Карпати на Sequoia Ascent 2026: markdown вместо bash, зубчатый интеллект и инженерия для агентов

29 апреля 2026 года Sequoia Capital провели AI Ascent 2026 - закрытую конференцию для основателей и инвесторов. Открывала её свободная беседа на сцене: Андрей Карпати и партнёр Sequoia Стефани Жан. Через день Карпати кратко подытожил выступление в X, и именно эта ветка разлетелась по индустрии. Тезисы получились плотные: про новые горизонты LLM, про неровность их способностей, про новую дисциплину agentic engineering и про то, почему почти все нынешние приложения с этим уже не дружат.

LLM не просто ускоряют существующее

Первая мысль, на которой Карпати настаивал, про границы дискуссии. Когда говорят «LLM пишут код быстрее», обсуждают только ускорение того, что уже есть. Куда важнее, что модели открывают целые классы задач, которые раньше либо требовали тяжёлого классического софта, либо не решались программированием вовсе.

В пример Карпати привёл свой личный проект MenuGen. Приложение фотографирует меню в ресторане и дорисовывает изображения блюд. Если бы это пришлось собирать в классической парадигме (которую Карпати называет Software 1.0 - софт, написанный людьми вручную, строка за строкой), потребовался бы целый конвейер: распознавание текста на изображении, разбор полученных строк, база данных, правила подбора, итоговая отрисовка. В версии 2026-го почти вся эта логика уезжает внутрь модели: GPT читает меню, цикл обходит позиции, для каждой генерируется картинка. Самой «логики приложения» практически нет.

Дальше - деталь, которую Карпати произнёс с явной самоиронией. К моменту выступления MenuGen уже устарел: Gemini с моделью Nano Banana 2 умеет напрямую взять фото меню и наложить визуализации блюд. Отдельное приложение становится не нужным. Это и есть его аргумент про Software 3.0 - мир, где приложение строится поверх диалога с моделью, а не из жёсткого кода. Большая часть нынешних приложений в этой картине просто исчезает как класс.

Markdown как новый скрипт установки

Второй тезис, который, кажется, сильнее всего зашёл в индустрии, - про судьбу системных сценариев установки. Старый .sh  -файл хрупкий: он ломается при смене версии библиотеки, на другой операционной системе, при странном порядке зависимостей. Любой, кто пытался прогнать чужой скрипт установки на свежей машине, эту боль знает.

Карпати предлагает другой подход. Вместо .sh  пишется .md  - обычная инструкция на английском: что нужно установить, какие шаги выполнить, как проверить, что всё ок. Дальше работу принимает агент. Он читает инструкцию, исполняет её на конкретной машине, ловит ошибки, чинит их по ходу и доводит задачу до конца. Естественный язык начинает выполнять роль системного скрипта.

Идея на удивление быстро превратилась в практику. На GitHub уже больше месяца лежит репозиторий andrej-karpathy-skills  разработчика Форреста Чана - это набор .md  -файлов, которые перенастраивают Claude Code под обнаруженные Карпати слабые места агентов. То есть пока сам Карпати формулировал концепт публично, рабочая реализация идеи уже жила своей жизнью.

База знаний поверх хаоса

Третий горизонт - работа с неструктурированными данными. Раньше, чтобы прогнать вычисления по разрозненным документам из десятка источников, инженеру пришлось бы сначала всё это привести к единой схеме: написать разборщики формата, нормализовать поля, спроектировать базу данных, настроить процессы выгрузки и трансформации. В Software 1.0 это была отдельная и недешёвая работа.

Теперь, по Карпати, нормально выглядит другой сценарий: модель читает файлы как есть, связывает их между собой, извлекает смысл, действует поверх. Его собственный концепт LLM Wiki (личная вики поверх большой языковой модели) хорошо иллюстрирует мысль. Заметки, документы, ссылки, фрагменты переписок остаются в человеческом виде, в обычных markdown-файлах. Структуру и выводы поверх них собирает агент в момент запроса.

Зубчатый интеллект: почему модели такие неровные

Самая, пожалуй, отрезвляющая часть выступления - про неровность способностей. Карпати использует свой термин jagged intelligence (буквально «зубчатый интеллект»): одна и та же модель умеет переписывать большую кодовую базу на десятки тысяч строк и параллельно сыпется на бытовом совете или элементарной шутке.

Объяснение у него не мистическое. Современные LLM сильно прокачиваются там, где работает обучение с подкреплением и проверяемыми наградами, в индустрии это сокращают как RLVR. Идея простая: если в домене легко автоматически отличить правильный ответ от неправильного и есть много данных, лаборатории заливают туда вычисления, и качество растёт «пиком». Если же домен плохо поддаётся автоматической проверке или экономически не интересен крупным игрокам, модель там остаётся ровно такой, какой её научил предобученный текст.

Из этого следует практический вывод. Если задача попала в зону, прокачанную таким обучением, агент едет по рельсам. Шаг в сторону - и он идёт через джунгли с мачете. Любой, кто гонял агентов по реальным проектам, эту разницу видел: одно и то же поручение в смежных областях ведёт себя как два разных продукта.

Софт, который изначально дружит с агентами

Из тезиса про неровный интеллект выходит ещё одно, про то, как теперь стоит проектировать продукты. Карпати предлагает добавить к привычному взгляду пользователя второй взгляд: глазами агента, который будет с этим софтом работать. У агента должны быть понятные «органы чувств» (что он может прочитать в системе), понятные действия (что он может сделать), читаемые логи (как он поймёт, что произошло) и машинно-читаемый контекст (как он состыкует это с остальной системой).

Звучит как очередное модное словцо, но за этим стоит конкретный сдвиг в проектировании продуктов. Если раньше в основу клали удобство для человека (привычные кнопки, экраны, визуальные подсказки), то теперь рядом появляется второй контур - для агентов. Кнопки и формы остаются для людей. Программные интерфейсы (API), чёткие схемы данных, явно описанные состояния системы и журнал всех действий - это уже для агентов. Продукты без этого второго контура в новой экономике не работают: агент в них просто слепнет.

Agentic engineering как новая дисциплина

И финальный заход, самый цитируемый. Год назад Карпати запустил в индустрию термин vibe coding (на русском уже прижилось «вайб-кодинг»). Идея - любой человек может собрать приложение, разговаривая с моделью на естественном языке, по ощущениям, без знания языков программирования. Это подняло нижнюю планку входа: программистом стало быть проще.

Agentic engineering - буквально «инженерия в эпоху агентов» поднимает, по Карпати, верхнюю планку. Это уже не про «накидать прототип за вечер». Это про умение проектировать системы, в которых агенты могут читать, планировать, действовать, проверять собственный результат и чинить ошибки. Сюда входит постановка контекста, подбор инструментов для агента, способность отследить ход его работы, проверка результата. Лучшим инженером в этой картине становится человек, который умеет руководить армией агентов и удерживать качество результата. Способность лично писать каждую строку кода уходит на второй план.

И здесь Карпати делает признание, которое подхватили почти все обзоры. Он говорит, что никогда ещё не чувствовал себя настолько отстающим программистом. Это про человека, который писал GPT с нуля, делал курсы по нейросетям и руководил AI в Tesla. Если он отстаёт, это аккуратный сигнал всем остальным: текущая планка ушла далеко, и просто «уметь кодить» - больше не профессия.

Что из этого реально применимо сейчас

Из всего выступления три тезиса можно начинать использовать сразу. 

1. Первый - переписать критичные скрипты установки в формат markdown-инструкций для агента. Хрупкие .sh действительно ломаются на каждой второй машине, и инструкция для модели часто переживает год без правок. 
2. Второй - собрать рабочие документы в структурированную базу из markdown-файлов (по сути, личную вики) и подключить к ней агента, как делает сам Карпати. Это уже даёт ощутимый выигрыш в навигации по собственным архивам. 

1. Третий - при проектировании продукта проверять, что у него есть второй контур для агентов, а не только пользовательский интерфейс для людей.

Остальное, про общую траекторию. Карпати в этой беседе не делает прогноза «через два года», и это, пожалуй, главный сигнал. Говорить о горизонте уже бессмысленно: он сдвигается быстрее, чем формулируются тезисы.