Software Is Changing:LLMs Are the Operating Systems of the New Era
Andrej Karpathy: Software Is Changing (Again)
神经网络本质上就是一大堆数学函数组合。这些函数的系数（weights），才是真正决定模型“怎么思考”的核心。我们不再手写这些函数，而是通过训练（optimization）让模型自己“学”出这些 weights。
三代软件范式：从写代码到写提示词
Andrej Karpathy 将软件发展划分为三个阶段：
- Software 1.0：传统手写代码，通过逻辑判断和函数控制行为。
- Software 2.0：神经网络驱动的机器学习，我们不写规则，而是提供数据，让模型“学”出能指导行为的 weights。
- Software 3.0：用自然语言写 prompt，驱动大语言模型完成任务。
这三种方式不是互相取代，而是并存共用。每种方式适配不同任务场景，未来的开发者需要三种都能灵活运用。
权重是程序，训练是写代码
在 Software 2.0 中，我们不再写具体的函数，而是训练出一组可以“拟合行为”的权重。这些 weights 就是新的“程序”。
模型的“智能”不是靠硬编码的规则，而是通过大规模语言输入训练出的神经网络权重决定的。这些权重定义了模型“像谁”、“怎么说话”、“多聪明”。
LLM 是操作系统，不是水电工厂
我们使用 GPT-4、Claude 等模型，并不会本地运行，而是通过远程接口调用，按时间计费。这种方式更像“操作系统”：
- 提供智能能力的统一入口
- 不需要理解底层结构，只需输入 prompt
这是一种新型“智能计算基础设施”。
多模型协作：LLM 应用的幕后逻辑
一个 LLM 应用并非只依赖一个模型。例如 Cursor 背后就编排了多种模型：
- Embedding 模型：用于理解上下文和搜索
- Chat 模型：负责与用户对话
- Diff 模型：生成改动建议
这些模型协同工作，通过编排（orchestration）完成复杂任务。
Prompt 要具体，小步快验更有效
在实际使用中，提示越具体、任务越窄，成功率越高。一次生成太多内容往往无法审核，因此更好的方式是：
- 每次只让模型处理一个小任务
- 快速验证结果，形成反馈闭环
这是一种“微小提交 + 高速循环”的使用策略。
GUI 和滑块：控制 AI 的参与程度
优秀的 AI 产品要有两个要素：
- 图形界面（GUI）：可视化显示模型的输出、改动位置、上下文，有效调动人类视觉神经，提升审核效率。
- Autonomy Slider（自主滑块）：允许用户调节 AI 的参与程度，从完全人工 ➝ 部分自动 ➝ 全自动，灵活切换。
这就像钢铁侠战衣，既可以自己操作，也可以让它自动飞来帮忙。
Markdown 比 HTML 更适合 LLM
LLM 在读取结构化内容时，对 Markdown 的支持远好于 HTML。HTML 结构复杂、嵌套深，容易解析出错，而 Markdown 简洁、逻辑清晰，更利于模型提取信息。
因此构建面向 Agent 的系统时，应使用 Markdown 编写文档、示例、API 说明，并尽量减少“点击这里”这类人类视角语言。
总结
我们正进入一个“软件重写”的时代：
- 旧有逻辑被模型权重替代
- 自然语言成为新界面
- 人机协作成为主流范式
Software 3.0 正在重构软件开发的底层逻辑，未来已来，欢迎参与构建。