驯服AI程序员：基于Andrej Karpathy洞见的编程规范指南

在AI辅助编程日益普及的今天，大型语言模型（LLM）如Claude展现出了惊人的代码生成能力，但也暴露出一系列棘手的系统性缺陷。AI研究员Andrej Karpathy深刻指出，模型常常在未明确需求的情况下替开发者做决定，倾向于过度工程化，甚至在不经意间破坏原有代码结构。

针对这些痛点，开发者 forrestchang 创建了 andrej-karpathy-skills 项目。该项目通过一个核心配置文件 CLAUDE.md，将Karpathy的观察转化为一套可执行的行为准则，旨在引导LLM产出更可靠、简洁且专注的代码。

一、 项目作者与能力背景

该项目的作者 forrestchang 展现出了卓越的工程素养：

• 深刻的洞察力：他精准捕捉并提炼了Karpathy关于LLM编程缺陷的理论，将其归纳为四大核心原则。
• 工程化落地能力：他没有止步于理论，而是将其封装为具体的开发者工具（Claude插件、规则文件），极大降低了使用门槛。
• 生态贡献：作为开源社区活跃的贡献者（同时也是Multica平台的作者），他致力于提升整个AI编程生态的效率与质量。

二、 四大核心原则：对抗AI的编码陋习

项目针对LLM常见的“幻觉”与“臃肿”问题，制定了以下四项核心原则：

1. 编码前思考 (Think Before Coding)

解决痛点：模型盲目假设，不懂装懂。
核心要求：不假设、不隐藏困惑、揭示权衡。
实践：明确要求模型在不确定时必须提问，展示多种可能性而非私自抉择，并在发现更简单方案时主动提出异议。

2. 简单性优先 (Simplicity First)

解决痛点：过度设计，200行代码解决50行能搞定的事。
核心要求：用最少的代码解决问题，不做推测性开发。
实践：严禁添加未要求的功能、为单次使用创建抽象、或引入不必要的“灵活性”。如果资深工程师认为代码过于复杂，就必须重写。

3. 外科手术式更改 (Surgical Changes)

解决痛点：编辑时顺手“改进”无关代码，引入副作用。
核心要求：只动必须动的地方，只清理自己制造的烂摊子。
实践：不重构没坏的代码，严格匹配现有风格。仅移除因本次改动产生的“孤儿代码”（如未使用的导入），不擅自删除原有的死代码。

4. 目标驱动执行 (Goal-Driven Execution)

解决痛点：缺乏验证标准，导致结果不可控。
核心要求：定义可验证的成功标准，循环工作直至达标。
实践：将指令转化为测试。例如，“修复Bug”应转化为“先写一个复现Bug的测试，再修复它”。对于多步骤任务，必须先列出含验证点的计划。

三、 如何应用这些技能

项目提供了灵活的集成方式，以适应不同的开发场景：

1. 全局安装（推荐）：Claude Code 插件

这是最便捷的方式，安装后将在所有项目中生效。

1
2
3
4
5

# 1. 添加插件市场源
/plugin marketplace add forrestchang/andrej-karpathy-skills

# 2. 安装技能插件
/plugin install andrej-karpathy-skills@karpathy-skills

2. 项目级安装：CLAUDE.md 文件

若仅需在特定项目中启用，可将规则写入项目根目录。

1
2
3
4
5
6

# 新项目：直接下载文件
curl -o CLAUDE.md https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/CLAUDE.md

# 现有项目：追加到现有文件
echo "" >> CLAUDE.md
curl https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/CLAUDE.md >> CLAUDE.md

注：项目也提供了适用于Cursor编辑器的规则文件，实现跨IDE的统一规范。

四、 预期效果与总结

当这套指南生效时，你将明显感受到协作质量的提升：

• Diff更干净：不必要的格式改动和无关代码修改显著减少。
• 代码更精简：因过度复杂化导致的重写次数降低。
• 沟通更高效：AI会在写代码前主动提出澄清问题，而非事后补救。

这套指南被设计为偏向谨慎（Cautious over Speed），对于琐碎任务（如改错字）可灵活跳过。但对于严肃的工程任务，它无疑是减少高昂错误、提升代码质量的坚实防线。