在過去的幾年里，圍繞“哪款AI編程助手最好用”的爭論幾乎沒有停過：有人偏愛GitHub Copilot，有人堅信Claude Code，還有人等著OpenAI下一代模型。 但如果問到Andrej Karpathy（前特斯拉AI負責人、OpenAI核心成員），答案可能會讓人意外：重點不在“哪一個最好”，而在于如何搭建一個屬于自己的 LLM工作流。

在Karpathy的眼中，我們正處于“代碼后稀缺時代”。代碼已不是稀缺資源，而是一種隨時可以生成、試錯、甚至丟棄的“消耗品”。這意味著，未來的開發者不再需要死守某一款工具，而是要像指揮家一樣，調動不同層次的AI助手，把它們組合成一套能真正放大生產力的“多層工作流”。

這正是本文要解析的重點：Karpathy的四層LLM工作流，如何重塑開發者生產力？

1、第一層：Tab Completion —— 75%效率來自這里

在Karpathy的描述中，他最常用的其實是最簡單的一層：代碼補全（Tab Completion）。

這一層的核心思想是：不要寫長篇Prompt，也不要把需求解釋得面面俱到，而是通過直接寫幾行代碼或注釋，讓模型在上下文里推斷并補全。

• 為什么高效？因為代碼就是最高帶寬的溝通方式。與其寫一句“幫我寫個計算總價的函數”，不如直接敲下??def calculate_???，模型馬上會給出??calculate_total_price(items, tax_rate):??。清晰、直接、無歧義。
• 使用方式： Karpathy常用的工具是Cursor（一款AI驅動的代碼編輯器），它幾乎承擔了他日常開發中75%的AI交互。這并不是讓AI代寫，而是類似一個能“補全句子”的副駕駛，讓開發者始終保持掌控。
• 經驗分享： 補全雖好，但并非時時刻刻都適用。Karpathy建議靈活切換開關，以免AI補全影響思路。

換句話說，這一層更像是“即時靈感加速器”，讓開發節奏不中斷。

2、第二層：高亮與修改 —— 精準重構與優化利器

當任務從“補全幾行代碼”升級到“優化現有邏輯”，Karpathy會切換到第二層：高亮+修改。

操作很直觀： ?? 選中一段代碼，直接提示AI做特定改動。比如：

• 把多層 if-else 重構成更優雅的寫法；
• 給函數增加錯誤處理；
• 把多行 for 循環轉成一行 list comprehension。
• 優勢：

     a.上下文清晰，AI不會“瞎猜”。

     b.專注在局部改動，避免大段生成導致失控。

     c.非常適合重構、優化、微調。

• 示例： 高亮一段嵌套條件語句，輸入“優化成更簡潔的形式”。AI可能會建議用字典映射或switch結構代替，代碼可讀性瞬間提升。

這一層的價值在于：幫助開發者做微創新，而不是大拆大建。

3、第三層：并行助手 —— Claude Code、Codex登場

當問題規模進一步擴大，僅靠局部修改無法解決時，Karpathy會借助更強大的并行AI助手（如Claude Code、Codex）。

這一層的定位是：快速產出大塊代碼，尤其是模板化、重復性或陌生領域的代碼。

• 優點：

     a.?? 速度快：能在幾分鐘生成數百行調試用的代碼。

     b.?? “Vibe-Coding”：在不熟悉的語言（如Rust、SQL）中快速上手。

     c.?? 臨時代碼：生成1000行調試可視化工具，找到Bug后直接刪除，零成本。

• 缺點：

     a.缺乏“代碼品味”：喜歡堆砌冗余結構，過度防御或重復造輪子。

     b.解釋能力差：不適合教學場景。

     c.易過度復雜化：一行能解決的問題，可能被寫成嵌套十層的if-else。

Karpathy的建議是：用它來“快速起草”，但必須人工審校與精簡。否則結果常常是“能跑，但丑得讓人想重寫”。

4、第四層：最后的王牌 —— GPT-5 Pro

當以上三層都失效時，Karpathy才會動用“終極武器”：GPT-5 Pro。

這一層的定位非常明確： 不是日常開發助手，而是深度問題解決者。

• 適用場景：

     a.疑難Bug排查：當人類、Tab補全、并行助手都卡殼時，讓GPT-5深度思考10分鐘，往往能發現隱藏極深的邏輯漏洞。

     b.架構級優化：比如分析代碼庫，提出整體重構建議。

     c.技術調研：模型能快速檢索并歸納文檔、論文，節省大量查資料時間。

• 限制因素：

     a.延遲高：響應慢，不適合實時交互。

     b.資源貴：調用成本更高。 

     c.定位精準：不適合用來寫小片段，而應作為戰略級工具。

換句話說，GPT-5 Pro更像是一位**“顧問型專家”**，而非隨時待命的“打工人”。

5、工具之爭已過時，未來比拼的是“工作流設計力”

Karpathy的經驗告訴我們：

• Tab Completion適合即時補全；
• 高亮修改用于局部優化；
• 并行助手解決大塊生成；
• 頂級模型處理復雜難題。

真正拉開開發者差距的，不再是“誰用的工具更好”，而是誰能把工具組合得更順暢。

這也是許多開發者正在經歷的焦慮：“我是不是落后了？是不是沒有跟上AI前沿？”

Karpathy的答案很清醒：別盲目追逐最新模型，學會編排工具的交響樂，才是新時代的核心競爭力。

結尾：生產力革命已來，你的工作流是什么？

未來，衡量開發者價值的標準將不再是“寫了多少行代碼”，而是解決問題的復雜度與速度。

在這個“代碼后稀缺時代”，AI是放大器，但真正決定上限的，仍然是人的直覺、品味與策略。

Karpathy的工作流只是一個樣板，你完全可以根據自己的習慣，搭建一套獨屬的LLM工作流。

問題來了： ?? 在你的開發日常里，你會更依賴“補全流暢度”，還是“深度推理力”？ ?? 你會像Karpathy一樣搭建四層體系，還是會探索屬于你的第五層？

或許，未來真正的競爭，不在于代碼，而在于誰能設計出最聰明的工作流。

本文轉載自??Halo咯咯??    作者：基咯咯