Andrew Curran谈LLM新视野、jaggedness及agent经济

大约一周前在 Sequoia Ascent 2026 的炉边对话。几点亮点：

我试图推动的第一个主题是，LLM 远不止是加速现有事物（如编程）。三个新视野的例子：
1. menugen：一个完全由 LLM 覆盖的应用，无需经典代码：输入图片，输出图片，LLM 能原生完成。
2. 安装 .md 技能而非 .sh 脚本。为什么要为安装软件创建复杂的 Software 1.0 bash 脚本？你可以用文字描述安装过程，然后说“把这个给你的 LLM 看”。LLM 是英语的高级解释器，能智能地针对你的设置进行安装，内联调试等。
3. LLM 知识库，这是经典代码*无法*实现的，因为它是对来自任意来源、任意格式的非结构化数据（知识）进行计算，包括纯文本文章等。

我强调这些是因为，在每次范式转变中，显而易见的事情总是加速或改进现有事物，但这里我们有功能示例，它们要么突然可能不应该存在（1,2），要么以前根本不可能实现（3）。

第二个（持续的）主题是解释 LLM 中的锯齿模式。为什么同一个工件能同时 1) 连贯地重构一个 10 万行代码库，*并且* 2) 告诉你步行去洗车店洗车。我之前写过这源于领域的可验证性，这里我扩展为也与经济学有关，因为收入/TAM 决定了前沿实验室在 RL 期间选择将哪些内容打包到训练数据分布中。你要么在数据分布中（在 RL 电路的轨道上）飞行，要么在丛林中用砍刀越野，相对而言。我对此仍不完全满意，但建立一个准确的 LLM 能力模型是一个持续的挑战，如果你想实际利用其优势并避免其陷阱，这就引出了...

最后一个主题是 Agent 原生经济。将产品和服务分解为传感器、执行器和逻辑（分布在 1.0/2.0/3.0 计算范式中），如何使信息对 LLM 最大程度可读，关于迅速兴起的 Agent 工程及其技能的一些讨论，相关招聘实践，甚至可能暗示/梦想完全神经计算处理绝大多数计算，辅以（经典）CPU 协处理器。