Karpathy用Claude两小时写纯净版YouTube：受不了满屏垃圾推荐
受够YouTube「垃圾墙」!Karpathy让Claude两小时搓出纯净版
新智元报道
新智元报道
周五夜里11点，Karpathy已经累了。他打开YouTube，只想随手找点东西看看。
可眼前是一整面「垃圾墙」：封面一张比一张夸张，推荐来推荐去还是那几样老话题。
他直言，满屏都是《蠢蛋进化论》那个级别的烂内容。
累了一天想放松一下，刷到的却全是标题党，这种体验你大概也不陌生。
在Karpathy眼中，YouTube的推荐算法或许能讨好大多数人，但满足不了他这类用户。
他随后在评论区表示，像他这样的用户数量太少，在算法眼里小到可以直接四舍五入掉。
这回他不打算再忍。
转过天上午，他让
Claude做了个只收好视频的YouTube，站点当天就上线了。
网站取名HackerTube。
6454个视频、150个主题，凑成了Karpathy自己专用的看片入口。
片源还是YouTube的，推荐线索换成了Hacker News（HN）——程序员和创业者聚集的技术论坛。
他的做法不复杂：把HN网友推荐过的视频收集起来，做成片单。
这事他基本全丢给了AI。
Claude先把HN近20年的4300万条评论下载下来，滤掉无用内容，只留下推荐YouTube视频的部分，将近4万条。
最终筛出6454个视频，归入150个主题。
标题和时长再从YouTube调取，配上仿YouTube的界面，然后部署上线。
前后一共花了约2小时。
从筛选数据一直做到产品上线，Karpathy 说自己一行代码没读、也没写。
数据他也打包放了出来。
任何人都能把它交给自己的 AI，照着改出一个属于自己的版本。
周六上午，他给 Claude 下了一道指令：
参照 HN 网友此前推荐过的视频，做一个属于我们自己的 YouTube。
之后主要就是 Claude 在忙。
统筹的活由 Opus 5.5 管，筛评论这种量大的一摊事，则交给更轻快的 Sonnet 批量处理。
垃圾内容被清掉以后，留下来的就是推荐视频下面的评论。
网站做出来只是第一步，还得把它放到线上。Karpathy把服务器开好，IP地址直接发给Claude。
更新的活、部署的活、安全加固和性能优化，Claude一个人全揽了。这位OpenAI联合创始人反倒只在Claude忙活的空档里跑了开服务器、买域名这几趟腿。
他打趣说，这感觉有点像团队协作。今年5月，他刚加入
Anthropic的预训练团队。
这回派上用场的，就是自家那个Claude。真正扎眼的是他在博客末尾添上的那句话：
传统工程那些活，他如今一概不做了。代码不读也不写，终端里不敲一条命令，全程只跟Claude讲话。
评论区里有位网友一句话戳中要害：这句才是整篇文章的关键。要知道，当年带过特斯拉AI团队的人，现在干活只剩一个动作——提需求。
2021年特斯拉AI Day现场，Karpathy（左）正在发言，马斯克站在他右边。
打开HackerTube，界面活脱脱一个YouTube，操作逻辑却全拧了过来。
这里不需要登录，你看过哪些视频，记录只留在自己的浏览器里。
那些经过反复测试、专门勾人点击的封面，在这里一概没有。
每个视频的封面，取的都是片中某一帧。侧边栏另设了一个「Longs」入口，只收长视频。
光看这名字，就知道它是冲着YouTube的Shorts来的。
Karpathy把网站贴到HN上，帖子拿下2000多分，评论区攒了500多条留言。
有人把HackerTube的首页和YouTube首页摆在一起做了对比。
有评论认为，它的首页推荐比YouTube那套个性化推荐还准。
还有人一头扎进巴赫作品解读里出不来，说这种内容在YouTube上根本刷不到。
另有人形容，从YouTube换到这里，感觉像走进了一片树林。
一位网友讲起自家87岁的父亲：老人天天刷YouTube，总被推二战的负面内容，越看越陷在里面出不来。
连老年科医生都劝过这位老人，别再盯着这类视频看了。
在这位网友看来，HackerTube已经挺接近父亲真正需要的东西。
你多看一眼什么，算法就给你推更多什么。不少人就这样跟上面那位老人一样，被关进了信息茧房。
有网友直言，算法惦记的是怎么让你一直看下去；也有人觉得，平台压根不管你看完之后是什么感受。
掏了钱的用户同样一肚子火。
有网友提到，自己续费YouTube高级会员好几年，使用体验却越来越糟。
离线同步时常出岔子，上了飞机，自己缓存的内容根本打不开。
他坦言，很想亲手写一个YouTube客户端，可平台是否允许这么做，他心里没底，直呼「真令人沮丧」！
一个只花两小时搭起来的网站，偏偏撞上了大批用户对推荐算法的长期不满。
另一些网友想得更远。
在他们看来，以前要做推荐、建索引，门槛都不低。
眼下，按个人喜好搭一套自己的推荐系统，已经很有可能。
他形容平台就是一群「眼球贩子」，目的只是让你不停看下去，内容于是越推越偏激。
而现在，恰好是甩开它们的时候。
活儿是AI干的，可后台的开销一点没省。HN上就有人追问：这个项目究竟烧掉多少token、折合多少钱？
Karpathy干脆让Claude自己把这笔账算了一遍：输入约5.04亿token，其中约九成命中缓存；输出约760万token。
九成以上的用量，都花在Sonnet给评论打标签这件事上。
真正用来写网站、部署上线的那部分，Opus只花了约100万token。
这5亿并非模型一口气读进去的，而是一次次调用累加出来的。
按Karpathy披露的数字，九成以上模型用量都用在了评论标注上，应用开发、部署等环节只消耗约100万Opus token。
换句话说，两小时里最吃token的环节是给评论打标签，写网站反而是小头。
这笔账对想做数据工具的人是个提醒：清洗、标注资料，消耗的token可能比写代码还多。
稳妥的做法，是先拿一小批资料试筛，确认靠谱再扩大规模。
Karpathy 已经把评论分析的数据打包压缩，对外公开。
他给出的建议很直接：把这件事交给你的 AI，让它给你做一个专属版本。
压缩包里还配了一份写给 AI 看的说明文档，专门交代这些文件该怎么用。
至于 YouTube 的视频信息，数据包里并不直接附带，得自己去 YouTube 那边拉。说明文档里讲了获取办法，通常要照 Karpathy 的做法，先申请一个 YouTube 的 API 密钥。
资料和说明都到手之后，就能完全按自己的口味做「私人定制」了。
举个例子，你要是只对编程感兴趣，就让 AI 只保留编程类课程；再让它按主题归类，每个视频标上当初是谁推荐的，看过的打上勾。
这样一来，打开就是一份为自己排的课表。要学什么一眼看清，进度到哪儿也明明白白。
这套办法同样能搬到自己手上的材料里——收藏夹里积灰的文章、攒了好几年的工具清单，都可以照这个路子改一遍。
过去看什么视频，是平台替你做主。
如今，一个不肯将就的人也能学 Karpathy，亲手搭一个个人版视频站。
早先想弄个趁手的工具，路只有两条：要么等平台改，要么自己写代码。
现在多了一条路：把需求跟AI讲明白，剩下的事交给它办。
评论区里有人感慨，做软件的门槛越来越低了。人们可以很快搭出一个替代品，不必再被软件巨头牵着走。那些被算法四舍五入掉的人，索性自己动手造算法。
话说回来，Karpathy本身就是顶尖的AI研究者。普通人要是照着他的做法来，未必两个小时就能完工。可这扇门，终究已经裂开了一道缝。
Karpathy只立了一条规矩：挑HN网友推荐过的视频看。其余的事，全交给了Claude。
换成你动手，也先把三件事想明白：资料从哪儿来，拿什么标准去筛，最终想得到什么。
AI能帮人写代码，却替不了人定标准。
参考资料：
