代码已不再稀缺，开发者正在进入“工作流时代” 原创

在过去的几年里，围绕“哪款AI编程助手最好用”的争论几乎没有停过：有人偏爱GitHub Copilot，有人坚信Claude Code，还有人等着OpenAI下一代模型。 但如果问到Andrej Karpathy（前特斯拉AI负责人、OpenAI核心成员），答案可能会让人意外：重点不在“哪一个最好”，而在于如何搭建一个属于自己的 LLM工作流。

在Karpathy的眼中，我们正处于“代码后稀缺时代”。代码已不是稀缺资源，而是一种随时可以生成、试错、甚至丢弃的“消耗品”。这意味着，未来的开发者不再需要死守某一款工具，而是要像指挥家一样，调动不同层次的AI助手，把它们组合成一套能真正放大生产力的“多层工作流”。

这正是本文要解析的重点：Karpathy的四层LLM工作流，如何重塑开发者生产力？

1、第一层：Tab Completion —— 75%效率来自这里

在Karpathy的描述中，他最常用的其实是最简单的一层：代码补全（Tab Completion）。

这一层的核心思想是：不要写长篇Prompt，也不要把需求解释得面面俱到，而是通过直接写几行代码或注释，让模型在上下文里推断并补全。

• 为什么高效？因为代码就是最高带宽的沟通方式。与其写一句“帮我写个计算总价的函数”，不如直接敲下​​def calculate_​​​，模型马上会给出​​calculate_total_price(items, tax_rate):​​。清晰、直接、无歧义。
• 使用方式： Karpathy常用的工具是Cursor（一款AI驱动的代码编辑器），它几乎承担了他日常开发中75%的AI交互。这并不是让AI代写，而是类似一个能“补全句子”的副驾驶，让开发者始终保持掌控。
• 经验分享： 补全虽好，但并非时时刻刻都适用。Karpathy建议灵活切换开关，以免AI补全影响思路。

换句话说，这一层更像是“即时灵感加速器”，让开发节奏不中断。

2、第二层：高亮与修改 —— 精准重构与优化利器

当任务从“补全几行代码”升级到“优化现有逻辑”，Karpathy会切换到第二层：高亮+修改。

操作很直观： 👉 选中一段代码，直接提示AI做特定改动。比如：

• 把多层 if-else 重构成更优雅的写法；
• 给函数增加错误处理；
• 把多行 for 循环转成一行 list comprehension。
• 优势：

     a.上下文清晰，AI不会“瞎猜”。

     b.专注在局部改动，避免大段生成导致失控。

     c.非常适合重构、优化、微调。

• 示例： 高亮一段嵌套条件语句，输入“优化成更简洁的形式”。AI可能会建议用字典映射或switch结构代替，代码可读性瞬间提升。

这一层的价值在于：帮助开发者做微创新，而不是大拆大建。

3、第三层：并行助手 —— Claude Code、Codex登场

当问题规模进一步扩大，仅靠局部修改无法解决时，Karpathy会借助更强大的并行AI助手（如Claude Code、Codex）。

这一层的定位是：快速产出大块代码，尤其是模板化、重复性或陌生领域的代码。

• 优点：

     a.🚀 速度快：能在几分钟生成数百行调试用的代码。

     b.🎵 “Vibe-Coding”：在不熟悉的语言（如Rust、SQL）中快速上手。

     c.♻️ 临时代码：生成1000行调试可视化工具，找到Bug后直接删除，零成本。

• 缺点：

     a.缺乏“代码品味”：喜欢堆砌冗余结构，过度防御或重复造轮子。

     b.解释能力差：不适合教学场景。

     c.易过度复杂化：一行能解决的问题，可能被写成嵌套十层的if-else。

Karpathy的建议是：用它来“快速起草”，但必须人工审校与精简。否则结果常常是“能跑，但丑得让人想重写”。

4、第四层：最后的王牌 —— GPT-5 Pro

当以上三层都失效时，Karpathy才会动用“终极武器”：GPT-5 Pro。

这一层的定位非常明确： 不是日常开发助手，而是深度问题解决者。

• 适用场景：

     a.疑难Bug排查：当人类、Tab补全、并行助手都卡壳时，让GPT-5深度思考10分钟，往往能发现隐藏极深的逻辑漏洞。

     b.架构级优化：比如分析代码库，提出整体重构建议。

     c.技术调研：模型能快速检索并归纳文档、论文，节省大量查资料时间。

• 限制因素：

     a.延迟高：响应慢，不适合实时交互。

     b.资源贵：调用成本更高。 

     c.定位精准：不适合用来写小片段，而应作为战略级工具。

换句话说，GPT-5 Pro更像是一位**“顾问型专家”**，而非随时待命的“打工人”。

5、工具之争已过时，未来比拼的是“工作流设计力”

Karpathy的经验告诉我们：

• Tab Completion适合即时补全；
• 高亮修改用于局部优化；
• 并行助手解决大块生成；
• 顶级模型处理复杂难题。

真正拉开开发者差距的，不再是“谁用的工具更好”，而是谁能把工具组合得更顺畅。

这也是许多开发者正在经历的焦虑：“我是不是落后了？是不是没有跟上AI前沿？”

Karpathy的答案很清醒：别盲目追逐最新模型，学会编排工具的交响乐，才是新时代的核心竞争力。

结尾：生产力革命已来，你的工作流是什么？

未来，衡量开发者价值的标准将不再是“写了多少行代码”，而是解决问题的复杂度与速度。

在这个“代码后稀缺时代”，AI是放大器，但真正决定上限的，仍然是人的直觉、品味与策略。

Karpathy的工作流只是一个样板，你完全可以根据自己的习惯，搭建一套独属的LLM工作流。

问题来了： 👉 在你的开发日常里，你会更依赖“补全流畅度”，还是“深度推理力”？ 👉 你会像Karpathy一样搭建四层体系，还是会探索属于你的第五层？

或许，未来真正的竞争，不在于代码，而在于谁能设计出最聪明的工作流。

本文转载自​​Halo咯咯​​    作者：基咯咯