karpathy/jobs

karpathy/jobs

来源定位

karpathy/jobs 是 Karpathy 的 US Job Market Visualizer：一个用于探索美国 Bureau of Labor Statistics Occupational Outlook Handbook 数据的研究/开发工具。README 明确声明它不是报告、论文或严肃经济出版物，而是用于视觉化探索 BLS 数据的 development tool。

关键事实

• 数据源：BLS OOH，覆盖 342 个职业，包含职责、工作环境、教育要求、薪酬、就业预测等。
• 可视化：交互式 treemap；矩形面积表示就业人数，颜色可切换为增长前景、薪酬、教育要求、AI exposure 等指标。
• LLM-powered coloring：用户写 prompt，让 LLM 对每个职业按某个 criteria 打分；“Digital AI Exposure” 只是一个示例。
• README 特别说明：AI Exposure 不等于职业会消失，不考虑需求弹性、监管、社会偏好等因素；它是 rough LLM estimates，不是严谨预测。

知识库价值

该项目提供了一个可复用的 LLM-as-analyst 模式：

1. 选择结构化公共数据。
2. 把每条记录转换成可读 Markdown / structured fields。
3. 写清楚 rubric。
4. 让 LLM 批量评分。
5. 通过可视化让人类审查分布，而不是把分数伪装成真理。

这对 LLM-Wiki 和 AI-Self-Improvement-Lab 有启发：LLM 可以参与批量标注和探索，但必须保留 provenance、rubric、局限性和人类复核。

可迁移实践

• 对个人工作流步骤做 “AI exposure” treemap：哪些环节最容易被 agent 改造，哪些仍需人类判断。
• 对 wiki 页面做维护优先级评分：过时风险、链接中心性、单源风险、行动价值。
• 对候选来源做 durable value scoring：把本 radar 的 relevance/novelty/durability/actionability/source_quality 变成可审查表格。

风险

• LLM 打分容易把主观判断数字化后显得过度精确。
• 职业影响不是单变量问题；AI exposure 高也可能意味着需求增长。
• 可视化会放大用户对分数的信任，因此页面必须持续显示 caveats。