Karpathy最新脑洞「细菌编程」：优秀代码应该具备细菌的三大特质

tayun

西风 发自 凹非寺
量子位 | 公众号 QbitAI

像细菌一样编写代码！

创造出“氛围编程”、“软件3.0”的大神Karpathy又抛出一个新概念，引起网友广泛讨论——

细菌编程（Bacterial code），要有三个特点：代码块小而精、模块化、自包含且易于复制粘贴。

如此一来，开源社区就能通过“水平基因转移”蓬勃发展。

网友们就Karpathy提出的这个新概念进行了广泛讨论。

甚至有网友认为这则推文是他“近十年来看到过的最有趣的帖子”。

还有网友好奇Karpathy的脑洞：

• 老天奶，这些知识是怎么融入你的知识体系的。

More gists, less gits.

Karpathy的新理念，源于对生物演化生存策略的深刻洞察。

他觉得，若想打造一个充满活力、能快速迭代的开源社区，开发者不妨向地球上最具生存智慧的生命形式细菌学习。

这些微观世界的“生存大师”历经亿万年物竞天择，早已将适者生存的法则刻进了基因深处。

不管是极寒、酷热，还是强酸、强碱，乃至太空环境，细菌几乎能殖民地球上所有的生态位，靠的正是其基因组（即“代码”）那套厉害的演化逻辑。

Karpathy把这套演化逻辑提炼成三条法则，还映射到软件开发实践里：

• 小（每行代码都消耗能量）

生物学里，复制、维护每个DNA碱基对都得消耗能量。这种“成本约束”，让细菌基因组天然自带“自我精简机制”。

Karpathy觉得，软件开发也该有这意识。写代码太容易、成本太低，大家随手就加依赖，最后代码臃肿不堪，又脆弱又混乱。

• 模块化（组织成可互换的操纵子组）

细菌的基因，会组织成叫“操纵子（Operon）”的功能簇。这些模块能整体被激活、抑制或转移，实现功能的 “即插即用”。

在编程中，这对应于高内聚、低耦合的模块化设计。每个类或模块都应像一个独立的“操纵子”，可以被轻松地替换或与其它模块组合，而不会引发连锁反应。

• 自包含（通过水平基因转移轻松“复制粘贴”）

咋理解？细菌演化出了“水平基因转移”（Horizontal Gene Transfer）的强大能力，可以直接从其它细菌那里“复制粘贴”有用的基因片段（如抗生素抗性基因），而无需理解对方完整的基因组上下文。

对应到软件开发中，也就是说代码片段应是自包含的，不依赖于项目特定的复杂配置、全局状态或大量的外部库。

更通俗一点，如何判断软件代码是否符合“细菌编程”标准？

就此，Karpathy提出了两个问题：

• 对于你写的任何一个function（基因）或class（操纵子），你能想象有人在不了解你项目其余代码、也无需导入任何新依赖的情况下，直接“顺手牵羊”（yoink）地拿走它，并立即从中获益吗？你的这段代码，有没有潜力成为一个热门的GitHub Gist？

用一句话总结：More gists, less gits.

当然，“细菌编程”并非万能灵药。它虽然擅长快速原型设计，但无法构建复杂生命。

Karpathy表示，相比之下，真核生物基因组是更大、更复杂、组织更紧密的monorepo，创新性明显较低，却是构建完整器官和协调生命活动的必要条件。

凭借智能设计的优势，应该可以兼取两者之长：

• 必要时构建真核生物monorepo骨架，但最大化保留“细菌 DNA”的特性

那些由Karpathy提出的大火概念

作为前特斯拉AI总监和OpenAI创始成员，Andrej Karpathy在AI和软件开发领域具有重要影响力。

在提出“细菌编程”之前，还有多个概念被他提出并带火，包括：

软件3.0（Software 3.0）

软件3.0，即用自然语言编程大模型的新时代，这个概念Karpathy在上个月刚刚提出。

他表示，软件在过去70年基本没怎么变过，但最近几年却连续经历了两次根本性变革。

• 软件1.0：代码，就是我们熟悉的传统编程，程序员敲代码指挥计算机通过指令执行任务。
• 软件2.0：权重参数，神经网络时代不再直接写代码，而是调整数据集，让优化器生成神经网络的权重参数。

他认为，当初很多人觉得神经网络就是个分类器，跟决策树差不多，真正的巨变发生在大模型出现后。

• 以前的神经网络都是固定功能的机器，比如AlexNet只能做图像识别。但大模型不一样，它们是可编程的！你的提示词（prompt）就是程序，而且还是用英语（或其他自然语言）写的。

由此，我们现在进入了用自然语言编程大模型的软件3.0新时代。

站在软件3.0的起点，Karpathy对想要进入科技行业的人分享了自己的看法：

• 我们需要重写海量的代码，专业程序员要写，vibe coder也要写。在接下来的十年里，我们会把自主性滑块从左边推到右边。

短期来看，大量软件需重构为 “人类+大模型” 协同模式，半自主应用爆发。

中期来看，大模型逐步渗透企业级工作流，代码、文档、数据分析全面智能化。

长期来看，类似《钢铁侠》贾维斯的智能助手普及，自主权滑动条从左到右延伸，但人类始终是闭环中的决策者。

• 这是一个需要同时掌握 Software 1.0（代码）（模型训练）、3.0（提示词工程）的时代。

氛围编程（Vibe coding）

Vibe coding，是另一个由Karpathy提出的流行词，核心是既然大模型能理解英语，那每个会说话的人都能编程

Karpathy称自己发了推特15年，也猜不到究竟哪条会火，以为随便聊聊Vibe coding这个自己想出来的新词不会有太多人关注，结果这个词现在火到连维基百科页面都有词条了。

Karpathy自己尝试了Vibe coding，虽然不会Swift，但一天就做出了iOS应用。还做了个叫Menu Genie的餐厅菜单图片生成器。

不过他发现写代码反而是容易的部分，真正困难的是部署——认证、支付、域名配置这些都要在浏览器里点来点去。“计算机在告诉我该点哪里，这太荒谬了，为什么不是它自己去点？”

由此，Karpathy认为：需要为AI agent重建基础设施。

现在的软件都是为人类设计的，到处都是“点击这里”的指令，大模型看不懂。一些先驱如Vercel和Stripe已经开始提供大模型友好的文档，用Markdown格式，把所有“点击”替换成了curl命令。

这就像给网站加robots.txt一样，Karpathy建议加个LLM.txt，直接告诉AI这个网站是干什么的。

另外，还有一个新词，虽然不是Karpathy率先提出的，但得到了他的力挺，这个词就是前几天大火的——上下文工程（Context Engineering）

Karpathy表示，很多人觉得提示词就是日常用大模型时输入的简短指令，但在所有工业级LLM应用中，“上下文工程”完全是另一门艺术与科学，它得精准把控上下文窗口里的信息填充。

说它是“科学”，是因为要做好这件事需要整合任务说明、示例演示、检索增强生成（RAG）、相关多模态数据、工具调用、状态记录和历史对话等要素，还要通过压缩技术优化内容。

信息太少或形式不当，LLM 就缺乏足够的上下文来发挥最佳性能；信息过多或无关，则会推高调用成本并降低效果，要做到恰到好处绝非易事。

说它是“艺术”，则因为这需要对LLM的“行为逻辑”有直觉性的把握，如同理解人类思维的规律。

除了上下文工程本身，Karpathy表示，一个LLM应用还需要：

• 合理将问题拆解为可控的工作流
• 精准填充上下文窗口
• 调用匹配任务需求的LLM模型
• 处理生成-验证的用户交互流程
• 更多细节：安全防护、效果评估、并行处理、预加载机制等

总之，AI的进化速度已经远超预期，而Karpathy的这些脑洞，或许正是未来编程范式的早期信号。

[1]https://x.com/karpathy/status/1941616674094170287
[2]https://x.com/karpathy/status/1937902205765607626


来源：网易