Видео недоступно для предпросмотра
Смотреть в Telegram
✔️ Карпати: вместо `.sh` скриптов теперь будут `.md` скиллы
На Sequoia Ascent 2026 Андрей Карпати поднял интересную мысль.
LLM важны не только потому, что помогают быстрее писать код, тексты и документацию. Главное в другом: они открывают классы задач, которые раньше либо требовали сложного классического софта, либо вообще плохо решались программированием.
Первый пример - его приложение menugen.
Там почти нет привычной логики приложения. Модель получает картинку меню и возвращает новую картинку. Раньше для такого пришлось бы собирать пайплайн из OCR, парсинга, базы данных, правил и рендеринга. Теперь значительная часть этой работы уезжает внутрь LLM.
Второй пример интереснее: Карпати предлагает смотреть на .md файлы как на замену bash-скриптам.
Вместо хрупкого .sh, который ломается на другой системе, можно написать обычную инструкцию на английском: что установить, какие шаги пройти, что проверить. Дальше агент сам адаптирует процесс под конкретную машину, чинит ошибки по ходу и доводит задачу до конца.
По сути, естественный язык начинает работать как новый shell script.
Третий важный слой - базы знаний на LLM. Раньше вычисления по неструктурированным данным из разных источников были болью Software 1.0. Сейчас это становится нормальным рабочим сценарием: модель читает, связывает, извлекает смысл и действует поверх хаоса.
Отдельно Карпати говорит про jaggedness - неровность способностей моделей.
Одна и та же LLM может уверенно рефакторить огромную кодовую базу и одновременно проваливаться в простом бытовом совете. Это не магия и не случайность. Модели сильнее там, где домен хорошо проверяется, где много данных и где лабораториям экономически выгодно улучшать качество.
Если задача внутри этого распределения, агент едет по рельсам.
Если снаружи - идёт через джунгли с мачете.
Финальная мысль - agent-native экономика.
Продукты будущего нужно проектировать так, чтобы они были удобны не только людям, но и агентам: с понятными сенсорами, действиями, логами, интерфейсами и машинно-читаемым контекстом.
Отсюда появляется новая дисциплина - agentic engineering. Это умение проектировать системы, в которых агенты могут читать, планировать, действовать, проверять себя и чинить ошибки.
Год назад Карпати популяризировал vibe coding и поднял нижнюю планку входа в разработку.
Agentic engineering поднимает верхнюю планку.
Иронично, что сам Карпати признаётся: он никогда ещё не чувствовал себя настолько отстающим программистом.
Это говорит человек, который писал GPT с нуля.
https://x.com/karpathy/status/2049903821095354523
На Sequoia Ascent 2026 Андрей Карпати поднял интересную мысль.
LLM важны не только потому, что помогают быстрее писать код, тексты и документацию. Главное в другом: они открывают классы задач, которые раньше либо требовали сложного классического софта, либо вообще плохо решались программированием.
Первый пример - его приложение menugen.
Там почти нет привычной логики приложения. Модель получает картинку меню и возвращает новую картинку. Раньше для такого пришлось бы собирать пайплайн из OCR, парсинга, базы данных, правил и рендеринга. Теперь значительная часть этой работы уезжает внутрь LLM.
Второй пример интереснее: Карпати предлагает смотреть на .md файлы как на замену bash-скриптам.
Вместо хрупкого .sh, который ломается на другой системе, можно написать обычную инструкцию на английском: что установить, какие шаги пройти, что проверить. Дальше агент сам адаптирует процесс под конкретную машину, чинит ошибки по ходу и доводит задачу до конца.
По сути, естественный язык начинает работать как новый shell script.
Третий важный слой - базы знаний на LLM. Раньше вычисления по неструктурированным данным из разных источников были болью Software 1.0. Сейчас это становится нормальным рабочим сценарием: модель читает, связывает, извлекает смысл и действует поверх хаоса.
Отдельно Карпати говорит про jaggedness - неровность способностей моделей.
Одна и та же LLM может уверенно рефакторить огромную кодовую базу и одновременно проваливаться в простом бытовом совете. Это не магия и не случайность. Модели сильнее там, где домен хорошо проверяется, где много данных и где лабораториям экономически выгодно улучшать качество.
Если задача внутри этого распределения, агент едет по рельсам.
Если снаружи - идёт через джунгли с мачете.
Финальная мысль - agent-native экономика.
Продукты будущего нужно проектировать так, чтобы они были удобны не только людям, но и агентам: с понятными сенсорами, действиями, логами, интерфейсами и машинно-читаемым контекстом.
Отсюда появляется новая дисциплина - agentic engineering. Это умение проектировать системы, в которых агенты могут читать, планировать, действовать, проверять себя и чинить ошибки.
Год назад Карпати популяризировал vibe coding и поднял нижнюю планку входа в разработку.
Agentic engineering поднимает верхнюю планку.
Иронично, что сам Карпати признаётся: он никогда ещё не чувствовал себя настолько отстающим программистом.
Это говорит человек, который писал GPT с нуля.
https://x.com/karpathy/status/2049903821095354523