新視野/Jaggedness/Agent-Native

menugen 是 Karpathy 用來戳破「LLM 只是 code 加速器」這個錯覺的範例：應用本身的 input 是一張圖、output 也是一張圖，中間的處理 LLM 可以原生做完，不用再寫一堆解析、格式、規則程式。

關鍵不是「menugen 解決什麼問題」，而是它代表的一種應用形態——舊典範裡你會自然反射地去寫 OCR、parsing、模板渲染，這些在 LLM-native 裡根本不該存在。應用的邊界從程式碼，搬到了模型的 capability surface。

這對工程師的訊號是：每次設計新功能前，先問一句「這件事如果被一個夠強的 LLM 原生吞下，整個 codebase 還剩多少？」答案常常會是「少得驚人」。

過去要安裝一個工具，你要寫 install.sh——對 macOS / Ubuntu / Arch 各寫一段，處理 PATH、相依套件、版本邊界，每加一個發行版就多一段 if-elif。

Karpathy 提的新做法很簡單：寫一份 install.md，把該做什麼用英文寫清楚，告訴使用者「直接把這份貼給你的 LLM」。LLM 是一個高階英文 interpreter——它會根據你電腦的實際狀態調整步驟、遇到錯誤即時 debug、處理你的 shell 與 package manager 變體。

這是「用語言取代腳本」的最小可行範例，但它指向一個更大的方向：很多用 software 1.0 撐起來的膠水程式，會被自然語言介面取代。LLM 是新的 shell。

第三種新視野最有趣：不是「比以前更快」，而是「以前根本做不到」。LLM knowledge base 就是這類例子——你給它任意來源、任意格式的非結構化知識（純文字文章、PDF、會議逐字稿、論壇討論串、雜亂的內部文件），它能對這團東西做推理與計算。

古典 software 1.0 沒辦法做這件事——你會卡在 schema 設計、資料清洗、格式對齊，最後只能勉強處理幾種預先定義好的型態。computation over unstructured knowledge from arbitrary sources，這個句子本身就是 LLM 帶來的新原語。

這是 paradigm shift 真正的份量所在：兩個是「不該存在的」（menugen、install.md），一個是「以前不可能」的（knowledge base）。新典範的能量大半在這兩種——而不是「把舊有東西做得更快」。

LLM 的能力分布從來不是一條平滑曲線。同一個 artifact 可以同時做出：一個漂亮重構十萬行 codebase 與 叫你走去洗車場洗車 這種顯然錯離的建議。Karpathy 在這裡更新他的解釋。

第一條軸他之前寫過：verifiability——任務有沒有可自動驗證的 reward signal，決定了 RL 過程能不能反覆把模型逼到正確答案。可驗證 → 進得了 RL 循環 → 模型變強。難驗證 → 只能靠模仿 → 表現參差。

這次他補上第二條軸：economics——前沿實驗室會根據營收 / TAM 來決定要把哪些任務「打包進 RL 訓練分布」。Coding、math、tool use 有錢、有 benchmark、有 enterprise 需求，當然進得了菜單；很多冷僻或低 TAM 的領域則不會被優先納入。

這兩條軸合起來告訴你：你在 RL 電路上飛行，還是在叢林裡拿開山刀，往往不是模型「能不能做」的問題，而是「有沒有人付錢讓它被訓練到」的問題。

當 LLM agent 真的能跑進企業流程，產品不再是 monolithic 的「網站 + DB + UI」。Karpathy 提的拆解方式是sensors / actuators / logic——任何產品或服務都可以重新被想成「這三件分別是什麼，分別由誰負責」。

這三件可以分散到 software 1.0（人手寫的 code）、2.0（神經網路 weights）、3.0（LLM 提示詞與 agent skills）三種典範上。誰擅長什麼就由誰承擔——例如確定性轉換仍交給 1.0，感知多半進 2.0，推理與決策多半進 3.0。

連帶出現的是 agentic engineering 這套新技能：把資訊變得對 LLM「最大可讀」、設計給 agent 看的介面與文件、設計 agent 工作流的安全護欄、訂出新的 hiring 標準。Karpathy 也丟了一個更激進的暗示——未來大半計算可能由神經網路擔綱，CPU 退居 coprocessor。