andrej-karpathy-skills

你是否遇到过这种情况：让 AI 帮你写代码，它却自作主张改了一堆你根本没要求改的地方，最后引出一堆莫名其妙的问题？

这不只是你的感受——这是整个 AI 编程领域的共识性痛点。

2025年末，AI 领域传奇人物 Andrej Karpathy（斯坦福教授、Tesla AI 负责人、OpenAI 创始成员之一）在 X 上发帖，直指当前 LLM 编程的三大顽疾：

隐式假设：模型会替你做错误假设，然后不假思索地执行。它不问清楚，就直接选一个方向跑下去。

过度工程：明明50行能搞定的事情，AI 偏偏要写200行——搞一堆抽象、留一堆"扩展性"，结果代码读不懂、维护更头疼。

附带修改：让你改一个文件，它顺便把旁边的注释和代码也一起改了，而这些改动你根本不需要，也完全不知情。

图1：multica-ai 组织头像

一个文件，对抗三个顽疾

Karpathy 的这番话，引发了开发者社区的广泛共鸣。一位名叫 forrestchang（GitHub @forrestchang，X @jiayuan_jy）的独立开发者，从 Karpathy 的观察中提炼出了四个可操作的行为准则，浓缩为一份 CLAUDE.md 文件——这就是 andrej-karpathy-skills 项目的起源。

这份规范不依赖任何代码或技术栈，它的核心价值是改变 AI 编程的行为模式：

原则	解决的问题
Think Before Coding（编码前思考）	错误假设、隐藏困惑、缺少权衡
Simplicity First（简洁优先）	过度复杂、臃肿抽象
Surgical Changes（精准修改）	附带编辑、触碰不应改的代码
Goal-Driven Execution（目标驱动执行）	模糊指令、无验证标准

四个原则详解

1. Think Before Coding：不确定就问，不要猜

这是整个体系的核心出发点。当 AI 遇到歧义时，正确的做法是停下来，说清楚自己哪里不确定，然后向用户提问——而不是默默选一个方向继续。

具体来说，AI 应该：遇到不确定的情况，明确说明自己的假设，而不是默认其中一个；当存在多种合理的实现方式时，把选项呈现给用户，而不是自行决定；如果发现用户提出的方案存在明显缺陷，要主动提出来。

这个原则听起来简单，却是大多数 AI 编程工具最容易踩的坑：用户说"帮我加个验证"，AI 立刻按自己的理解实现了一套复杂的验证逻辑，结果和业务场景完全不符。

2. Simplicity First：够用就好，不做加法

Karpathy 点名批评的"过度工程"是 AI 编程中最常见的浪费行为。AI 似乎天生喜欢"多做准备"——创建各种抽象层、预留各种"将来可能用到的"接口、把简单逻辑包装得复杂无比。

这份规范要求：只实现用户明确要求的功能，不为单次使用创建抽象，不添加"将来可能有用"的配置选项。判断标准也很直接：如果一个资深工程师看到这个实现觉得"过于复杂"，那就简化。

3. Surgical Changes：只碰必须碰的

当你让 AI 修改一个函数时，它不应该"顺便"把周围的代码风格也统一了、把不相关的注释也改了。这个原则给 AI 划了一条硬边界：每一行改动都必须能追溯到用户的原始请求。

例外情况也有：如果你的改动产生了新的无用代码（孤儿代码），AI 应该清理自己造成的这部分垃圾——但不要动项目原本就存在的死代码，除非用户明确要求。

4. Goal-Driven Execution：说清楚成功标准

最后一个原则针对的是"模糊指令"问题。很多用户会说"帮我优化一下这段代码"——这种指令对 AI 来说根本无法验证。

规范要求将模糊指令转化为可验证的目标：不是"添加验证"，而是"为无效输入编写测试，然后让它们通过"。不是"修复 bug"，而是"编写能重现 bug 的测试，然后让它通过"。

对于多步骤任务，规范建议使用结构化格式：

1. [步骤] → 验证: [检查项]
2. [步骤] → 验证: [检查项]

这样 AI 可以自主循环执行，直到所有验证点都通过。

跨工具支持：不止 Claude Code

这份规范最初针对 Claude Code 设计，但作者很快意识到这只是冰山一角。项目同时提供了 CLAUDE.md（适用于 Claude Code）、CURSOR.md（适用于 Cursor IDE）和 .cursor/rules/karpathy-guidelines.mdc（Cursor 的规则格式），实现了跨工具适配。

此外，作者还提供了 Claude Code 插件安装方式，通过插件市场（/plugin marketplace add）一键安装，无需手动复制文件。

作者的另一项目 Multica（multica-ai/multica）则是一个更宏大的开源平台，用于运行和管理多个编码智能体，并支持可复用技能。andrej-karpathy-skills 也是 Multica 平台的预置技能之一。

上手门槛：几乎没有

这是这个项目最特殊的地方——它不需要安装任何运行环境，不需要配置 GPU，也不需要 Docker。

如果你是 Claude Code 用户，安装方式有两种：

方式一（推荐）：Claude Code 插件市场

/plugin marketplace add forrestchang/andrej-karpathy-skills
/plugin install andrej-karpathy-skills@karpathy-skills

方式二：直接下载 CLAUDE.md

curl -o CLAUDE.md https://raw.githubusercontent.com/multica-ai/andrej-karpathy-skills/main/CLAUDE.md

安装完成后，Claude Code 在当前项目目录下会自动读取 CLAUDE.md，并按照其中定义的四个原则行事。

局限性：不回避的问题

作为一个纯规范文件而非代码项目，andrej-karpathy-skills 本身无法通过技术手段强制执行——它依赖 AI 模型的理解和遵从程度。不同模型对 CLAUDE.md 内容的遵循程度可能存在差异。

此外，这份规范偏向于"保守谨慎"的编程风格，在面对简单重复性任务时可能显得有些过度谨慎，速度上不如完全放开的 AI。规范本身也承认这一 trade-off。

另外值得注意的是，这是一个作者（forrestchang）基于 Karpathy 的公开推文总结而成的个人项目，并非 Karpathy 本人创建和维护——项目名称中的"Karpathy"来自灵感来源，而非官方背书。

行业意义：LLM 编程范式的自我修正

这个项目之所以能在短时间内获得超过14万星，背后反映的是整个 AI 编程领域的范式转变。

2023-2024年，行业追求的是"让 AI 写更多代码"；而2025年开始，社区逐渐意识到：AI 编程的瓶颈不在于能力，而在于行为模式。一个过度主动、过度工程的 AI 编程助手，可能比一个"保守但精准"的助手更有害。

Karpathy 的观察 + forrestchang 的产品化，代表了一种新兴的"AI 编程最佳实践"运动：不追求 AI 做什么都最快最全，而是让 AI 在每一步都更准确、更可预测。

如果你经常使用 Claude Code、Cursor 或类似 AI 编程工具，这个项目值得一试——它可能不会让 AI 写代码更快，但会让 AI 写出来的代码更符合你的预期。