烧掉十亿 Token 后，我总结的 Coding Agent 高阶玩法

独立开发者 Tibo 复盘5款AI产品做到100万美金/月 快速验证快速失败是核心

Karpathy 分享了一种高效利用 LLM 的方式——构建个人知识库（Knowledge Bases）。他指出，在 LLM Agent 时代，与其分享具体代码或应用，不如直接分享「创意文件」（Idea File），让 AI 帮你整理、检索和加工研究材料。这种方法将大量 token 消耗从代码操作转向知识操作，大幅提升信息消化效率。适合研究者、知识工作者和需要管理大量文献资料的人群。

内容指出语义相似度等于向量在规模化时失效（语义坍塌），提出神经符号 AI 三层架构：Ontology 提供结构化知识表示、确定性层保证事实正确性、LLM 负责自然语言解释而非事实本身。斯坦福研究证明 naive vector-only RAG 在知识库超过临界规模后崩溃。该方法适合构建企业级知识问答系统，可显著提升准确率。

Karpathy 在回顾 MenuGen 开发历程时指出：构建一个真正上线的 AI 应用，最难的部分从来不是模型或代码本身，而是需要像 IKEA 家具一样组装各种第三方服务的 DevOps 工作——支付网关、用户认证、数据库、安全防护、域名配置等。这些基础设施的拼装和调试占据了大量工程时间，往往比训练模型更让人「痛苦」。这提醒所有 AI 开发者：Demo 和产品之间隔着一整个 DevOps 世界，vibe coding 的快乐止步于本地运行。