Vibe Coding 死了，然后呢？Agentic Engineering 接管 AI 编程的下半场

2026 年 2 月，Andrej Karpathy 发了一条推文，把整个 AI 编程圈炸了。他说：Vibe Coding 死了，未来属于 Agentic Engineering。

讽刺的是，Vibe Coding 这个词，正是 Karpathy 自己在 2025 年发明的。一年前他还在说「拥抱 vibe，忽略代码细节」，一年后他亲自主持了它的葬礼。

这不是打脸，这是诚实。当一个人比任何人都更快地意识到自己错了，并且毫不遮掩地讲出来——这件事本身就值得认真对待。

Vibe Coding 曾经是一场民主化实验

先搞清楚 Vibe Coding 到底是什么。

它的工作流极其简单：脑子里有个模糊想法 → 用自然语言丢给 AI → AI 生成代码 → 能跑就行 → 坏了再丢回去修。没有架构设计，没有测试驱动，没有代码审查。核心信念是：让软件开发的体验像聊天一样自然。

这个范式在 2025 年席卷了开发者社区。Cursor、Windsurf、Lovable、Bolt 等工具让大量不会写代码的人第一次体验到了「创造软件」的乐趣。中小型项目、原型验证、内部工具——Vibe Coding 在这些场景下表现出了惊人的效率。

但问题也随之而来。

裂缝从「能跑就行」开始

2026 年 6 月，安全研究机构 Wiz 发现了一个令人后背发凉的事实。

一个叫 Moltbook 的产品——定位是「AI 代理专属社交网络」——因为一个配置错误的 Supabase 数据库，导致生产环境对任何人完全开放：150 万个 API 认证令牌、3.5 万个邮箱地址，以及大量 AI 代理之间的私密消息，全部裸奔在公网上。 任何人都能冒充平台上任何一个 AI 代理账户，篡改所有公开内容。

创始人说得很坦诚：这个产品是 vibe-coded 出来的，他本人没写一行代码，全靠 AI 生成。

这不是孤例。以色列安全公司 RedAccess 的调查发现，约 38 万个公开可访问的资产中，约 5000 个包含敏感企业信息——医疗记录、财务数据、内部文件。这些应用大多来自 Lovable、Replit、Netlify 等 AI/低代码平台。RedAccess 的 CEO 说得直白：「这些应用的隐私设置，默认就是公开访问。」

Lovable 自己也中了招。研究员 weezerOSINT 通过少量 API 调用，就能访问其他用户的源代码、数据库凭证和 AI 聊天记录——一个典型的 BOLA（对象级授权缺失）漏洞。事件最后演变成平台、用户、漏洞响应流程之间的责任推诿。

造一个能用的 App，门槛已经被 AI 砸到几乎为零。但「知道自己在裸奔」这件事，门槛一点没降。

超级用户鸿沟：AI 没有抹平差距，它拉大了

Cursor 发布的《2026 年春季开发者习惯报告》揭示了一个更残酷的趋势：

• 前 1% 的超级用户，产出的代码量是活跃中位用户的 46 倍
• 他们合并的提交次数是中位提交者的 15 倍
• Token 消耗量、AI 花费、代码产出全部高度集中在极少数人手里

AI 编程非但没有抹平开发者之间的差距，反而把顶尖选手和普通选手的鸿沟拉成了马里亚纳海沟。

为什么会这样？因为会用 AI 写代码，和会用 AI 做工程，是两件完全不同的事。前者只需要会描述需求，后者需要懂架构、懂测试、懂安全、懂部署。Vibe Coding 只解决了前者。

Agentic Engineering 到底在说什么

2026 年 4 月，Karpathy 在红杉 AI Ascent 峰会上详细阐述了他的新范式。他用一个绝妙的比喻来开场：

最先进的大模型可以一口气重构 10 万行代码库，也会建议你走路去 50 米外的洗车店洗车。

你想洗的是车，车不能走路，所以人走路去洗车店是一个毫无意义的建议。一个能改 10 万行代码的模型，就在这种小学生级别的常识题上崩了。

Karpathy 把这叫作「锯齿状智能」（Jagged Intelligence）——AI 的能力并非均匀进步，而是参差不齐。用「它行 / 它不行」的二分法去判断 AI，是今天理解 AI 最危险的方式。

Agentic Engineering 试图解决的，正是这种锯齿状能力带来的不可靠性。它的核心区别在于：

维度	Vibe Coding	Agentic Engineering
规划方式	无规划，边做边改	先规划，再执行
代码质量	能跑就行	可维护、可测试、安全
测试	几乎没有	TDD 红-绿-重构循环
人类角色	描述需求、接受结果	定义约束、审查决策
AI 角色	代码生成器	全流程工程 Agent

一个典型的 Agentic Engineering 工作流是这样的：

需求定义 → Agent 将自然语言需求转化为结构化技术规格 架构设计 → Agent 分析需求，提出架构方案，人类审查调整 分步实现 → Agent 将任务分解为独立子任务，逐一实现并处理依赖 测试验证 → Agent 自动生成测试用例，运行测试，修复失败 部署上线 → Agent 生成部署配置，自动部署，监控运行

这不是把传统软件工程搬到 AI 时代——这是让 AI Agent 成为规划者和执行者，人类从「写代码的人」变成「定义需求和审查结果的人」。

工具链已经在转向

Agentic Engineering 不是一个理论概念，工具生态已经在向这个方向演进。

Claude Code 是目前最激进的实践者。终端原生设计，直接在文件系统和 Git 仓库上操作，Opus 4.5 在 SWE-bench Verified 上拿到 80.9%。它展示了一个关键方向：终端正在成为自主编程的第一界面。

Codex 验证了另一个模式：终端原生 + 编辑器集成，配合可配置的审批模式和沙箱执行。团队可以在自主性和安全性之间调出一个舒适的位置。

测试驱动的 AI Agent（TDD AI Agent） 正在成为最可靠的自主编程模式。不再生成代码然后祈祷它能跑——而是遵循标准的红-绿-重构循环：先写测试，再生成代码，跑通测试，重构优化。KiloCode 等平台已经将这种模式产品化，支持 500+ 模型和 BYOK 定价。

Karpathy 自己在峰会上还提了三个「新地平线」值得关注：

• .md 而不是 .sh：OpenClaw 的安装方式不是 bash 脚本，而是一段 Markdown 指令，Agent 自己查看环境、debug 并完成配置
• LLM Wiki：不是每次从零 RAG，而是让模型在一个 Markdown 文件夹里持续维护知识库，新文档进来自动更新、补链、标记矛盾
• Software 3.0：他写的 MenuGen App（OCR + 图片生成）被 Gemini 一句话版本碾压——「不再是把旧软件做得更快，而是把一整个工程压缩成模型的一次输出」

这对开发者意味着什么

Vibe Coding 不会真正消失。个人工具、原型验证、一次性脚本——这些场景不需要工程化，Vibe Coding 仍然是最高效的方式。

但如果你在构建面向真实用户的产品，Vibe Coding 已经不够了。不是因为「写代码」变难了——恰恰相反，写代码变得太容易了。容易到真正昂贵的部分不再是实现，而是设计、安全、测试和维护。

Agentic Engineering 不是倒退到繁重的传统流程，而是在 AI 承担了编码工作之后，重新找到人类开发者不可替代的位置：定义什么是「对」的，而不是盯着每一行代码对不对。

Karpathy 在炉边谈话的结尾说了一句话，大概是这个意思：你可以外包思考的过程，但不能外包理解的责任。

这句话，大概就是 Agentic Engineering 的全部。