原文标题：What Karpathy Joining Anthropic Actually Means For Claude
原文作者：@nateherk
编译：Peggy，BlockBeats

编者按：Andrej Karpathy 加入 Anthropic，并不只是「AI 大牛加入头部实验室」的人事新闻。更值得关注的，是这次人事变动背后所指向的产品方向变化。

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」。

以下为原文：

几个小时前，Andrej Karpathy 发帖宣布，他将加入 Anthropic。

这个故事最简单的版本是：一位 AI 大佬加入了一家大型 AI 实验室。

但更值得关注的问题是：为什么是 Anthropic？又为什么是现在？

因为只要你回头看 Karpathy 过去几个月持续公开搭建的东西，再看看 Claude Code 最近不断推出的功能，就会发现两者似乎早已在朝着同一个产品方向靠拢。

背景

Karpathy 是现代 AI 领域最重要的人物之一。

他是 OpenAI 2015 年的创始成员之一，曾在 Tesla 负责 AI 业务五年；2023 年回到 OpenAI，一年后离开；随后创办了自己的 AI 教育公司 Eureka Labs。他还推出了 LLM 101n，这是一门免费课程，教用户如何从零开始构建一个语言模型。

他也是「vibe coding」这个概念的提出者：你只需要用英文描述自己想要什么，让 AI 来写代码，然后不断感受、引导、迭代。他还提出了「context engineering」（上下文工程）这一概念，这将成为本文后续讨论的关键。

所以，这并不只是一次普通招聘。它意味着 AI 领域最具影响力的声音之一，加入了当下势头最强的 AI 实验室之一。

Claude Code 已经成为许多 builder 在构建 Agent、写代码，或处理真实知识工作时优先选择的工具。大约一周前，Ramp 发布了其 AI 指数。根据这份数据，Anthropic 在企业采用率上首次超过 OpenAI：34.4% 对 32.3%。

当然，公平地说，这只是 Ramp 客户群体里的数据。OpenAI 仍然拥有强大的消费者品牌，也有大量企业级合同没有被纳入这组样本。我不想过度放大这件事，但这个信号确实很难忽视。

本月早些时候，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，目标是帮助中型企业把 Claude 引入核心业务流程。

再看一遍这个动作：他们在做模型，也在做产品入口，比如 Claude Code、Skills、MCP；他们在搭建合作伙伴网络；现在又补上了一层服务能力，帮助企业真正完成产品落地。

这已经不是「给你一个模型，剩下你自己想办法」的游戏了。

Wrapper 才是产品

今天大多数关于 AI 的讨论，仍然把模型本身当作完整产品：哪个模型在哪个 benchmark 上赢了谁，Opus 4.7、GPT-5.5、Gemini 谁更强，排行榜怎么变。

模型当然重要，我不是说模型不重要。但这些工具用得越久，就越明显地感受到：模型只是产品的一层。真正改变你日常产出的，是模型外面的那一层 wrapper。

这也是为什么两个人使用同一个模型，最后却能得到完全不同的结果。

所谓 wrapper，就是一切决定模型如何被使用的东西。

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

→ 你的 CLAUDE.md、你的记忆、你的文档、你的案例。

→ 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。于是你只能在对话里一遍遍解释那些你已经说过十次的背景。

但如果你给它你的文件、案例、工作流、风格指南和真实的成功标准，同一个模型，结果会完全不同。

这正是 Karpathy 与 Anthropic 契合的地方。他之所以提出「context engineering」（上下文工程），而不是继续停留在 prompt engineering（提示词工程），就是因为这个原因。真正重要的能力，不是写出一个完美 prompt，而是搭建一个正确的环境，让模型能够真正工作，并且在不同会话之间记住和使用上下文。

Anthropic 一直在悄悄构建这个环境。Karpathy 一直在公开教授这种方法。现在，这两套理念汇入了同一家公司。

一旦这样理解，Karpathy 过去几个月公开做的事情，就不再像是一组随机项目，而更像是一张路线图。

LLM Wiki 与你的数据护城河

今年 4 月，Karpathy 发布了 LLM Wiki。这个项目很快在 X 上火了。

它的结构非常简单。如果你想了解，我也做过一个完整的YouTube 教程

→ 一个 raw/ 文件夹，里面放大量 markdown 文件，可以是笔记、资料来源、转录稿，任何材料都可以。
→ 一个 wiki/ 文件夹，由 Agent 综合整理所有内容，建立材料之间的连接，并生成思维导图。
→ 一个 schema 文档，类似 CLAUDE.md 或 AGENTS.md，用来告诉 Agent 这个系统如何运作，以及如何吸收新材料。

它不是让 AI 去搜索原始文件，也不是简单跑一次向量查询，而是让 AI 构建一个活的、不断演化的知识库。它会阅读资料，理解资料之间的关系。很多人开始用它搭建自己的「第二大脑」。

这件事比表面看起来更重要。很多人说「数据是护城河」时，脑子里想到的是某个巨大的企业数据库。但对普通 builder 来说，真正的护城河更小，也更实际。

它可能是你的会议笔记、内部 SOP、客户电话记录、转录稿、你随手使用的命名规范，以及那些真正属于你的工作框架。

如果 Claude 能把这些内容转化为模型可见、可用的上下文，那么对你而言，这个模型每周都会变得更聪明、更有用。

这就是锁定效应。不是因为你不能换模型，你当然可以换。但当你在某一个工具里持续构建上下文、工作流和记忆，时间越久，就越难离开。

LLM Wiki 不只是一个副项目。它是一个线索。我不会惊讶于未来 Claude Code 或 Claude 项目记忆中出现更原生版本的类似功能。你已经可以在 auto-dream 功能里看到一些苗头。

当然，你不必等。这个周末你就可以自己动手，让 Claude Code 读取你的重要文档，并按这种方式构建一个 wiki。

如果你想成为 AI-first 的人，你的数据只有在 Agent 知道如何找到它、如何正确使用它时，才真正有价值。

AutoResearch 与 /Goal 循环

今年 3 月，Karpathy 发布了一个叫 AutoResearch 的项目。它是一个自动化研究循环。如果你玩过 Ralph Loop，会发现两者在思路上有些相似。

它的模式大致是：

1、拿到一个训练脚本。

2、提出一个修改方案。

3、跑一次短训练任务。

4、根据客观指标检查结果：通过还是失败。

5、不断重复，直到达成目标。

坦白说，AutoResearch 并不是我个人高频使用的功能。我不训练模型，也不构建那种需要这类循环的应用。但它的形态很重要。

定义目标。让 Agent 去工作。完成后再回来。

再看整个生态最近在推出什么：Codex 有了 /goal，Hermes 有了 /goal，Claude Code 也有自己的原生 /goal。

我不是说 Karpathy 亲自发明了这个功能。我不知道。而且从底层看，AutoResearch 和 /goal 也不是一回事。但它们的模式显然相关。

两者都在把我们从「一个 prompt，一个回答」的模式中带出来。

它们正在把我们推向另一种交互方式：设定结果，让 Agent 自己决定怎么做，等条件满足后再回来。

这就是加强版 vibe coding。定义「要什么」，不要定义「怎么做」，然后等它完成。

一旦把这个模式和 LLM Wiki 的思路结合起来，整个东西就不再像聊天机器人了。它开始像一个真正的员工：理解你的业务，并围绕一个目标持续工作，直到目标达成。

教育这条线索

Karpathy 的加入公告里，有一句话值得放大来看。他说：「我依然对教育抱有深厚热情。」

Eureka Labs，也就是他上一家公司，本质上就是一个教育项目。它的目标不是教人「点击这个按钮、连接这些节点」，而是帮助人们从内部真正理解 AI：这些系统到底是如何运作的。

Karpathy 很少见的一点在于，他能把极其技术化的东西讲得让人觉得可以理解、可以接近。懂一件事是一种能力。把它教到别人真正能用，是另一种完全不同的能力。

这对 Anthropic 很重要。如果下一阶段的竞争围绕的是上下文、工作流、Skills、记忆和循环，那么瓶颈不只是技术，也包括教育。

IBM 最近一项关于 AI 采用和变革管理的研究，就清楚展示了企业「能用上 AI」和「真正用好 AI」之间的巨大差距。大多数企业都会卡在这个地方。

让一位最擅长 AI 教育的人进入组织，帮助缩小这个差距，这绝不是一个小动作。

对 Claude Code 的三个预测

以下只是预测。我没有内幕消息，也不知道 Anthropic 的路线图。但基于 Anthropic 最近推出的产品，以及 Karpathy 过去几个月公开发布的内容，方向已经比较清楚。

Anthropic 会构建一个「上下文应用商店」

他们已经开始这么做了。官方插件、Skills，以及市场化组件的雏形正在形成。

但我说的不是 prompt 市场。

我说的是一类组件：Skills、工作流、项目记忆、垂直领域上下文、评估循环，以及连接真实数据的连接器。还包括那些能教会模型在某个具体岗位里什么叫「好」的示例。

你把这些组件接入自己的领域，就能立刻从模型中获得更高价值，哪怕模型本身已经足够聪明。

因为对普通用户来说，模型本身正在变得越来越不再是唯一差异点。真正的问题是：谁能围绕模型搭建正确的数据和 wrapper，让它产出真正能为企业带来 ROI 的结果。

LLM Wiki 是一种把杂乱信息转化为可用记忆的模式。/Goal 是一种把目标转化为自动化循环的模式。Karpathy 的教育工作，则是一种把复杂 AI 概念变得可用的模式。

他真正包装的，是一种行为方式。如果 Anthropic 能把这种行为方式变成一个真正的生态，Claude Code 就不再只是一个编程工具，而会变成一个市场。

产品里会出现更多 /goal 风格的命令

/Goal 很可能只是第一个版本，而不是最终形态。

可以想象，未来会出现很多专门版本：研究循环、调试循环、收尾循环。也可能有针对特定垂直领域优化的命令，在这些场景里，Agent 已经知道什么叫「完成」。

我不知道它们最终会叫什么名字，这不是重点。

重点是交互界面会发生变化。你不再说「做这一步」，而是开始说：「在这个具体垂直场景里，一直做下去，直到这个条件成立。」

Anthropic 会推出一层教育系统，帮助用户包装自己的工作流

这是最大胆的一个预测。老实说，也是我觉得最有意思的一个。

如果 Anthropic 想建立真正的上下文市场，普通人也必须能够参与贡献，而不能只面向开发者和研究人员。

也就是说，来自普通职业的领域专家也应该能够参与进来。

→ 真正理解月度关账流程的会计。

→ 熟悉房产录入每一步的地产运营人员。

→ 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的 YouTuber。

这些知识很有价值。但现在，它们要么困在人的脑子里，要么散落在混乱的文档、Slack 线程和 ClickUp 频道里。

你已经能在现实中看到类似苗头。很多教练开始搭建自己的 AI 分身和聊天机器人，并向用户收费，让用户与这些 AI 对话。这是手动版。人们想提取他人的专业知识，并把它应用到自己的业务里。

如果我今天想构建一个广告 Agent，我会卡住。因为我没有这个领域的专业知识。但如果有一个市场，能让我订阅某个领域高质量的 SME 上下文，我会立刻成为客户。

这就是我接下来会重点关注的一层。

结语

真正的故事，是这个模式本身。

模型只是其中一层。模型外面的 wrapper 正在成为真正的产品。你的数据和工作流，正在成为真正的锁定效应。Karpathy 过去几个月一直在教的，正是这件事。Anthropic 过去几个月一直在做的，也是这件事。

所以，这次加入不是一个新闻标题，而是一张路线图。我在完整视频里拆解了整个逻辑，链接放在第一条回复里。

[原文链接]

点击了解律动BlockBeats 在招岗位

欢迎加入律动 BlockBeats 官方社群：

Telegram 订阅群：https://t.me/theblockbeats

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

Twitter 官方账号：https://twitter.com/BlockBeatsAsia