Карпати: LLM открывают новые горизонты и революция в разработке агентов

29 апреля 2026 года Sequoia Capital организовали закрытую конференцию AI Ascent 2026 для основателей и инвесторов. Ведущей беседы на сцене выступили Андрей Карпати и партнёр Sequoia Стефани Жан. Спустя день Карпати кратко резюмировал ключевые идеи в соцсети X, и это резюме вызвало бурный отклик в индустрии. Основные тезисы касались трансформации за счёт LLM, эволюции инструкций в markdown, перехода от вайб-кодинга к agentic engineering и несовместимости текущих приложений с новой парадигмой.

LLM: Не просто ускорение, а новые возможности

Карпати отмечает, что обсуждение преимуществ LLM часто ограничивается ускорением существующих процессов. Гораздо важнее, что языковые модели открывают принципиально новые классы задач, которые ранее требовали сложного классического ПО или вообще не решались программно.

Примером служит проект Карпати MenuGen: приложение, фотографирующее меню ресторана и генерирующее изображения блюд. В парадигме Software 1.0 это потребовало бы конвейера из OCR, парсинга, базы данных и правил подбора. В Software 3.0 вся логика переносится в модель: GPT обрабатывает меню, циклично генерирует изображения. Приложение практически не содержит жесткого кода. К моменту выступления Gemini Nano Banana 2 превзошел MenuGen, напрямую обрабатывая фото — что доказывает тезис о исчезании приложений в пользу диалога с моделью.

Практический совет: Переосмысливайте задачи через призму LLM. Даже если классическое решение существует, прототип через модель может быть быстрее и масштабируемее. Например, замена конвейера обработки документов на единый запрос к модели.

Markdown: Эволюция скриптов установки

Системные скрипты установки (.sh) уязвимы: они ломаются при смене версий библиотек, ОС или зависимостей. Карпати предлагает альтернативу — markdown-инструкции (.md), понятные человеку и исполнимые агентами.

Пример: вместо .sh-скрипта пишется инструкция на естественном языке. Агент читает её, выполняет на конкретной машине, ловит ошибки и исправляет их. На GitHub уже есть репозиторий andrej-karpathy-skills с .md-файлами для настройки Claude Code — рабочая реализация идеи.

Преимущества: Устойчивость к изменениям, простота правки, адаптивность под разные окружения.

Как внедрить: Начните с замены критичных скриптов установки на .md. Например, инструкция для деплоя бэкенда: «Установите Python 3.8, активируйте venv, установите requirements.txt, запустите gunicorn». Агент сам пройдёт эти шаги.

База знаний поверх хаоса: Личная вика LLM

В Software 1.0 обработка неструктурированных данных требовала сложной предобработки: парсеры, нормализация, базы данных. Теперь модель может работать с файлами как есть, связывая их и извлекая смысл.

Концепт LLM Wiki: заметки, документы, ссылки хранятся в markdown-файлах в естественном виде. Агент в момент запроса строит структуру и выводы. Это упрощает работу с архивами: достаточно дать агенту папку с документами.

Пример применения: Инженер хранит техническую документацию, чаты, заметки в папке. Запрос: «Какие проблемы были с бэкендом в Q1?» — агент анализирует файлы и выдаёт отчет.

Совет: Создайте личную базу знаний в markdown. Используйте агента для поиска, обобщения и генерации отчётов. Это ускорит принятие решений.

Зубчатый интеллект: Почему модели вед себя непредсказуемо

Карпати вводит термин «зубчатый интеллект»: модели превосходят в одних задачах и слабы в смежных. Причина — в RLHF (обучение с подкреплением по человеческой обратной связи): там, где качество легко проверить, модели быстро улучшаются; там, где проверки сложны — остаются на уровне предобучения.

Пример: модель пишет сложный код, но падает на бытовой шутке. Это не баг, а особенность: в коде есть проверяемые метрики, а в юморе — нет.

Практическая импликация: Агенты сильны в «рельсовых» задачах (API, формализованные запросы), но хрупки в творческих. Дизайн агентов должен учитывать ограничения: избегайте неформальных задач без чётких критериев.

Как сработать: Разделяйте задачи: для формальных — агент, для творческих — человек. Или используйте несколько агентов с разными специализациями.

Проектирование для агентов: Двойной интерфейс

Карпати призывает проектировать продукты с двумя «взглядами»: для человека и для агента. У агента должны быть: доступ к данным (API), действия (вызовы функций), логи (журнал действий) и контекст (структурированные данные).

Пример: приложение для управления задачами. Для человека — кнопки и экраны; для агента — API для создания/редактирования задач, схема данных, лог изменений.

Внедрение: Добавьте в продукт программный интерфейс (API) и документацию для агентов. Пример: CRM с REST API, где агент может читать историю сделок, создавать задачи и отправлять отчеты.

Совет: Проверяйте продукты, подставляя агента на место пользователя. Если он «ослеп» — не может понять состояние или выполнить действие — интерфейс для агентов требует доработки.

Agentic Engineering: Новая дисциплина разработки

Если vibe coding опустил порог входа в программирование, то agentic engineering его поднял. Теперь инженер проектирует системы, где агенты читают, планируют, действуют и проверяют себя. Включает: постановку контекста, выбор инструментов, отслеживание работы, контроль качества.

Ключевой навык — управление агентами. Умение писать код отходит на второй план. Карпати признался: он чувствует себя отстающим программистом, что сигнализирует о резком росте планки требований.

Как развиваться: Изучайте фреймворки для агентов (LangChain, AutoGen), практикуйтесь в постановке задач и отладке их выполнения. Пример: настройте агента для автоматического тестирования кода — он сам запускает тесты, анализирует ошибки и предлагает исправления.

Прогноз: Agentic engineering станет ядром разработки. Инженеры будущего — это «дирижёры» команд агентов.

Что применимо уже сегодня

Из выступления Карпати выделяем три actionable шага:

1. Заменяйте .sh-скрипты на .md-инструкции. Это повысит надежность установки ПО.
2. Создавайте базу знаний в markdown и подключайте агента для навигации по ней. Это даст мгновенный доступ к информации.
3. Проектируйте продукты с двойным интерфейсом: для людей и для агентов. Используйте API, структурированные данные и логи.

Пример внедрения: Для стартапа: замените скрипт деплоя на .md, настройте агента для анализа логов ошибок и добавьте API для взаимодействия с CRM-системой.

Заключение: Карпати не даёт прогнозов, что подчеркивает динамику изменений. Горизонт сдвигается быстрее, чем мы успеваем адаптироваться. Начните внедрение уже сегодня — и оставайтесь актуальными.