原文標題：What Karpathy Joining Anthropic Actually Means For Claude
原文作者：@nateherk
翻譯：Peggy，BlockBeats

編者按：Andrej Karpathy 加入 Anthropic，並不只是「AI 大牛加入頂尖實驗室」的人事新聞。更值得關注的，是這次人事變動背後所指向的產品方向變化。

過去一年，AI 行業的競爭焦點仍大量集中在模型本身：誰的 benchmark 更高，誰的推理能力更強，誰在排行榜上領先。但隨著 Claude Code、Skills、MCP、項目記憶、Agent 工作流等產品能力不斷完善，一個更清晰的趨勢正在出現：模型本身只是產品的一層，真正決定用戶產出效率的，是包裹模型的上下文、記憶、工作流、技能、連接器、文件結構、風格指南和目標迴圈。

Karpathy 過去幾個月反覆強調的「context engineering」，正好對應了這一變化。真正決定 AI 能否產生穩定價值的，不只是用戶寫下的一條 prompt，而是模型能否理解你的文件、工作流、風格標準、業務目標和判斷體系。換句話說，AI 的下一階段競爭，可能不再只是「誰的模型更強」，而是誰能讓模型更好地進入真實工作場景。

從 LLM Wiki 到 AutoResearch，再到 /goal 這類目標驅動式迴圈，Karpathy 公開探索的方向一直圍繞同一個問題：如何讓 AI 從「回答問題的聊天視窗」，變成一個能理解上下文、持續執行任務、圍繞目標迭代的工作系統。而 Anthropic 最近在 Claude Code、企業服務、生態連接器和工作流能力上的佈局，也正沿著同一條路徑展開。

因此，Karpathy 加入 Anthropic 的意義，不只是一次人才流動，而像是對 Anthropic 產品路線的一次註腳：未來的 AI 工具，價值不只在模型參數裡，也在用戶沈澱的數據、工作流、記憶系統和行業知識中。誰能把這些上下文組織起來，誰就可能真正把 AI 從「工具」推向「基礎設施」。

以下為原文：

幾個小時前，Andrej Karpathy 發文宣布，他將加入 Anthropic。

這個故事最簡單的版本是：一位 AI 大佬加入了一家大型 AI 實驗室。

但更值得關注的問題是：為什麼是 Anthropic？又為什麼是現在？

因為只要你回頭看 Karpathy 過去幾個月持續公開搭建的東西，再看看 Claude Code 最近不斷推出的功能，就會發現兩者似乎早已在朝著同一個產品方向靠攏。

背景

Karpathy 是現代 AI 領域最重要的人物之一。

他是 OpenAI 2015 年的創始成員之一，曾在 Tesla 負責 AI 業務五年；2023 年回到 OpenAI，一年後離開；隨後創辦了自己的 AI 教育公司 Eureka Labs。他還推出了 LLM 101n，這是一門免費課程，教用戶如何從零開始構建一個語言模型。

他也是「vibe coding」這個概念的提出者：你只需要用英文描述自己想要什麼，讓 AI 來寫程式碼，然後不斷感受、引導、迭代。他還提出了「context engineering」（上下文工程）這一概念，這將成為本文後續討論的關鍵。

所以，這並不只是一次普通招聘。它意味著 AI 領域最具影響力的聲音之一，加入了當下勢頭最強的 AI 實驗室之一。

Claude Code 已經成為許多 builder 在構建 Agent、寫程式碼，或處理真實知識工作時優先選擇的工具。大約一周前，Ramp 發布了其 AI 指數。根據這份數據，Anthropic 在企業採用率上首次超過 OpenAI：34.4% 對 32.3%。

當然，公平地說，這只是 Ramp 客戶群體裡的數據。OpenAI 仍然擁有強大的消費者品牌，也有大量企業級合同沒有被納入這組樣本。我不想過度放大這件事，但這個信號確實很難忽略。

本月初，Anthropic 还宣布成立一家新的企业 AI 服务公司。这是一家由 Anthropic 与 Blackstone、Hellman & Friedman、Goldman Sachs 共同组建的合资企业，旨在帮助中型企业将 Claude 引入核心业务流程。

再看一次这一举措：他们正在开发模型，同时还在开发产品入口，例如 Claude Code、Skills、MCP；他们正在构建合作伙伴网络；现在又增加了一层服务能力，帮助企业真正实现产品落地。

这已经不再是「给你一个模型，然后自行解决剩下的事情」的游戏。

封套才是产品

如今，大多数关于人工智能的讨论仍将模型本身视为一个完整的产品：哪个模型在哪个基准测试中获胜，Opus 4.7、GPT-5.5、Gemini 哪个更强大，排行榜发生了什么变化。

模型当然很重要，我并不是在说模型不重要。但随着这些工具的使用时间越长，人们越来越明显地感到：模型只是产品的一部分。真正改变你日常产出的是模型外部的封套。

这也解释了为什么两个人使用同一个模型，却最终得到完全不同的结果。

所谓的封套就是决定模型如何被使用的一切。

→ Claude Code 本身、Codex、Skills、子代理、Hooks、MCP 连接器。

→ 你的 CLAUDE.md、你的记忆、你的文档、你的用例。

→ 你的文件结构、你的风格指南，以及你对「好结果」的真实定义。

这就是模型所处的环境。

如果你打开一个全新的聊天窗口，没有任何上下文，然后让它帮你处理业务问题，它对你一无所知，只能猜测。因此，你只能一遍又一遍地在对话中解释那些你已经说过十次的背景信息。

但如果你提供给它你的文件、用例、工作流程、风格指南和真实的成功标准，同一个模型，结果将完全不同。

这正是 Karpathy 与 Anthropic 的契合之处。他提出「context engineering」（上下文工程）而不是继续停留在 prompt engineering（提示工程），原因就在于此。真正重要的能力不是构建一个完美的提示，而是搭建一个正确的环境，让模型能够真正发挥作用，并在不同对话之间记住和应用上下文。

Anthropic 一直在悄悄構建這個環境。Karpathy 一直在公開教授這種方法。現在，這兩套理念匯入了同一家公司。

一旦這樣理解，Karpathy 過去幾個月公開做的事情，就不再像是一組隨機項目，而更像是一張路線圖。

LLM Wiki 與你的數據護城河

今年 4 月，Karpathy 發布了 LLM Wiki。這個項目很快在 X 上火了。

它的結構非常簡單。如果你想了解，我也做過一個完整的YouTube 教程

→ 一個 raw/ 文件夾，裡面放大量 markdown 文件，可以是筆記、資料來源、轉錄稿，任何材料都可以。
→ 一個 wiki/ 文件夾，由 Agent 綜合整理所有內容，建立材料之間的連接，並生成思維導圖。
→ 一個 schema 文件，類似 CLAUDE.md 或 AGENTS.md，用來告訴 Agent 這個系統如何運作，以及如何吸收新材料。

它不是讓 AI 去搜索原始文件，也不是簡單跑一次向量查詢，而是讓 AI 構建一個活的、不斷演化的知識庫。它會閱讀資料，理解資料之間的關係。很多人開始用它搭建自己的「第二大腦」。

這件事比表面看起來更重要。很多人說「數據是護城河」時，腦子裡想到的是某個巨大的企業數據庫。但對普通 builder 來說，真正的護城河更小，也更實際。

它可能是你的會議筆記、內部 SOP、客戶電話記錄、轉錄稿、你隨手使用的命名規範，以及那些真正屬於你的工作框架。

如果 Claude 能把這些內容轉化為模型可見、可用的上下文，那麼對你而言，這個模型每周都會變得更聰明、更有用。

這就是鎖定效應。不是因為你不能換模型，你當然可以換。但當你在某一個工具裡持續構建上下文、工作流和記憶，時間越久，就越難離開。

LLM Wiki 不只是一個副項目。它是一個線索。我不會驚訝於未來 Claude Code 或 Claude 項目記憶中出現更原生版本的類似功能。你已經可以在 auto-dream 功能裡看到一些苗頭。

當然，你不必等。這個週末你就可以自己動手，讓 Claude Code 讀取你的重要文件，並按這種方式構建一個 wiki。

如果你想成為 AI-first 的人，你的數據只有在 Agent 知道如何找到它、如何正確使用它時，才真正有價值。

AutoResearch 與 /Goal 迴圈

今年 3 月，Karpathy 發布了一個叫 AutoResearch 的專案。它是一個自動化研究迴圈。如果你玩過 Ralph Loop，會發現兩者在思路上有些相似。

它的模式大致是：

1、拿到一個訓練腳本。

2、提出一個修改方案。

3、跑一次短訓練任務。

4、根據客觀指標檢查結果：通過還是失敗。

5、不斷重複，直到達成目標。

坦白說，AutoResearch 並不是我個人高頻使用的功能。我不訓練模型，也不構建那種需要這類迴圈的應用。但它的形態很重要。

定義目標。讓 Agent 去工作。完成後再回來。

再看整個生態最近在推出什麼：Codex 有了 /goal，Hermes 有了 /goal，Claude Code 也有自己的原生 /goal。

我不是說 Karpathy 親自發明了這個功能。我不知道。而且從底層看，AutoResearch 和 /goal 也不是一回事。但它們的模式顯然相關。

兩者都在把我們從「一個 prompt，一個回答」的模式中帶出來。

它們正在把我們推向另一種互動方式：設定結果，讓 Agent 自己決定怎麼做，等條件滿足後再回來。

這就是加強版 vibe coding。定義「要什麼」，不要定義「怎麼做」，然後等它完成。

一旦把這個模式和 LLM Wiki 的思路結合起來，整個東西就不再像聊天機器人了。它開始像一個真正的員工：理解你的業務，並圍繞一個目標持續工作，直到目標達成。

教育這條線索

Karpathy 的加入公告裡，有一句話值得放大來看。他說：「我依然對教育抱有深厚熱情。」

Eureka Labs，也就是他上一家公司，本質上就是一個教育項目。它的目標不是教人「點擊這個按鈕、連接這些節點」，而是幫助人們從內部真正理解 AI：這些系統到底是如何運作的。

Karpathy 很少見的一點在於，他能把極其技術化的東西講得讓人覺得可以理解、可以接近。懂一件事是一種能力。把它教到別人真正能用，是另一種完全不同的能力。

這對 Anthropic 很重要。如果下一階段的競爭圍繞的是上下文、工作流、Skills、記憶和循環，那麼瓶頸不只是技術，也包括教育。

IBM 最近一項關於 AI 採用和變革管理的研究，就清楚展示了企業「能用上 AI」和「真正用好 AI」之間的巨大差距。大多數企業都會卡在這個地方。

讓一位最擅長 AI 教育的人進入組織，幫助縮小這個差距，這絕不是一個小動作。

對 Claude Code 的三個預測

以下只是預測。我沒有內幕消息，也不知道 Anthropic 的路線圖。但基於 Anthropic 最近推出的產品，以及 Karpathy 過去幾個月公開發布的內容，方向已經比較清楚。

Anthropic 會構建一個「上下文應用商店」

他們已經開始這麼做了。官方插件、Skills，以及市場化組件的雏形正在形成。

但我說的不是 prompt 市場。

我說的是一類組件：Skills、工作流、專案記憶、垂直領域上下文、評估循環，以及連接真實數據的連接器。還包括那些能教會模型在某個具體崗位裡什麼叫「好」的示例。

你把這些組件接入自己的領域，就能立刻從模型中獲得更高價值，哪怕模型本身已經足夠聰明。

因為對普通用戶來說，模型本身正在變得越來越不再是唯一差異點。真正的問題是：誰能圍繞模型搭建正確的數據和 wrapper，讓它產出真正能為企業帶來 ROI 的結果。

LLM Wiki 是一種將雜亂信息轉化為可用記憶的模式。/Goal 是一種將目標轉化為自動化迴圈的模式。Karpathy 的教育工作，則是一種將複雜 AI 概念變得可用的模式。

他真正包裝的，是一種行為方式。如果 Anthropic 能將這種行為方式變成一個真正的生態，Claude Code 就不再只是一個程式設計工具，而會變成一個市場。

產品裡會出現更多 /goal 風格的命令

/Goal 很可能只是第一個版本，而不是最終形態。

可以想象，未來會出現很多專門版本：研究迴圈、除錯迴圈、結尾迴圈。也可能有針對特定垂直領域優化的命令，在這些場景裡，Agent 已經知道什麼叫「完成」。

我不知道它們最終會叫什麼名字，這不是重點。

重點是互動界面會發生變化。你不再說「做這一步」，而是開始說：「在這個具體垂直場景裡，一直做下去，直到這個條件成立。」

Anthropic 會推出一層教育系統，幫助用戶包裝自己的工作流

這是最大膽的一個預測。老實說，也是我覺得最有趣的一個。

如果 Anthropic 想建立真正的上下文市場，普通人也必須能夠參與貢獻，而不能只面向開發者和研究人員。

也就是說，來自普通職業的領域專家也應該能夠參與進來。

→ 真正理解月度關賬流程的會計。

→ 熟悉房產輸入每一步的地產運營人員。

→ 知道什麼是好包裝、什麼是壞包裝，並能從零開始完成選題頭腦風暴的 YouTuber。

這些知識很有價值。但現在，它們要麼困在人的腦子裡，要麼散落在混亂的文檔、Slack 線程和 ClickUp 頻道裡。

你已經能在現實中看到類似苗頭。很多教練開始搭建自己的 AI 分身和聊天機器人，並向用戶收費，讓用戶與這些 AI 對話。這是手動版。人們想提取他人的專業知識，並把它應用到自己的業務裡。

如果我今天想構建一個廣告 Agent，我會卡住。因為我沒有這個領域的專業知識。但如果有一個市場，能讓我訂閱某個領域高品質的 SME 上下文，我會立即成為客戶。

這就是我接下來會重點關注的一層。

結語

真正的故事，是這個模式本身。

模型只是其中一層。模型外面的 wrapper 正在變成真正的產品。你的數據和工作流，正在變成真正的鎖定效應。Karpathy 過去幾個月一直在教的，正是這件事。Anthropic 過去幾個月一直在做的，也是這件事。

所以，這次加入不是一個新聞標題，而是一張路線圖。我在完整視頻裡拆解了整個邏輯，鏈接放在第一條回覆裡。

[原文連結]

歡迎加入律動 BlockBeats 官方社群：

Telegram 訂閱群：https://t.me/theblockbeats

Telegram 交流群：https://t.me/BlockBeats_App

Twitter 官方帳號：https://twitter.com/BlockBeatsAsia