Karpathy 正式加入 Anthropic

昨天，Karpathy 在 X 上发布了一条消息，宣布他已正式加入 Anthropic。

这位 OpenAI 联合创始人、特斯拉前 AI 总监、斯坦福 CS231n 课程主讲人、Eureka Labs 创始人，兜兜转转之后，最终选择了 Anthropic。

他此次加入的是 Claude 预训练团队，将与 Nick Joseph 并肩作战，并组建一支全新的团队，专注于利用 Claude 进行 AI 编程。

消息一经发布，X 平台瞬间沸腾。

Karpathy 在 GitHub 上的影响力同样巨大，他开源了许多具有深远影响的项目。

他的风格非常鲜明：用最简洁的代码，阐述最深刻的原理。

没有复杂的架构，没有繁琐的依赖，核心逻辑往往只有几百行，但每一个都值得反复研读。

下面精选出 5 个最具代表性的项目推荐给大家。

01. 花 100 美元训练你自己的 ChatGPT

Karpathy 声称，仅需 100 美元，就能从零开始训练一个属于自己的 ChatGPT。

nanochat 正是为此而生。

它的定位非常明确：The best ChatGPT that $100 can buy. （100 美元能买到的最好的 ChatGPT）。

你只需租用一台云端 GPU 服务器，运行一个脚本，4 小时后，就能在一个类似 ChatGPT 的 Web 界面中，与你自己训练的模型进行对话。

从自定义的 Rust tokenizer，到分布式训练，再到 Web 推理服务，整个链条都完整地集成在一个仓库中。

代码刻意保持了高度的可修改性（hackable），这意味着你可以随意改动和实验。它不是那种依赖繁多、让人不敢轻易触碰的框架，而是一个你打开看一遍就能理解全部流程的项目。

这个项目也是 Karpathy 在其 AI 教育公司 Eureka Labs 推出的课程 LLM101n 的毕业设计。

这门课教你如何从零构建 LLM，而 nanochat 就是最终的成果。

简单来说，这个项目是为那些想彻底搞懂 ChatGPT 完整链路的人准备的。它比阅读论文有用 100 倍，因为你真的能亲手运行起来。

最近，在张小 Jun 的播客中，姚顺宇在面试 Anthropic 之前似乎也深入研究过这个项目。

• 开源地址：https://github.com/karpathy/nanochat

02. 让 AI Agents 自动为你做研究

这个项目是 Karpathy 所有仓库中 Star 数最多的。

它是一个能让 AI 自动运行实验的工具。

autoresearch 做的事情很简单，但极具颠覆性：在单张 GPU 上，让 AI agents 自动基于 nanochat 进行训练实验和科学研究。

在训练 LLM 时，人类研究员通常需要手动调整超参数、运行实验、查看结果、分析日志，然后再调整参数，进行下一轮实验。

autoresearch 将这个循环过程完全自动化了。

AI 能够自己调整参数，自己运行实验，自己分析结果，并决定下一步的行动。

它的门槛很低，单张 GPU 就能运行。但它所代表的思路至关重要：AI 不仅仅是研究的对象，它也可以成为从事研究的主体。

这是 Karpathy 对 AI 辅助科学研究方向的探索。

目前这个领域仍处于早期阶段，但试想一下，如果 AI 能独立进行研究，那么进步速度将不再是线性的。

• 开源地址：https://github.com/karpathy/autoresearch

03. 让多个大模型开会辩论，给你最终答案

提出一个问题，让 Claude 写一个答案，GPT 写一个答案，Gemini 也写一个。

然后让它们互相点评打分，最后由一个主席模型汇总出最终答案。

这就是 llm-council 的玩法。

它是一个本地 Web 应用，界面看起来像 ChatGPT，但背后的机制完全不同。

你输入问题后，它通过 OpenRouter 将问题同时发送给多个 LLM，每个模型独立作答，然后互相评审和排名，最终由 Chairman LLM 综合得出最优回答。

Karpathy 认为，LLM 集成的潜力被严重低估了。

仔细想想，这很有道理。

单个模型存在偏见、盲区和幻觉。但如果你让多个模型交叉验证，互相挑刺，最终综合出来的答案质量会高得多。

这个思路不仅适用于问答。任何需要决策的场景，比如方案评审、代码审查、投资分析，都可以采用多模型辩论的方式。

配置也非常简单，通过 OpenRouter 可以随意组合模型，想加哪个就加哪个。已经有人 fork 了这个项目，并添加了 Ollama 本地模型支持，还有人制作了更现代的 UI。

• 开源地址：https://github.com/karpathy/llm-council

04. 为全美国 342 种职业打分

这个项目 Stars 不多，但可能是最值得普通人关注的一个。

你的工作被 AI 影响的可能性有多大？

Karpathy 直接计算了全美国的职业。

他从美国劳工统计局爬取了 342 个职业的数据，覆盖了全美 1.43 亿个岗位。

然后，让 LLM 为每个职业打出一个 0-10 分的 AI 曝光度评分——分数越高，被 AI 影响的风险越大。

最终，他将这些数据制作成了一个交互式 treemap 可视化图表。

点击进去，就能看到每个职业的详细信息：薪资中位数、从业人数、预期增长率，以及 AI 替代风险评分。

数据一目了然。

这个项目发布后还有个小插曲，一度被删除，后来又重新上线。

X 上讨论非常热烈，很多人用自己的职业去查询，看看自己是否该学习新技能了。

其实还有一个中国版：madeye.github.io/jobs

• 开源地址：https://github.com/karpathy/jobs
• 在线体验：https://karpathy.ai/jobs/

05. 越用越聪明的个人知识库

这是 Karpathy 在 2026 年 4 月发布的一篇 Gist，但引发了巨大反响，获得了 5000 多个 Stars，评论区里涌现了各种开源实现。

我之前也写过相关文章，可以看看。

他想要表达的意思是：大多数人使用 AI 与文档交互的方式是 RAG（检索增强生成），即上传一堆文件，AI 检索相关片段，然后生成答案。

问题是，每次提问，AI 都要从头开始检索和拼凑。

没有任何积累。 当问一个需要综合五篇文档的复杂问题时，AI 每次都要重新找到相关片段再拼凑起来。上次的成果全都丢失了。

Karpathy 的思路是 让 LLM 增量构建和维护一个持久化的 Wiki。

当你添加一个新的信息来源（文章、论文、播客笔记）时，LLM 不只是索引它，而是阅读后，将关键信息整合进已有的 Wiki 中。

更新实体页面、修改主题摘要、标注新旧数据的矛盾点、加强或挑战已有的综合结论。

知识被编译一次，然后持续更新，而不是每次提问都从头开始。

整个系统分为三层：

• Raw sources： 你的原始文档，LLM 只读不写。
• The wiki： LLM 生成和维护的 Markdown 文件，包括实体页、概念页、比较分析、综述。
• The schema： 配置文件（比如 CLAUDE.md），告诉 LLM 如何组织 Wiki、如何处理新来源。

三个核心操作：Ingest（摄入新来源）、Query（提问）、Lint（定期健康检查，查找矛盾、过时信息、孤立页面）。

Karpathy 自己的用法是，左边开着 Claude Code，右边开着 Obsidian。

Claude 修改 Wiki，他在 Obsidian 里实时浏览结果。用他的话说：Obsidian 是 IDE，LLM 是程序员，Wiki 是代码库。

这篇 Gist 发布后，社区涌现了大量开源实现：有人做了桌面应用、有人做了 VS Code 插件、有人加入了知识图谱、有人做了完整的研究工作流。

评论区简直是一个 AI 知识管理工具的生态孵化器。

• 开源地址：https://gist.github.com/karpathy/…

开源代码链接：https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f