Software 3.0
创建时间： 2026-04-30
来源： [[sources/Andrej Karpathy From Vibe Coding to Agentic Engineering - 逐字稿]]
相关： OpenClaw，LLM-Wiki，Agent-Native-Infrastructure
三层计算范式
Karpathy 将软件工程的历史分为三个阶段：
| Software 1.0 | Software 2.0 | Software 3.0 | |
|---|---|---|---|
| 编程方式 | 写显式代码 | 构建数据集 + 训练神经网络 | 写 prompt / 填上下文窗口 |
| 程序员角色 | 写规则 | 安排数据、设定目标、设计架构 | 提示工程 + 上下文编排 |
| ”代码”形态 | 精确指令 | 学习到的权重 | 一段文本 |
| 执行者 | CPU | 神经网络（虚拟化在 CPU 上） | LLM 作为解释器 |
“Software 3.0 is about prompting — what’s in the context window is your lever over the interpreter that is the LLM.”
关键洞察：通过在互联网上训练（必须多任务处理数据集中所有内容），GPT/LLM 变成了某种可编程计算机——你的程序变成了 prompt，上下文窗口是你对 LLM 解释器的杠杆。
案例 1：MenuGen——App 不该存在
Karpathy vibe-coded 了一个叫 MenuGen 的 App：
- 拍摄餐厅菜单照片 → OCR 提取菜名 → 用图片生成器为每道菜生成图片 → 在 Vercel 上部署
- 涉及 OCR、图片生成、前端渲染、云部署——一个完整的 Software 1.0/2.0 混合 App
Software 3.0 版本令人震撼：
- 拍张照片 → 给 Gemini → 说”用 NanoBanana 把图片覆盖到菜单上”
- NanoBanana 直接在像素层渲染，输出的图片就是原菜单照片但每道菜旁边有对应图片
- 没有任何 App 在中间——输入是图片，输出是图片，神经网络做了所有工作
Karpathy 的自我评价：
“All of my MenuGen is spurious. It’s working in the old paradigm. That app shouldn’t exist.”
这个案例的核心教训：不要只把 AI 看作对现有事物的加速——全新的事物现在是可能的。
案例 2：OpenClaw 安装——Shell 脚本已过时
传统方式安装 OpenClaw：运行 shell 脚本。为了适配不同平台和计算机类型，这些脚本会膨胀到极其复杂。但你仍然困在 Software 1.0 的思维里——想写代码。
Software 3.0 方式：OpenClaw 的安装说明是一段粘贴给 agent 的文字。
“The OpenClaw installation is a copy-paste of a bunch of text that you’re supposed to give to your agent.”
为什么更强大：
- 不需要精确拼写所有安装细节
- Agent 自带智能，会查看你的环境和计算机
- Agent 执行智能操作、在循环中调试
- 比任何静态脚本都强大得多
新的编程范式： “What is the piece of text to copy-paste to my agent?”
案例 3：LLM 知识库——代码无法做到的事
Karpathy 的 LLM 知识库项目（即 LLM-Wiki 的灵感来源）：
“This is not even a program. This is not something that could exist before because there was no code that would create a knowledge base based on a bunch of facts.”
- 传统代码操作结构化数据
- LLM 知识库操作的是非结构化文档——提取事实、重组、交叉引用
- 这不是”做得更快”，而是以前完全不可能的事情
长远展望：神经网络成为宿主
Karpathy 回顾了计算的早期历史：
- 1950-60 年代，人们不确定计算机应该像计算器还是像神经网络
- 我们走了计算器路线，建立了经典计算
- 神经网络目前虚拟化运行在经典计算机上
未来的翻转：
- 神经网络成为宿主进程（host process）
- CPU 成为协处理器（co-processor）
- 神经网络做大部分重活，工具调用（tool use）作为处理确定性任务的”历史遗留附属品”
- 从 flops 占比来看，智能计算（neural networks）将占据主导
这是一个”极其陌生”的未来，但可能逐步到来。
核心启示
- 新的编程范式：你的程序不是代码，是一段给 agent 粘贴的文字
- 不要困在旧思维：不是”让现有软件开发更快”，而是”以前不可能的事情现在可能了”
- 信息处理自动化：这不仅关乎代码——这是更广泛的信息处理自动化，包括知识管理、内容重组等
- App 可能不该存在：当神经网络可以直接做端到端处理时，中间的 App 层是多余的
参考资料
- 来源：Andrej Karpathy From Vibe Coding to Agentic Engineering - 逐字稿（Sequoia Capital 访谈，2026）