andrej-karpathy-skills 使用指南：用一份 CLAUDE.md 约束 AI 编码助手
【免费下载链接】andrej-karpathy-skillsA single CLAUDE.md file to improve Claude Code behavior, derived from Andrej Karpathy's observations on LLM coding pitfalls.项目地址: https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skills
andrej-karpathy-skills 是一个行为准则项目：它把 Andrej Karpathy 对 AI 写代码常见毛病的观察，整理成一份可以直接放进项目根目录的 CLAUDE.md，用来约束 AI 编程助手的假设、复杂度和改动范围。如果你日常用 Claude Code 或 Cursor 这类工具辅助开发，这套准则能明显减少"顺手过度设计"和"修一个 bug 带出一串无关改动"造成的返工。
AI 写码时常见的三类麻烦
这些坑大多不是模型"不会写"，而是行为方式没有约束：
- 擅自做假设：模型替你把模糊需求脑补完，然后一路执行到底，不确认、不暴露矛盾；
- 过度设计：100 行能解决的事情写成 1000 行，抽象层、配置项层层堆叠；
- 连带破坏：改代码时顺手"优化"了与任务无关的注释和格式，diff 里全是预期外的噪音。
准则的思路不是教你语法，而是给上述三种行为分别立规矩。
四条准则各管一件事
整份文件只有四个部分，每条对应一类麻烦：
| 准则 | 作用 | 适用场景 |
|---|---|---|
| 思考先行 | 动手前把假设说清楚，拿不准就提问；存在多种理解时列出来让你选，有更简单的方案会直接顶回来 | 需求模糊，比如只说了"让搜索变快" |
| 简洁至上 | 只写解决问题所需的最少代码，不加没被要求的配置项、抽象层和对不可能场景的容错 | 新增小功能，如一个折扣计算函数 |
| 精准修改 | 只改必须改的行，跟随现有风格；只清理自己改动造成的孤儿代码，旧死代码只提不删 | 在老项目里修 bug |
| 目标驱动 | 把指令翻译成可验证目标，例如"加校验"变成"为非法输入写测试，再让测试通过" | 需要反复迭代、有测试可跑的任务 |
如何安装 andrej-karpathy-skills 到你的项目
门槛很低，按工具链选一条路径即可。
整体下载，按需取用
git clone https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skills核心内容在根目录的CLAUDE.md，篇幅很短；EXAMPLES.md提供每个准则的正反案例，README.zh.md是中文说明。
只放进单个项目
把CLAUDE.md复制到项目根目录即可；若已有同名文件，把内容追加合并进去。文件开头就注明了它与项目自有规则配合使用的方式。
Cursor 用户
仓库内置了同名项目规则，在别的项目使用的话，把.cursor/rules/karpathy-guidelines.mdc复制到对应目录就行；skills/karpathy-guidelines/SKILL.md是同一内容的可复用技能版，可放进个人技能目录。常用 Claude Code 的话，也可以直接走插件市场安装，命令见仓库 README。
一个例子：修 bug 时流程怎么变
以"空邮箱会让校验器崩溃"这类 bug 为例，看准则落地后的动作链：
- 输入：一句 bug 描述；
- 动作：只修改处理空邮箱的那几行——不顺手加强用户名校验、不动引号风格、不改注释措辞；
- 结果：diff 里每行都能直接追溯到这次修复，评审一眼看完。
目标驱动准则还会把"修 bug"进一步翻译成"先写一个能复现崩溃的测试，再让它通过"，修没修好不靠感觉。EXAMPLES.md里还有折扣计算被过度抽象、"让搜索变快"先问清指标等对照案例，值得翻一遍。
使用时的几个提醒 📌
- 这套准则偏向谨慎优先于速度，改错别字、补一行明显代码这种小事，不必走完整流程；
- 判断是否生效看三个信号：diff 中无关变更变少、澄清问题发生在动手前、代码第一版就比较简单；
- 与项目规则合并时，建议单独加一节项目特定条款（如强制测试覆盖），避免通用准则被稀释；
- 个人项目一般只用到
CLAUDE.md一个文件，其余文件是维护者多端同步用的，无需关心。
下一步：挑一个最近返工最多的项目装上它，观察两三周的 diff 变化；想看更多正反案例，直接从EXAMPLES.md开始读就行。
【免费下载链接】andrej-karpathy-skillsA single CLAUDE.md file to improve Claude Code behavior, derived from Andrej Karpathy's observations on LLM coding pitfalls.项目地址: https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skills
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
