过去一年，AI 行业的竞争焦点仍大量集中在模型本身：谁的 benchmark 更高，谁的推理能力更强，谁在排行榜上领先。但随着 Claude Code、Skills、MCP、项目记忆、Agent 工作流等产品能力不断完善，一个更清晰的趋势正在出现：模型本身只是产品的一层，真正决定用户产出效率的，是包裹模型的上下文、记忆、工作流、技能、连接器、文件结构、风格指南和目标循环。
Karpathy 过去几个月反复强调的「context engineering」，正好对应了这一变化。真正决定 AI 能否产生稳定价值的，不只是用户写下的一条 prompt，而是模型能否理解你的文档、工作流、风格标准、业务目标和判断体系。换句话说，AI 的下一阶段竞争，可能不再只是「谁的模型更强」，而是谁能让模型更好地进入真实工作场景。
从 LLM Wiki 到 AutoResearch，再到 /goal 这类目标驱动式循环，Karpathy 公开探索的方向一直围绕同一个问题：如何让 AI 从「回答问题的聊天窗口」，变成一个能理解上下文、持续执行任务、围绕目标迭代的工作系统。而 Anthropic 最近在 Claude Code、企业服务、生态连接器和工作流能力上的布局，也正沿着同一条路径展开。
因此，Karpathy 加入 Anthropic 的意义，不只是一次人才流动，而像是对 Anthropic 产品路线的一次注脚：未来的 AI 工具，价值不只在模型参数里，也在用户沉淀的数据、工作流、记忆系统和行业知识中。谁能把这些上下文组织起来，谁就可能真正把 AI 从「工具」推向「基础设施」。
发表于 2026-5-20 13:00
