开关 Tab 自动补全功能，以避免不必要的干扰。

重型武器：Claude Code / Codex

对于功能明确、可直接描述的大块代码生成任务，Karpathy 会使用像 Claude Code 或 Codex 这样的工具。

  • 适用场景：

    • 新领域探索：在接触不熟悉的领域（如 Rust、SQL 命令等）时，这类工具能够快速生成基础代码，实现“凭感觉编程”。
    • 一次性代码：在编写一次性的实用工具或调试代码时非常有用。例如，为了定位一个特定 bug，AI 可以迅速生成上千行详尽的可视化代码，待问题解决后，这些代码可以被毫无负担地删除。

  • 主要问题：缺乏“代码品味” Karpathy 指出，这类工具生成的代码虽然能完成任务，但往往不够“优美”，缺乏良好的代码品味。具体表现为：

    • 防御性过强：频繁滥用 try/catch 结构。
    • 过度抽象：将简单的逻辑复杂化。
    • 代码臃肿：使用冗长的嵌套 if-then-else 结构，而不是更简洁的列表推导或单行表达式。
    • 代码重复：倾向于复制代码块，而不是创建可复用的辅助函数。

此外，他尝试让 AI 在写代码的同时进行教学解释，但效果不佳——AI 似乎只想“埋头写代码”，而不愿意解释过程。

终极防线：GPT-5 Pro

当面对最棘手、最微妙的问题时，Karpathy 将 GPT-5 Pro 视为最后的防线。

  • 攻克顽固 Bug：它能够定位其他工具甚至人类都无法解决的细微 bug。Karpathy 举例说，曾有几次，他和 Cursor、Claude Code 团队被一个 bug 卡了十几分钟，但将所有上下文信息复制给 GPT-5 Pro 后，它在十分钟的思考后成功找到了问题的根源。
  • 深度分析与研究：GPT-5 Pro 在挖掘生僻文档、论文资料方面表现出色。Karpathy 也用它来处理更复杂的任务，例如：
    • 就如何优化代码抽象征求建议。
    • 围绕特定主题进行完整的文献综述。

迎接“代码后稀缺时代”

Karpathy 的工作流背后，是一个核心概念的转变——我们已经进入了**“代码后稀缺时代”**。

这个时代的显著特征是：

  • 代码的廉价性：代码不再是珍贵或昂贵的资源。你可以随时创造并删除成千上万行高度定制化的代码，而无需感到可惜。
  • 低门槛的探索：AI 工具极大地降低了编写一次性、实验性代码的成本，使得快速原型验证和探索性编程成为可能。
  • 价值的重新定义：当“写”代码的成本急剧下降时，“删”代码、代码审查和对代码“品味”的判断能力变得愈发重要。

总而言之，AI 正在彻底引爆编程领域的可能性。关键在于理解不同工具的优劣，并构建一套适合自己的、多层次的辅助编程工作流，从而在新时代中保持高效与创造力。

👉 如果你需要 ChatGPT 代充 / Claude / Claude Code / 镜像 / 中转 API：