Theo Karpathy, chúng ta không còn đang Vibe Coding kiểu vui vui nữa mà đã chuyển sang Agentic Engineering nghiêm túc hơn. Con người đưa ra phán đoán, đặc tả (spec) và hiểu biết sâu, còn agent lo phần thực thi.
Cảm giác lạc hậu như một coder
Khoảng tháng 12/2025, Karpathy trải qua một “phase change” rõ rệt. Các model mới bắt đầu output code dài, mạch lạc và chạy end-to-end. Karpathy hầu như không cần sửa. Lúc đó Karpathy nhận ra mình đang vibe coding cả dự án. Cả hai cảm xúc lẫn lộn vừa phấn khích vì công cụ mạnh lên trông thấy, nhưng cũng thấy tối cổ vì agentic engineering tiến bộ quá nhanh.
Software 3.0: Thế hệ lập trình mới
- Software 1.0 là viết code tay, từng dòng lệnh rõ ràng.
- Software 2.0 là huấn luyện model bằng dữ liệu, “lập trình” bằng cách tạo dataset.
- Software 3.0 thì khác hẳn: LLM như một chiếc máy tính có thể lập trình được bằng text, prompt và context.
Ở Software 3.0, “chương trình” chính là text và artifact user đưa vào context window. Model sẽ diễn giải và thực hiện tính toán trên dữ liệu không có cấu trúc chứ không chỉ xử dữ liệu bảng biểu như trước.
Agent làm hết việc cài đặt
User không cần viết shell script để cài đặt mọi thứ nữa. Karpathy lấy ví dụ OpenClaw chỉ cần copy một khối text đưa cho agent, nó sẽ tự cài, tự debug trên máy.
MenuGen và câu chuyện “nhiều code không nên tồn tại”
MenuGen ban đầu là một full-stack app phức tạp: chụp menu → OCR → sinh ảnh → render menu có hình. Sau đó Karpathy thử cách Software 3.0 tức làchỉ đưa một tấm ảnh cho Gemini, yêu cầu vision model (Nano Banana) render luôn menu có chú thích.
Sau đó anh nhận thấy rất nhiều logic app truyền thống giờ trở nên thừa thãi (spurious). Neural network có thể nhận input thô (ảnh vào – ảnh ra) và làm end-to-end mà không cần pipeline cấu trúc hay “keo dán” code.
Không chỉ nhanh hơn, mà là khả năng hoàn toàn mới
LLM không chỉ tăng tốc độ. Chúng làm được các workflow trước đây không thể làm được, ví dụ tự động biến bộ tài liệu lớn thành knowledge base hoặc wiki sống động cho cá nhân lẫn tổ chức. Đây là lớp xử lý thông tin mới, hoạt động trực tiếp trên dữ liệu không cấu trúc và tạo ra artifact mới.
Verifiability và kỹ năng “nham nhở” (jagged)
Khác với phần mềm truyền thống tự động hóa những thứ user có thể chỉ rõ, LLM tự động hóa những thứ họ có thể kiểm chứng (verify). Nguyên nhân là do lab huấn luyện LLM trong môi trường RL nơi task có reward rõ ràng (code, toán, cờ vua…).
Kết quả là kỹ năng của LLM trở nên “nham nhở” vd siêu mạnh ở mảng verifiable và giá trị cao, nhưng lại ngu ngơ với câu hỏi đời thường đơn giản.
Chúng ta đang phụ thuộc vào lựa chọn của lab
Khả năng tăng vọt ở đâu thì lab đổ data và reward vào đó. GPT-4 chơi cờ vua giỏi hơn vì họ nhồi thêm dữ liệu cờ vua vào pre-training. Nếu domain nào đó nằm ngoài distribution, user có thể phải tự fine-tune hoặc xây RL environment.
Lời khuyên cho founder
Dù vậy, các domain verifiable vẫn rất đáng làm. Startup có thể xây RL pipeline riêng và fine-tune agent chuyên biệt thay vì chỉ dựa vào frontier model chung chung.
Từ Vibe Coding lên Agentic Engineering
Vibe coding giúp dân chủ hóa lập trình nhờ đó ai cũng làm được phần mềm không tầm thường. Nhưng nó cũng dễ sinh ra lỗ hổng và kiến trúc lộn xộn.
Agentic engineering là giữ nguyên hoặc nâng cao chất lượng chuyên nghiệp thông qua phối hợp các agent mạnh nhưng stochastic (không tất định) để tăng tốc lập trình mà vẫn đảm bảo correctness, security và maintainability.
10x giờ trở thành “hơn 10x”
Một engineer agentic-native có trần năng suất cao hơn rất nhiều so với 10x engineer truyền thống. Kết hợp nền tảng vững + mastery workflow agent tạo ra hiệu ứng compound.
Các công ty nên thay đổi cách tuyển dụng vd thay vì hỏi leetcode, hãy cho candidate làm project end-to-end lớn và harden app khi bị agent khác tấn công.
Kỹ năng con người trở nên quan trọng hơn bao giờ hết
Khi agent lo tất cả các chi tiết lặt vặt (API quirk, axis vs dim vs keepdims…) thì con người phải tập trung vào spec cấp cao, thiết kế hệ thống, thẩm mỹ và phán đoán.
Không cần học thuộc lòng các thư viện nữa, nhưng phải hiểu khái niệm cốt lõi (tensor storage, efficiency, invariant) để viết spec tốt và phát hiện lỗi thiết kế tinh vi mà agent có thể bỏ sót.
Gu thẩm mỹ và giới hạn hiện tại của model
Code do model sinh thường “chạy được nhưng xấu xí” vd bloated, copy-paste, abstraction mong manh. Vì RL hiện tại chưa reward mạnh về simplicity và elegance.
Thí nghiệm microGPT của Karpathy cho thấy model vẫn khó viết code simplify do chúng ta đang ở ngoài RL circuit về minimalism.
LLM là “ghost” chứ không phải “animal”
Karpathy ví LLM giống ma (ghost) hơn là động vật. Chúng là thực thể thống kê có kỹ năng không đều (jaggered), được thúc đẩy bởi data và reward, không có động lực nội tại, không tò mò, không cảm xúc.
Kiến thức này giúp ta không nhân hóa (anthropomorphize), không la mắng hay nịnh nọt vô ích. Chỉ cần nắm bản chất statistical, training data và reward structure để dự đoán failure mode.
Agent-native infrastructure và “copy-paste cho agent”
Hầu hết tài liệu và tool hiện tại vẫn thiết kế riêng cho con người. Karpathy thấy khó chịu khi docs chỉ hướng dẫn click chuột thay vì đưa snippet sẵn cho agent.
Trong tương lai infrastructure sẽ cần phải agent-native vd expose data structure và API rõ ràng để agent đọc được, cho phép prompt LLM build, config và deploy cả app end-to-end mà không cần DevOps thủ công.
Agents sẽ đại diện cho con người và tổ chức
Sẽ đến lúc mỗi cá nhân và tổ chức có agent persistent. “Agent của tôi nói chuyện với agent của bạn” để sắp xếp lịch, phối hợp công việc.
Điều này đòi hỏi viết lại hạ tầng hiện tại, coi agent là first-class user, phân rã hệ thống thành sensor và actuator mà agent có thể trực tiếp quan sát và điều khiển.
“Có thể outsource thinking, nhưng không thể outsource understanding”
Đây là câu Karpathy hay nhắc. Dù agent tự động hóa rất nhiều suy nghĩ, con người vẫn phải biết mình muốn xây gì, tại sao nó quan trọng, và làm sao hướng dẫn agent hiệu quả.
Chính vì vậy Karpathy đầu tư vào knowledge base powered by LLM không phải để thay thế hiểu biết, mà để làm sâu sắc thêm hiểu biết của chính mình.
Tóm lại, chúng ta đang ở ngưỡng cửa của bộ môn lập trình hoàn toàn mới. Ai làm chủ cách làm việc với agent một cách có hệ thống, giữ được gu thẩm mỹ và hiểu biết sâu, người đó sẽ dẫn trước rất xa.
