Karpathy 周末用 Claude 造站：4300 万评论筛 6454 视频全流程

55 minutes ago AI笔记

一句话结论：Karpathy 用一个周末、靠 Claude Opus 5.5 做出 HackerTube 与 TristanTube 两个视频网站，全程人工只做了三件事：拿一个 Google Cloud API key、租一台服务器、买一个域名。

这件事在 2026 年 11 月 8 日由多家海外科技媒体同时报道，发帖人 Andrej Karpathy 是 OpenAI 联合创始人，现任职于 Anthropic 做研究员。他在自己的社交账号上详细写了这个过程，数据都摊开给了。

之所以值得单独拆一篇，是因为这件事的信息量不在「AI 能写代码」这个结论上，而在几个具体数字的对比关系上。两周前 Karpathy 才开始在公开场合讲 Agent Harness 这类东西，这一轮他直接把一个完整产品的交付链路压缩成了周末。

两个站点，两种规模

HackerTube 是第一个。它的做法是把 20 年 Hacker News 讨论里的 4300 万条评论喂给 Claude Opus 5.5，让模型从中筛出社区反复推荐过的视频，最终留下 6454 支。这个比例值得停一下：4300 万条评论进，6454 支视频出，保留率大约万分之一点五。模型做的判断不是随机取样，而是从海量噪声里识别出被反复提及的那些视频。

TristanTube 是紧接着做的第二个，用 Claude Code 一把生成，耗时 3 分钟，数据来自 Tristan Hume 整理的一份 YouTube 频道列表，一共 47000 支视频。

对比项 HackerTube TristanTube
数据源 20 年 Hacker News 评论 Tristan Hume 整理的 YouTube 频道列表
输入规模 4300 万条评论 47000 支视频
产出 6454 支视频 47000 支视频
所用模型 Claude Opus 5.5 Claude Code
耗时 一个周末 3 分钟
人工环节 API key、服务器、域名 同上

两个站点之间隔了一整夜，产出规模却相差七倍多，耗时相差两个数量级。差别在于数据的组织程度：Hacker News 的 4300 万条评论是二十年的自然语言积累，模型得自己从中判断哪些视频被反复提起；TristanTube 拿到的频道列表本身就已经是人工筛选过的结构化清单，模型要做的只是把清单变成一个能用的站。

三个反常规的产品决定

HackerTube 的产品设计里有三处跟主流做法相反，每一处都是有意的。

第一，不做登录。用户不注册、不建账号，看完就走。这在今天几乎需要专门解释才能被接受。

第二，不用优化过的缩略图。视频中部只显示一帧画面，而不是专门做的封面图。这个改动省掉了整条缩略图生产的链路，代价是界面上少了一点信息量。

第三，状态存在浏览器本地。观看记录这类东西不落服务端，浏览器就是数据库。

Karpathy 自己的评价是，观看体验明显好于 YouTube 的推荐机制。YouTube 的推荐系统积累了几十年、投入了数十亿美元，HackerTube 用一个周末加一批人工挑选的社区共识数据，在主观体验上被认为更好。这句话更值得读作对推荐系统优化目标的质疑，而不是对模型能力的赞美：优化点击率和优化看完体验，中间可能不是同一条路径。

从工程角度看，这三个决定其实在做同一件事：把服务器端的工作量降到最低。两千多万人级别的内容分发，真正吃资源的是服务端存储、鉴权、状态同步和推荐计算，全部砍掉之后，剩下的就只是一堆静态页面加一个视频嵌入，成本结构彻底变了。

人工到底做了哪三件事

Karpathy 说 Claude Code 接管了几乎全部工作，从数据分析到服务器部署。人工的部分被完整列了出来，一共三步：

一是拿到一个 Google Cloud 的 API key。二是租一台服务器。三是买一个域名。

值得留意的是这里面没有包含任何设计决策。视觉方案、交互方式、数据筛选逻辑、推荐算法的实现，全部由模型决定。人做的是提供算力、买下入口地址这两件基础设施的事。

他还提到过去这类项目要花几周，现在几小时能出结果。这句话里有个细节容易被读漏：他说以往要花几周的项目，现在几小时能出结果，而不是几分钟。3 分钟完成的 TristanTube 之所以成立，前提是第一个站点已经把所有工程脚手架跑通了，第二个项目站在这些脚手架上。这更像是边际成本递减，而不是单次交付速度的线性提升。

它为什么能成：数据处理才是真正的瓶颈

4300 万条评论筛成 6454 支视频，这一步是整个项目里唯一有难度的部分，也是模型能力体现得最实的地方。筛选逻辑写起来不复杂，难的是要在合理成本内把三千多万条文本过一遍，并且判断出哪些视频在社区讨论中反复出现。

这是一种典型的长时程批量数据处理任务。它的产出是可验证的，不需要模型自己判断对错。筛出来的视频是不是社区反复推荐的，翻评论记录就知道。同样规模的纯文本生成任务则很难这样验收。

这也解释了为什么第二个站只要 3 分钟。数据处理是重头，站点搭建是轻活；一旦数据准备妥当，剩下就是模板工程。把 Claude Code 换成别的编码工具，这个流程大概也能跑，只是筛选这一步换成了别的模型来做。

从这个角度看，Karpathy 这次真正示范的不是造站速度，而是数据筛选这件事被模型接管之后的成本结构。手上有一堆杂乱无章的原始材料，要在里面找出被反复提及的那部分东西，这活以前需要人读上几天，现在是一个模型加一晚上时间。

成本账：人工投入缩到多小

把这套流程拆成成本项，能看清楚省下来的到底是什么。

环节 传统做法 Karpathy 这次的做法
数据筛选 人工阅读、标注，几天到几周 Claude Opus 5.5 处理 4300 万条评论，一个周末
推荐逻辑 工程师设计与实现 模型生成
服务器部署 工程师配置 模型完成，人工提供 API key
账号体系 后端开发 + 运维 不做，状态存浏览器本地
缩略图生产 设计或批量抽取 不做，取视频中段一帧
域名与算力 同上 人工购买，这是唯一保留的环节

对比表里最能说明问题的是被砍掉的三行。账号体系、缩略图生产、推荐算法的服务端实现，这三样在任何常规内容产品里都是标配，砍掉它们之后产品的体验评价反而是正面的。这提示了一件事：很多看起来是产品必需的功能，其实是行业惯例沉淀下来的历史包袱。

可复现的部分与不可复现的部分

这套流程里哪些能被别人照着做，边界很清楚。

能复现的是方法层面：找一批带有社区信号的历史数据，用模型做筛选蒸馏；把模型生成的结果直接接进一个最小的站点；服务端的非核心功能尽量不做。手上有一堆杂乱材料想找出其中真正有价值的部分，这套思路可以直接搬。十年积累的视频库、课程库的旧内容、某个社区反复标记过的片段，都是同一个形状。

不可复现的是效果层面。Karpathy 拿到的是 Hacker News 二十年的讨论数据，这批数据本身就是经过社区筛选的，评论里出现的视频链接天然带有高信噪比。换成一堆无人问津的冷门视频，模型筛出来的质量会完全不同。同样是筛 4300 万条数据，输入数据的质量决定输出的上限。

还有一个前提常被忽略：Karpathy 本人是资深工程师，能判断模型给出的方案对不对。模型做了全部决策，但决策质量的上限由验收方的判断力决定。换成不熟悉这个领域的人做同样的事，多半要花更多时间去返工。这条既是这类演示的注脚，也是它最有价值的部分，它把门槛的真实位置说清楚了。

这套流程会怎么变

Karpathy 造这两个站的时候还专门在 HackerTube 里引了一句自己的原话，大意是这次经历让他开始怀疑，把项目控制权完全交给模型是否真的是个好主意。两个极端都是极端：全手动写要几周，全托管给模型又让人不安，中间地带在哪儿，还是没解决。

从已经发生的这两次交付看，能读出的趋势是分工位置在移动。人负责的环节从写代码、搭服务，一路退到提供算力和买域名；而验收环节的重要性反而在上升，因为产出的质量要靠人判断，而不是靠流程保证。

这种分工对不同规模的团队意味着不同的事。一个人的小项目，这个模式几乎已经可以用了。三个人的团队可能还要再讨论分工边界。而十个人的团队，代码不再是瓶颈，瓶颈在需求定义和验收标准上，模型接管得越多，这个瓶颈暴露得越明显。

常见问题

HackerTube 和 TristanTube 分别是什么？ HackerTube 是用 Claude Opus 5.5 从 20 年 Hacker News 的 4300 万条评论中筛出 6454 支被社区反复推荐的视频，做成的推荐站。TristanTube 是紧接着用 Claude Code 在 3 分钟内做出的另一个站，数据来自 Tristan Hume 整理的 YouTube 频道列表，共 47000 支视频。

这真的是全程 AI 写的吗？ 人工投入是三件事：申请一个 Google Cloud API key、租一台服务器、买一个域名。数据分析、筛选逻辑、服务器部署都由 Claude Code 完成。但 Karpathy 本人是资深工程师，判断模型产出对错的责任仍在人这一侧。

普通人能复制这个流程吗？ 方法可以复制。找一批带社区信号的历史数据，交给模型做筛选蒸馏，再接进一个最简站点，服务端非核心功能尽量砍掉。效果不能直接复制，因为输入数据本身的信噪比决定了产出上限，用冷门数据做同样规模的筛选，质量会差很多。

延伸阅读

AI 自学笔记 每天更新 AI 前沿动态，订阅 RSS，或按 Ctrl/⌘+D 收藏本站，明天见。

继续读

同一批更新里这几篇值得一看：

想快速查定义？对应的词条在这里：

Related News