Sequoia Ascent 2026 — Software 3.0, Agentic Engineering, and Jagged Intelligence

Sequoia Ascent 2026 — Software 3.0, Agentic Engineering, and Jagged Intelligence

概要

这是 Karpathy 在 Sequoia Ascent 2026 fireside chat 后发布的整理稿。它把 2026 年的 agentic workflow 讲成一个完整框架：LLM 不再只是 chatbot 或 autocomplete，而是正在成为数字工作的可编程操作层。

核心转变是：程序员不再主要输入一行行代码，而是把任务拆成更大的 macro actions，交给 Claude Code、Codex、Cursor-like agents 等工具执行，再由人类设计上下文、工具、反馈回路、guardrails，并保留最终判断。

核心观点

Software 3.0

Karpathy 把软件演化分成三层：

在 Software-3.0 中，context window 是新的主要编程介质，LLM 像一个解释器一样执行上下文。传统上需要跨平台 shell script、安装脚本、集成代码的任务，可以越来越多地变成自然语言程序：让 agent 读取环境、尝试、观察错误、调试并完成安装。

Agentic workflow checklist

这篇来源给出一个非常适合落到 Agentic-Engineering / Harness-Engineering 的操作清单：

define the context
define the tools
define the feedback loop
define the guardrails
let agents work
preserve human understanding

这也解释了为什么仅有“更聪明的模型”不够：要让 agent 稳定产出，需要围绕任务构造可执行上下文、工具边界、反馈指标和审查机制。

Verifiability 与 jagged intelligence

Karpathy 的重要区分：传统软件自动化的是“能被 specify 的任务”，LLM/RL 自动化的是“能被 verify 的任务”。因此能力提升会很不均匀：代码、数学、训练实验、测试驱动修改等可验证任务会先出现 capability spike；评价更软、反馈更模糊的任务会慢很多。

来源中的启发式公式：

capability spike ~= verifiability x training attention x data coverage x economic value

这为 Agent-Benchmarks 和 AI-Self-Improvement-Lab 提供了一个设计原则：若希望 agent 自我改进，先把任务放进可验证 sandbox，再谈长循环。

“应用消失”的 MenuGen 例子

MenuGen 原本像传统 AI app：拍菜单、OCR、生成菜品图、渲染 UI、部署前后端、处理 auth/payment/secrets。Karpathy 用它说明另一个趋势：多模态模型可以直接把输入媒体转换成输出媒体——拍菜单，然后让模型把菜品图直接渲染回菜单图上。部分 app stack 被模型能力吞掉。

这不是“用 AI 更快做旧 app”，而是重新判断哪些 app 其实不该以传统软件形态存在。

对 wiki 的意义

• 更新 Agentic-Engineering：补充 Software 3.0、verifiability、agentic workflow checklist。
• 创建 Software-3.0：把“上下文即程序”的框架单独沉淀。
• 对 AI-Self-Improvement-Lab：优先选择可验证实验，避免在没有反馈指标的开放任务上幻想自我改进。

相关

• AutoResearch 是“可验证 sandbox + agent loop”的典型实例。
• Context-Engineering 决定 Software 3.0 程序的主要质量。
• Vibe-Coding 更像面向结果的轻量表达，Agentic-Engineering 则强调可验证、可审查、可持续的 agent 编排。