Karpathy加盟Anthropic将如何影响Claude未来发展

编者按：Andrej Karpathy 宣布加入 Anthropic，这不仅是 AI 领域顶尖人才流动的新闻，更是一个强烈的行业信号。它可能预示着 AI 产品竞争的核心，正从单纯的模型能力比拼，转向一个更关键、更贴近用户的战场。

过去一年，行业的目光过度聚焦于模型本身：谁的基准测试分数更高，谁的推理能力更强。然而，随着 Claude Code、Skills、MCP、项目记忆、Agent 工作流等功能的不断完善，一个更清晰的趋势已然浮现：模型只是产品的“内核”，而真正决定日常工作效率和商业价值的，是包裹在模型之外的“外壳”——即上下文管理、长期记忆、工作流编排、技能库、外部连接器、文件结构以及目标导向的循环机制。

Karpathy 近期反复强调的“上下文工程”，精准地命中了这一转变。AI 能否产生稳定的商业价值，早已不单取决于用户输入的那条提示词，而在于模型能否深度理解你的文档体系、无缝融入你的工作流程、严格遵循你的风格标准，并对齐你的业务目标与判断逻辑。换言之，下一阶段的 AI 竞争，重点可能不再是“谁的模型更强”，而是“谁能将模型更高效、更智能地整合进真实的工作场景”。

从 LLM Wiki 到 AutoResearch，再到 /goal 这类目标驱动循环，Karpathy 公开探索的方向始终围绕一个核心命题：如何让 AI 从一个“回答问题的聊天界面”，进化成一个能理解复杂上下文、持续执行任务、并围绕既定目标自主迭代的“智能工作系统”。而 Anthropic 近期在 Claude Code、企业服务、生态连接器和工作流能力上的布局，恰恰是沿着同一条路径在推进。

因此，Karpathy 的加入，其象征意义远大于事件本身。这更像是对 Anthropic 产品战略的一次公开背书：未来 AI 工具的核心价值，不只封装在模型的参数里，更沉淀在用户独有的数据、定制化的工作流、持续积累的记忆系统和行业知识中。谁能将这些“上下文”高效地组织、激活并利用起来，谁就更有可能将 AI 从一种好用的“工具”，真正推向不可或缺的“数字基础设施”层面。

背景：一次不寻常的“双向奔赴”

几小时前，Andrej Karpathy 在社交媒体上正式宣布，他将加入 Anthropic。

表面上看，这只是一个顶尖 AI 研究员加入顶级 AI 实验室的常规叙事。

但更值得深思的是：为什么他选择了 Anthropic？为什么是现在这个时间点？

答案或许隐藏在 Karpathy 过去几个月持续公开搭建的个人项目，与 Claude Code 近期密集推出的新功能之中——两者的发展轨迹，早已不约而同地指向了同一个产品哲学。

Karpathy 无疑是现代 AI 领域最具影响力的思想者之一。他是 OpenAI 2015 年的创始成员，曾在特斯拉领导 Autopilot 计算机视觉团队长达五年，2023 年短暂回归 OpenAI 后再度离开，并创办了 AI 教育公司 Eureka Labs。他推出的免费课程“LLM 101”旨在教会人们如何从零开始构建一个大语言模型。

他提出的“氛围编程”概念广为人知：开发者只需用自然语言描述需求，由 AI 生成代码，再通过直觉和引导进行迭代。而他近期着重阐述的“上下文工程”，则是理解本次人事变动深层逻辑的关键钥匙。

所以，这绝非一次普通的招聘。它标志着 AI 领域最具产品思维的思想者之一，加入了当下在企业和开发者市场中势头最为强劲的 AI 公司之一。

Claude Code 已成为许多开发者在构建智能体、编写代码或处理复杂知识任务时的首选工具。大约一周前，金融科技公司 Ramp 发布的 AI 采用指数显示，Anthropic 在企业市场的采用率首次超越 OpenAI，达到 34.4% 对 32.3%。

当然，需要客观看待这份数据：它仅基于 Ramp 的客户群体。OpenAI 依然拥有强大的消费者品牌和大量未被纳入此样本的企业级合同。不过，这个市场信号确实不容忽视。

本月初，Anthropic 还宣布与 Blackstone、Hellman & Friedman、高盛共同成立一家新的企业 AI 服务合资公司，目标直指帮助中型企业将 Claude 深度集成到其核心业务流程中。

重新审视这一系列动作：Anthropic 不仅在持续打磨模型内核，也在构建关键的产品入口（如 Claude Code、Skills、MCP）；不仅在搭建广泛的合作伙伴网络，如今更补上了关键的企业服务能力层，以帮助企业真正完成 AI 落地。这已经彻底告别了“给你一个模型，剩下的自己想办法”的旧范式。

“外壳”才是真正的产品

当前大多数关于 AI 的公共讨论，依然将模型本身视为完整的产品：哪个模型在哪个基准测试中胜出，Opus、GPT、Gemini 孰强孰弱，排行榜如何变动。

模型的基础能力固然至关重要。但工具用得越久，一个感受就越发明显：模型只是产品的一层“内核”。真正改变日常产出效率与质量的，是模型外面的那一整套“外壳”系统。

这也完美解释了为何两个人使用同一个顶级模型，最终得到的工作成果可能天差地别。

所谓“外壳”，就是决定模型如何被调用、理解和运作的一切环境要素：

→ Claude Code 编辑器本身、Codex、Skills、子智能体、钩子、MCP 连接器。
→ 你的 CLAUDE.md 配置文件、你的项目记忆库、你的内部文档、你的过往成功案例。
→ 你的文件组织结构、你的代码风格指南，以及你对“好结果”的真实业务定义。

这些要素共同构成了模型工作的“智能环境”。

试想，如果打开一个全新的空白聊天窗口，没有任何上下文，让它处理一个复杂的业务问题，它对你一无所知，只能进行通用猜测。于是你不得不在每次对话中反复解释那些已经重复过无数遍的背景、规则和偏好。

但如果你能为它系统地提供你的文件、历史案例、标准化工作流、风格指南和真实的成功标准，即便是同一个基础模型，其产出的结果也将是高度定制化、可直接使用的。

这正是 Karpathy 与 Anthropic 产品理念高度契合之处。他之所以提出“上下文工程”，而非停留在早期的“提示词工程”，原因就在于此。真正的关键能力，不在于写出一个完美的单次提示词，而在于搭建一个正确、丰富、可持续的环境，让模型能够真正“理解”你的世界，并且能在不同会话间记住和运用这些上下文。

Anthropic 一直在悄然构建这个环境。Karpathy 则一直在公开传授这种方法论。如今，这两条脉络汇入了同一家公司。

一旦从这个角度理解，Karpathy 过去几个月公开进行的项目，就不再像是一组随机的技术探索，而更像是一张清晰的、关于未来 AI 工作方式的路线图。

LLM Wiki 与你的数据护城河

今年 4 月，Karpathy 发布了 LLM Wiki 项目，很快在社交平台 X 上引发了广泛关注。

它的结构非常简洁而有效：
→ 一个 raw/ 文件夹，用于存放大量 Markdown 文件，可以是笔记、研究资料、会议转录稿等任何原始材料。
→ 一个 wiki/ 文件夹，由智能体综合整理所有内容，建立材料间的语义关联，并自动生成知识图谱或思维导图。
→ 一个模式定义文档，类似于 CLAUDE.md 或 AGENTS.md，用于告诉智能体这个系统如何运作，以及如何吸收和处理新材料。

它的核心并非让 AI 简单搜索原始文件或运行一次向量查询，而是让 AI 主动构建一个“活的”、持续演化的个人知识库。它会深度阅读资料，并理解资料之间的逻辑关系。许多人开始用它搭建自己的“第二大脑”或领域知识中枢。

这件事的意义比表面看起来更深远。当人们谈论“数据是护城河”时，往往联想到庞大的企业级数据仓库。但对普通构建者和知识工作者而言，真正的护城河更小，也更实际。

它可能就是你的会议笔记、内部 SOP（标准作业程序）、客户通话记录、项目复盘、你随手使用的命名规范，以及那些真正属于你的思维框架和工作方法论。

如果 Claude 能将这类碎片化但高价值的内容，转化为模型可见、可理解、可用的结构化上下文，那么对你个人而言，这个模型每周都会因为你的使用而变得更聪明、更贴合你的需求。

这就是强大的用户锁定效应。并非因为你不能更换模型，你当然可以。但当你在一个工具里持续构建起深厚的上下文、自动化工作流和长期记忆，时间越久，迁移的成本就越高，离开的意愿就越低。

LLM Wiki 不只是一个有趣的副业项目，它是一个强烈的产品信号。未来在 Claude Code 或 Claude 的项目记忆功能中，出现更原生、更强大的类似功能，丝毫不会令人惊讶。事实上，在 auto-dream 等现有功能中已经能看到一些雏形。

当然，你不必等待。这个周末你就可以动手，让 Claude Code 读取你的重要文档，并按此方式开始构建一个专属的、动态生长的 Wiki。

如果你想成为“AI 优先”的工作者，那么你的数据只有在智能体知道如何找到它、并能在正确场景下调用它时，才真正具备价值。

AutoResearch 与 /goal 循环

今年 3 月，Karpathy 发布了一个名为 AutoResearch 的项目。它是一个自动化研究循环。如果你体验过 Ralph Loop 等项目，会发现两者在核心思路上有相似之处。

其运作模式大致遵循一个清晰的闭环：
1. 获取一个初始的训练脚本或研究任务。
2. 提出一个具体的优化或修改方案。
3. 运行一次短时间的训练或验证任务。
4. 根据客观、量化的指标检查结果：通过或失败。
5. 基于结果，生成新的方案，不断重复此循环，直到达成预设目标。

坦白说，AutoResearch 并非人人都会高频使用的功能。毕竟不是每个人都在训练模型或构建需要此类复杂循环的应用。但它的交互形态至关重要。

其核心范式是：由人类定义清晰目标，让智能体自主拆解、执行、验证并迭代，完成后回来报告。

再看整个 AI 开发生态最近的动向：Codex 有了 /goal 命令，Hermes 有了 /goal，Claude Code 也推出了原生的 /goal 功能。

这并不是说 Karpathy 亲自发明了这个功能，底层实现上 AutoResearch 和 /goal 也并非完全一致。但它们的交互哲学显然高度相关。

两者都在将我们从“一次提问，一个回答”的简单、线性的聊天交互模式中解放出来。

它们正将我们推向另一种更强大的交互范式：设定一个期望的最终状态或结果，让智能体自行决定达成路径和步骤，并在条件满足后自动返回。

这就是“氛围编程”的增强版。定义“要什么”（What），而非定义“怎么做”（How），然后信任并等待它完成。

一旦将这种目标驱动模式与 LLM Wiki 的上下文管理思路结合起来，整个系统就不再像一个被动的聊天机器人了。它开始像一个真正的智能员工：理解你的业务背景和知识体系，并围绕一个明确目标持续、自主地工作，直至目标达成。

教育：另一条关键线索

在 Karpathy 的加入公告中，有一句话值得特别关注：“我依然对教育抱有深厚热情。”

他的上一家公司 Eureka Labs，本质上就是一个深度教育项目。其目标不是教人“点击这个按钮、连接那些节点”的浅层操作，而是帮助人们从内部原理上真正理解 AI：这些复杂的系统到底是如何运作、如何思考的。

Karpathy 罕见的能力在于，他能将极其技术化、前沿的概念，讲解得让人感觉可以理解、可以接近甚至可以动手实践。精通一件事是一种能力，而把它教到别人真正能用的程度，则是另一种完全不同的、更稀缺的能力。

这对 Anthropic 至关重要。如果下一阶段的竞争核心是围绕上下文、工作流、技能、记忆和自动化循环来构建，那么瓶颈就不仅是技术研发，也包括“用户教育”和“最佳实践普及”。

IBM 近期一项关于 AI 采用与变革管理的研究，清晰地展示了企业“能用上 AI”与“真正用好 AI、产生 ROI”之间的巨大鸿沟。大多数企业都会卡在这个“最后一公里”的环节。

让一位世界上最擅长 AI 教育和理念传播的人加入组织，帮助缩小这一认知与实践差距，这绝非一个小动作，而可能是一项战略性的布局。

对 Claude Code 未来的三个预测

以下仅为基于现有信息与趋势的合理推测。但结合 Anthropic 近期的产品发布与 Karpathy 公开发布的内容，方向已较为清晰。

1. Anthropic 将构建一个“上下文应用商店”

他们已经开始行动了。官方插件、Skills 库以及市场化组件的雏形正在形成。

但这里指的不是传统的“提示词市场”或简单的插件商店。

指的是一类更丰富、更结构化的可复用组件：Skills（技能）、完整工作流、项目记忆模板、垂直领域上下文包、评估循环、连接真实业务数据的连接器，还包括那些能教会模型在某个具体岗位（如财务分析、内容审核、代码审查）中什么叫“好”的优质示例和评判标准。

将这些预制的高质量组件接入你自己的业务领域，就能立刻从通用模型中获取更高、更稳定的价值，即便模型本身的基础能力已经足够聪明。

因为对普通企业用户而言，模型本身正越来越不再是唯一的差异点。真正的问题是：谁能围绕模型快速搭建正确的数据环境和业务“外壳”，让它产出真正能为企业带来可衡量投资回报的结果。

LLM Wiki 是一种将杂乱信息转化为可用记忆的模式。/Goal 是一种将抽象目标转化为自动化循环的模式。而 Karpathy 的教育工作，则是一种将复杂 AI 概念变得可理解、可操作的模式。

他真正在“包装”的，是一种行为方式和认知框架。如果 Anthropic 能将这种行为方式转化为一个真正的、繁荣的生态系统，那么 Claude Code 将不再只是一个强大的编程工具，而会演变成一个连接智能与场景的“上下文市场”。

2. 产品中将出现更多 /goal 风格的自动化命令

/Goal 很可能只是第一个版本，而非最终形态。

可以想象，未来会出现许多专门优化的变体或新命令：/research（研究循环）、/debug（调试循环）、/polish（收尾与润色循环）。也可能有针对特定垂直领域（如法律文件审查、医疗报告生成）优化的专用命令，在这些场景中，智能体已经预先内置了该领域的完成标准和流程知识。

它们最终叫什么名字并不重要。

重要的是交互界面将发生根本性变化。你不再需要逐步下达指令“做这一步，然后做那一步”，而是开始能够声明：“在这个具体业务场景里，持续执行下去，直到满足这个业务条件为止。”

3. Anthropic 将推出一套教育系统，帮助用户“包装”自己的工作流

这是最大胆，也最有趣的一个预测。

如果 Anthropic 想建立一个真正繁荣的上下文市场，那么普通人必须能够低门槛地参与贡献，而不能只面向专业的开发者和研究人员。

也就是说，来自各行各业的领域专家也应该能够轻松地将他们的知识封装并贡献出来：
→ 真正理解月度关账全流程每一步细节的资深会计。
→ 熟悉房产信息录入、核验、上架每一步操作的地产运营专家。
→ 知道什么是好包装、什么是坏包装，并能从零开始完成选题头脑风暴与脚本创作的专业视频博主。

这些隐性知识极具价值。但目前，它们要么被困在专家个人的脑子里，要么散落在混乱的文档、Slack 历史消息和 ClickUp 任务频道中。

现实中已能看到类似的苗头。许多行业教练和顾问开始搭建自己的 AI 分身和聊天机器人，并向用户收费，让用户与这些承载了专业知识的 AI 对话。这是一种手动的、初级的版本。市场已经证明了人们渴望提取他人的专业知识，并将其快速应用到自己的业务中。

试想，如果今天一个中小企业的市场人员想构建一个智能的广告投放优化智能体，很多人会卡住，因为缺乏该领域的深度专业知识。但如果有一个官方市场或平台，能让我订阅某个领域（如 Shopify 电商广告）由顶级专家封装的高质量上下文包和工作流，我会立刻成为付费客户。

这将是接下来最值得关注和期待的一层产品演化。

结语

真正的故事，在于这个正在成型的范式本身。

模型只是其中一层。模型外面的“外壳”系统正在成为真正的产品。你的数据和工作流，正在成为真正的用户锁定效应和竞争壁垒。Karpathy 过去几个月一直在公开传授和演示的，正是如何构建这层“外壳”。Anthropic 过去几个月一直在全力构建的，也正是这层“外壳”。

所以，这次加入不只是一个吸引眼球的新闻标题，更像是一张正在我们眼前徐徐展开的、关于 AI 如何真正融入并赋能工作的路线图。