I  一個我前兩天沒說出口的判斷

今天看了紅杉資本的最新一期播客叫《From Vibe Coding to Agentic Engineering》，嘉賓是 Andrej Karpathy。

我邊聽邊愣神。大佬不是在講編程。他是在替我回答前兩天我沒接住的那個問題。

前兩天我去 360 錄了一期播客。聊的過程中，主持人話題轉到 OPC，也就是 One-Person Company，一個人公司。說現在大量 OPC 正在死掉，OPC 是不是個偽命題。

我簡單的回答了一下這個問題，但是沒多聊。

不是沒想法。是這事三兩句說不清楚，不適合在錄製現場展開。

但我心裏的答案是有的。

OPC 不是偽命題。但大量 OPC 死得不冤。

它們死得非常合理。死在了它們本來就不該出生的地方。

這話刻薄。但今天聽完 Karpathy，我決定還是把它寫出來。他用一個自己親手做的小項目，把這件事講得比我清楚十倍。

II  從 Vibe Coding 到 Agentic Engineering

講 OPC 之前，先把這兩個詞講清楚。

Vibe Coding 是 Karpathy 去年自己起的詞。

那時候他用各種 agentic 工具寫代碼，體驗是這樣的。模型偶爾寫得對，更多時候寫得不對。Vibe Coding 不是嚴肅工程。它更像是把手從鍵盤上拿開，把意圖丟給模型，用感覺、反饋和迭代把一個東西“摸”出來。

它真正改變的是地板。過去不會寫代碼的人，現在也能做出一個能跑的東西。

但地板被抬高，不等於天花板被抬高。專業軟件的質量底線、安全底線、工程紀律，不是憑 Vibe 能 Vibe 出來的。

Karpathy 說去年 12 月，他經歷了一次明確的分水嶺。

不是 AI 突然做了什麼新事。是模型變得真正能"agentic"了。代碼塊直接就能用。他想不起來上次手動修正是什麼時候。他開始可以一段一段地把任務交給模型，讓它自己推進、自己 debug、自己 iterate。他做的事變成了 review 和判斷。

這就是 Agentic Engineering。

它不是 Vibe Coding 的升級。它是另一種工作方式。

核心是把 agent 當成一組能力很強但還需要監督的工程師來用。你做架構師，做品味判斷，做最後那一刀決策。具體的代碼、具體的實現、具體的調試，agent 幹。

Karpathy 說"10x engineer"這個詞對他已經不夠用了。真正掌握了 Agentic Engineering 的人，效率提升遠不止 10x。

為什麼這件事和 OPC 直接相關。

因為 Agentic Engineering 是 OPC 第一次真正成立的技術前提。

OPC 這個詞以前是個浪漫主義概念，是個 PR 詞。一個人能做的事情終究有限。但 Agentic Engineering 讓這件事第一次落到了地上。一個人可以指揮一組 agent，把原本要一個團隊才能做的事推下來。

OPC 不是某種小圈子的姿態。OPC 是 Agentic Engineering 在商業組織形式上的自然投影。

理解了這一點，再回頭看 OPC 大量死亡這件事，邏輯就完全不一樣了。

不是 OPC 模式不成立。是有一批 OPC 站錯了地方。

III  我自己就是一個活着的 OPC

先把話說在前頭。我自己就是個 OPC。

不是為了立人設。是因為我不先承認這一點，下面的話就沒有底氣。

過去這一年我做的事，三年前自己都不敢想。

AI 把我放大了多少倍我說不清，反正不止十倍。一些原本要一個團隊、幾個月、跨好幾個我不熟悉的領域才能完成的事，現在我一個人，一個晚上，一杯咖啡，就能推完一版。

我以前做事是有邊界感的。會下意識說，這事不歸我管，因為我不會。這個領域我不懂，跳過。這種"不會"和"不懂"自動幫我篩掉很多想法。我也認了，因為人就是有邊界的。

現在那個邊界沒了。

不是沒了一點點。是基本上塌了。

我想做的事，只要說得清楚，都能推到一個不丟人的程度。我開始能在一些從來沒碰過的領域裏，做出能跑、能用、能拿出來給人看的東西。

這種感覺很怪。怪到我有時候會停下來想，這是不是真的。然後我意識到這是真的。我已經在這種狀態裏活了大半年，沒有回頭路。

所以如果有人當面問我 OPC 是不是偽命題，我的答案非常堅決。

不是。

OPC 這個模式在 AI 時代第一次長出了它該有的樣子。一個人，一台電腦，一組好用的模型，一個想清楚的問題。這套組合十年前是科幻，三年前是噱頭，今天是事實。

但 OPC 模式成立，不等於每一個 OPC 都成立。

這是兩件事。

IV  Karpathy 做了一個根本不該存在的 app

Karpathy 在播客裏講了他自己做的一個小項目。叫 MenuGen。

他說他經常去餐廳遇到一個問題。菜單上沒圖，三成的菜他根本不知道是什麼。

他想解決這件事。所以他 vibe coding 做了一個 app。

邏輯很直接。拍一張菜單照片傳上去，OCR 識別每道菜的菜名，再調一個圖像生成模型給每道菜配一張圖，最後把整個菜單重新渲染出來。部署在 Vercel 上。能跑。

他做完之後過了一段時間。

他發現這整個 app 根本不該存在。

為什麼。

只要把那張菜單照片直接丟給 Gemini，寫一句話，讓 Nano Banana 把每道菜的圖畫到對應位置上。模型在像素層面就把這件事做完了。一句 prompt。一張圖進，一張圖出。

Karpathy 寫的所有代碼、配的所有 API、部署的所有服務，全是多餘的。

他不是做錯了什麼。他做對了所有他那一代工程師會做對的事。

但他做的整件事，在新範式裏沒有存在的必要。

他說他聽到 Nano Banana 能這麼幹的時候 mind blown。

我聽到他講這件事的時候後背涼了一下。

不是因為 MenuGen 本身。我不在乎一個菜單生成器的命運。

我後背涼是因為，過去半年我看過的 OPC 項目，十個裏有七個是 MenuGen。

不是誇張。是真的認真數過。

最典型的是漫劇、短劇領域。

過去一年，我看到很多團隊和獨立創業者在做 AI 漫劇、AI 短劇的輔助工具。有人在做分鏡輔助 Agent。有人在做角色一致性維護方案。有人在做轉場庫和運鏡模板。有人在做無限畫布的故事板編輯器。

每個產品都解決了真實痛點。每個團隊都在摳提示詞、摳分鏡、摳轉場。

然後 2026 年 2 月 Seedance 2.0 出來了。

它開始把多鏡頭敍事、角色一致性、鏡頭運動、轉場這些原本需要拆成工具鏈處理的環節，往模型原生能力裏收。

那些做分鏡輔助、角色一致性、轉場工具的產品，工作流被直接推翻。

我知道兩個類似方向的 OPC 團隊。Seedance 2.0 出來的兩週內，他們都停了。

不是產品不好。是產品賴以存在的那條裂縫，被模型迭代直接抹平了。

類似的還有別的。用 AI 幫你寫週報的助手。用 AI 把網頁內容總結成播客的工具。用 AI 根據照片生成商品描述的小服務。

每個項目我都看過。每個看完心裏都有同一個問題。

下一代多模態模型出來之後，你這個 app 還有理由存在嗎。

絕大多數情況答案是沒有。

不是說這些項目沒價值。它們都解決了真實的問題。它們都能跑。它們甚至都有早期用戶。

但它們都站在一條鐵軌上。

鐵軌另一頭有一輛叫 GPT-X 或者 Gemini-Y 或者 Claude-Z 的火車，正在加速過來。

火車不會繞開你。它壓根不知道你在那裏。它就是直直地碾過去。

這是 MenuGen 真正的隱喻。

不是"你做錯了一個產品"。是"你做了一個在新範式裏本來就不該被做的產品"。

這兩件事差別巨大。

前者是戰術失誤。後者是認知錯位。

前者你換個項目重來。後者你不換思考方式，換十個項目都是同一個結局。

當然，不是說 MenuGen 類項目完全不能做。它們可以是練手，可以是現金流，可以是獲客鈎子，可以是理解模型能力的實驗。但你不能把它當成護城河，更不能把它當成一家公司長期存在的理由。

V  一個項目會不會被吃掉，看三件事

我有三條粗糙的判據。不嚴謹，但實戰裏很好用。

第一條，看你做的事是不是在大模型迭代的必經之路上。

什麼叫必經之路。就是大模型從 v1 到 v2 到 v3，沿着自己的能力曲線往上長的過程中，必然路過你做的這件事。

OCR 是必經之路。文檔總結是必經之路。代碼補全是必經之路。圖像識別是必經之路。多語種翻譯是必經之路。語音轉文字是必經之路。

這些事大模型一定會做得越來越好。不是可能，是一定。

因為它們是模型能力的基礎測試項，是每個 lab 都在死磕的指標。

舉個新鮮的例子。你今天用 Claude 加幾個設計 skill 拼出來的"AI 前端設計師"產品，效果做得很不錯。但結果 Anthropic 推出了 Claude Design，你的產品被直接抹平。抹平的方式不需要你做什麼，用戶換個聊天框就行。

如果你做的事在這條路上，你就是在和 OpenAI 還有 Anthropic 比賽誰先到達終點。

這場比賽你必輸。

不是因為你不努力。是他們的資源、數據、算力、人才任何一個維度都比你高三個數量級。

第二條，看你做的事是不是大廠產品自然延伸的路徑。

什麼叫自然延伸。

Notion 自然會做 AI 寫作。Figma 自然會做 AI 設計。Cursor 自然會做 AI 編程。Slack 自然會做 AI 總結。微信自然會做 AI 客服。

這些大廠手裏握着用戶、握着數據、握着分發渠道、握着工作流的入口。他們今天沒做你那件事，不是做不了，是優先級排到那裏還沒排上。

一旦他們覺得這事值得做，一個產品迭代就上線了。天然接上所有用戶的工作流。你花兩年攢的種子用戶，他們一夜之間有一千萬。

但只警惕"自然延伸"還不夠。

還要警惕意料之外的跨界。

最近一個例子是 Anthropic。一個原本被認為“只做大模型”的實驗室，已經開始把 Claude 往具體工作流裏塞：Claude for Financial Services、Claude for Excel、Claude for PowerPoint、Microsoft 365 和 Slack connectors、Claude Design、Cowork。

這意味着什麼？模型公司不只賣模型了。它們開始親自下場，進入金融分析、表格、PPT、設計、辦公協作這些原本屬於 B 端 SaaS 的工作流。

一家做模型的公司，開始親自下場做 B 端 SaaS。

這種跨界不在任何人的預期裏。但一旦出來就直接重構整條賽道。

如果你剛好在做"讓 Excel 用上 AI"或者"讓 PPT 自動生成"的小工具，你昨天還活得好好的。今天 Claude for Excel 一推出，你就成了 MenuGen。

意料之內的延伸有跡可循，你能提前佈防。意料之外的跨界，你只能祈禱模型實驗室的優先級排到你後面。

如果你做的事既在自然延伸的路徑上，又踩在某條可能的跨界路線上，那就別做了。

你不是在做產品。你是在幫大廠做用戶教育和市場驗證。

等你證明完這件事能成立，你就該被吃掉了。

第三條，也是最狠的。看你做的事能不能被一個 Skill 替代。

這就是 MenuGen 測試。

如果你的產品本質上是"把 A 轉成 B"或者"用 AI 處理 X 得到 Y"，你要誠實地問自己一個問題。

如果用戶直接打開 Codex、Claude Code 或 Cursor，把想法和素材丟進去，描述一下他要做的事情，再 Vibe Coding 一下，結果會不會差不多。

如果差不多。你的產品就是 MenuGen。

你存在的唯一理由，就是用戶還不知道原來可以這麼用模型。還不知道通過 Vibe Coding 這麼簡單就能做出來。

但用戶每天都在變得更聰明。模型每天都在變得更好用。

你這點信息差是會被填平的。填平的速度比你想象的快。

三條判據。符合任何一條，你都該認真坐下來想想自己在幹什麼。

三條都符合的項目我也見過。那就是站在鐵軌上、對着火車、自己用膠水把腳粘在了枕木上。

VI  不要去高原扎帳篷，要去找深谷

那能活下來的 OPC 在做什麼。

Karpathy 在播客裏給了兩個建議。我先翻譯一下。

第一，去找任務可以被驗證的領域。lab 訓練模型靠 RL，RL 的前提是 reward 可計算。一件事能被清晰地驗證對錯，它就有可能被高質量訓練出來。反過來，一件事的對錯本身需要複雜的人類判斷，模型短期內不會在那裏建立優勢。

第二，去找大模型實驗室還沒重點覆蓋的領域。lab 的注意力有限。他們會優先把訓練數據砸在最商業化、最 verifiable 的方向上。在他們沒看過來的方向上，能力曲線是稀疏的，是參差不齊的。

兩條都對。但還不夠透。

要說透，得理解他播客裏講的另一個概念。jagged intelligence。參差不齊的智能。

他舉了一個我特別喜歡的例子。

他說現在最先進的模型可以重構十萬行代碼庫，可以找零日漏洞。但你問它"洗車店在 50 米外，我應該開車還是走路過去"，它會告訴你走路。

這件事很荒誕。但它不是 bug。是這一代模型的本質特徵。

模型的能力不是一個均勻膨脹的圓。是一張參差不齊的地形圖。

有些地方是高原，模型已經站上去了。有些地方是深谷，模型短期內連下都下不去。

高原和深谷的分佈，跟我們對"難易"的直覺完全不重合。我們覺得簡單的事它可能做不了。我們覺得難的事它可能做得比專家好。

OPC 想活下來，邏輯就一句話。

不要去高原扎帳篷。要去找深谷。

具體到方向，我說四個我自己看好的。每個都見過活得很好的樣本。

第一個方向，強本地化、強場景化的工作流。

模型不可能為每一個細分行業做單獨的 RL 訓練。

我說幾個我親眼見過的、活得很好的樣本。

一個幹了十幾年的財税顧問，把自己積累的幾千條税籌方案做成了 AI 工作流，客單價做到傳統模式的三倍。一個跨境電商老兵，把自己快十年的選品、文案、客服 SOP 全部 AI 化，專門服務那些剛出海的傳統外貿工廠。

這些場景裏有大量的 know-how 不在公開互聯網上。在從業者腦子裏。在他們的微信羣裏。在他們和客戶多年磨合出來的那些非顯性規則裏。

誰能下到這種深谷裏，把那些 know-how 和 AI 能力縫在一起，誰就能做出大廠永遠顧不上的產品。

這種產品規模天花板不高。但護城河深，復購穩，客戶黏。OPC 做這種東西剛剛好。

第二個方向，需要長期積累的私人數據和私人知識庫。

模型的訓練數據是公共數據。你的私人數據，模型沒有。

這是 OPC 在 AI 時代少有的天然優勢。

如果你在某個領域已經積累了五年十年的筆記、檔案、客戶記錄、研究素材、行業數據，這些東西在 AI 之前是死資產。一個人整理不過來。

在 AI 之後是活資產。模型可以把它們激活。

基於這些私人語料構建出來的 AI 工作流，別人複製不了。因為別人沒有這些數據。

第三個方向，需要人類品味做最終判斷的領域。

Karpathy 在播客裏也提到。模型現在寫出來的代碼，他看了"心臟病發作"。代碼能跑，但很醜，重複多，抽象差，湊合能用。

他想讓模型寫得更優雅。模型做不到。

因為這事不在 RL 迴路裏。沒人定義"優雅"的 reward function。

所有需要"品味"做最後那一刀判斷的領域，都符合這個特徵。

設計的最後一筆。文章的最後一段。一首歌副歌的處理。一個產品的命名。一個空間的氛圍。一個服務的細節。一段對話裏那個讓人破防的瞬間。

這些事不是不能用 AI 做。是 AI 能把你從 0 推到 80，最後那 20 是品味的活。

OPC 如果有這種品味，AI 就是放大器。把你一個人能做的事放大到能輸出團隊級的產品質量。

如果你沒這種品味，AI 也救不了你。因為 AI 自己也沒有。

第四個方向，任務邊界清晰、可驗證、但又太"小"以至於大廠看不上的領域。

這是 Karpathy 那兩條建議合起來的產物。可驗證 + lab 沒在做 = OPC 的金礦。

特徵是市場不大，但閉環清楚。

某個特定文檔格式的轉換工具。某個特定行業的合規檢查器。某個特定流程裏的自動化中介。

大廠做了不賺錢，不會做。模型 lab 做了不出 paper，不會重點投入。

但它們對那個細分人羣非常有用。那個人羣也願意付錢。

OPC 在這種方向上，可以一個人做一個能賺錢的小生意。活得很好，活得很久。

這四個方向有一個共性。

都不是"用 AI 做一個新東西"。都是"用 AI 把一件原本需要資源、規模、積累才能做的事，壓縮到一個人也能做"。

這兩種思路差別巨大。

第一種是把 AI 當主角，你給它端茶倒水。第二種是把 AI 當工具，你才是主角。

第一種思路的產物，會被下一代模型直接吃掉。

第二種思路的產物，會被下一代模型放大十倍。

VII  在打開電腦之前，先問自己幾個問題

在你打開你的項目繼續幹活之前，停下來。

問自己幾個問題。

第一個問題，你正在做的事，下一代模型出來之後，是會把你抹掉，還是會把你放大十倍。

這是最關鍵的問題。

潛台詞是，你押的注是模型變弱還是模型變強。

如果你押的是模型暫時還做不到，那你大概率輸定了。因為模型會變強，而且變強的速度不會等你。  如果你押的是模型越強，你越強，那你才站在正確的位置上。

第二個問題，如果又有一個新模型發佈了，你的第一反應是什麼。

如果第一反應是“完了”，那你為什麼還要繼續做。

如果第一反應是“太好了，我可以把這東西接進來，把我的產品做得更深”，那你可能做對了。

區別就在這裏。  前一種項目，模型是你的敵人。後一種項目，模型是你的供應鏈。  前一種項目，每一次模型升級都是威脅。後一種項目，每一次模型升級都是紅利。  很多 MenuGen 類項目的創始人，其實心裏知道答案。他們只是故意不問這個問題。因為一問，項目就塌了。  但不問沒有用。  你不看火車，火車也不會停。

第三個問題，看你做的事，會不會被模型的原生能力替代。

有時候是一句 prompt。

有時候是一個 Skill。

有時候是一個 connector。

有時候是 Claude Design、Claude for Excel、Seedance 2.0 這種直接長進模型或平台裏的原生能力。

如果能。你的護城河是什麼。

是 UI 嗎。UI 在 AI 時代值多少錢。

是流程嗎。流程能被複制嗎。

是用戶習慣嗎。用戶習慣多容易遷移。

一個一個問下去。如果最後沒有一個站得住腳的答案，那不是 OPC 模式不行。是你這個項目不行。

第四個問題，你正在解決的問題，是真的存在，還是你為了用上某個 AI 能力硬找出來的。

這個問題特別狠。但你要誠實地回答。

很多 AI 項目的起點不是"我看見一個真問題"。是"我看到一個新模型能力，我得想個東西用上它"。

從真實問題出發的人，會不斷問用戶為什麼痛、哪裏痛、願不願意付錢、現在怎麼解決、為什麼現在的方案不好。  從模型能力出發的人，會不斷問這個能力還能包裝成什麼、能不能做個 demo、能不能發個視頻、能不能蹭一波熱度。  前者做出來的是生意。  後者做出來的是演示。

前者活，後者死。幾乎沒有例外。

第五個問題，你三個月前對市場的判斷，是基於今天的模型能力，還是基於一年前的模型能力。

如果是後者。你現在做的所有事可能都建立在已經過時的世界觀上。

AI 這一年裏發生的事，重寫了太多前提。

一年前你判斷"這事 AI 做不到"的那件事，今天可能做到了。一年前你判斷"這事必須有團隊才能做"的那件事，今天可能一個人就能幹。

你不更新世界觀，你就在用錯誤的地圖行軍。

第六個問題，你身邊那些做得最好的 OPC，是在和模型一起長，還是在和模型賽跑。

觀察他們。

一起長的那種人，每次新模型出來都變得更強。因為護城河在數據、品味、場景裏。模型只是放大器。

和模型賽跑的那種人，每次新模型出來都變得更慌。因為護城河就是"暫時模型還做不到"。這個護城河每三個月就被填平一次。

最後一個問題，如果把你產品裏所有 AI 部分都拿掉，剩下的東西還有人願意付錢嗎。

反過來再問一遍。如果只留下 AI 部分，剩下的東西還有人願意付錢嗎。

兩個問題的答案合起來，告訴你你的真實價值在哪一邊。

如果兩邊都是"沒有"，你不是在做產品。你是在做演示。

這些問題不是清單。不是 checklist。

我沒指望你像填表一樣答一遍就得救。

只是希望你認真坐下來，找一個安靜的下午，關掉所有的羣，把這些問題一個一個想過去。

每個問題想到你誠實地知道你的答案為止。

不誠實沒用。AI 不會因為你嘴硬就放過你。

VIII  你可以外包思考，但不能外包理解

Karpathy 在那期播客的最後引了一句話。

他說他不知道這話是誰說的。但他每隔兩天就會想起來一次。

You can outsource your thinking, but you can't outsource your understanding.

你可以外包你的思考。但你不能外包你的理解。

我把這句話和 OPC 這件事縫起來。

AI 時代的 OPC 死亡名單上，寫的從來不是"這個人不夠努力"。

寫的是"這個人不夠清醒"。

AI 讓我們前所未有地容易"做出東西"。代碼讓 AI 寫。文案讓 AI 寫。設計讓 AI 出。客服讓 AI 接。分析讓 AI 做。

一切都被加速了。

但有一件事永遠不能被加速。

判斷"我到底應該做什麼"這件事本身。

這件事只能你自己想。

AI 幫不了你。AI 不知道你站在哪條鐵軌上。AI 看不見你身邊那輛火車。AI 不在乎你是不是 MenuGen。

你做的事不該存在，多努力都沒用。

這個判斷，只能你親自做。而且必須經常重做。因為世界在變。

做錯了 AI 不會提醒你。模型只會安靜地、禮貌地、迅速地，把你的產品吃掉。

所以我希望你明天早上打開電腦之前，問自己一個問題。

我現在要打開的這個項目，三個月後 GPT 出新版本，我是該慶祝還是該慌。

如果該慶祝，繼續幹。

如果該慌，今天就關掉。

明天再開一個該慶祝的。