andrej-karpathy-skills实操避坑指南：4条规则让AI不再乱改你的代码

andrej-karpathy-skills实操避坑指南：4条规则让AI不再乱改你的代码

【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 是把 Karpathy 对 LLM 编码陷阱的观察，浓缩成一份 CLAUDE.md 行为规则文件的项目。如果你的 AI 曾悄悄做出假设就把功能写完、100 行能解决的事给你 1000 行、或"顺手"改了你没让它动的代码，这份文件是对症的。

😤 AI 背叛你的 3 种常见姿势

你大概没少遇到：AI 自作主张加类型注解、把单引号统一成双引号，还"顺手"润色了旁边的注释；或者你只让它算个折扣，它回你一个策略模式加配置类。

别慌，这不是你的运气问题。Karpathy 的原话很直接：模型会替你做出错误假设，然后不验证就一路跑下去；不管理自己的困惑，不寻求澄清，不展示权衡；特别喜欢搞复杂代码和 API，1000 行本 100 行就够；哪怕与任务无关，也会顺手改掉它并不充分理解的注释和代码。

对应到你最常踩的 3 类错误行为：

1. 悄悄假设：只说"加个导出功能"，它自己选定格式、字段、范围，一路做完；
2. 过度工程：抽象提前建好，需求从没提过，没人用；
3. 误伤：修个 bug，相邻代码的格式、注释、风格全变了，没法 review。

这个项目把这些问题压成 4 条规则，装进一份 CLAUDE.md。它不是工具，只是 AI 写代码前先读的一份行为契约。

⚡ 先看对比：30 行折扣代码 vs 3 行

让它"加一个折扣计算函数"，它经常交出这样的东西：

❌ 典型的过度实现（摘自 EXAMPLES.md）：

from abc import ABC, abstractmethod class DiscountStrategy(ABC): @abstractmethod def calculate(self, amount: float) -> float: pass class PercentageDiscount(DiscountStrategy): def __init__(self, percentage: float): self.percentage = percentage def calculate(self, amount: float) -> float: return amount * (self.percentage / 100) # ……省略无关部分：FixedDiscount、DiscountConfig、 # DiscountCalculator 及上下限校验，还有 30 多行

注意：设计本身没有错，策略模式、配置对象、上限校验，全是教科书做法。问题在时机：这些抽象对应的需求根本没出现过。

✅ 应该长这样：

def calculate_discount(amount: float, percent: float) -> float: """计算折扣金额，percent 应在 0-100 之间。""" return amount * (percent / 100) # 使用 discount = calculate_discount(100.0, 10.0) # 优惠 10 美元

好的代码是简单解决今天的问题，而不是提前解决明天的问题。真到了需要多种折扣类型的那天再重构，加一个函数的成本远低于拆一套抽象。

🧭 4 条规则，三段落地：想清楚、改准、验证过

4 条规则对应你和 AI 协作的三个阶段。

认知层：编码前思考

"不要假设，不要隐藏困惑，把权衡摆到台面上"——这是排第一的规则。

要求是：明确列出假设；存在多种解释时逐条列出，而不是默默选一条；有更简单的做法就说；不懂就停下，说出哪里不懂。

加上这条规则后，你说"让搜索更快"，AI 应该回你：

"更快"可能是三件事：① 响应时间低于 100ms，加索引和缓存；② 扛更多并发，上异步；③ 感知更快，渐进加载。各自工作量不同，你最在意哪个？

而不是默默写 200 行优化代码。

操作层：简单优先 + 外科手术式修改

操作层两条，一内一外：

• 简单优先（对内）：不实现没要求的功能，不做单次使用的抽象，不为不可能的场景写错误处理；200 行能压到 50 行就重写。
• 外科手术式修改（对外）：不碰相邻代码，匹配现有风格，发现无关死代码只提一句、不删。标准是：每一行改动都能追溯回你的请求。

EXAMPLES.md 里"修 bug"的例子很典型，任务是修复空邮件导致崩溃：

❌ AI 常见的返回：

def validate_user(user_data): - # Check email format - if not user_data.get('email'): + """Validate user data.""" + email = user_data.get('email', '').strip() + if not email: raise ValueError("Email required") - # Basic email validation - if '@' not in user_data['email']: + if '@' not in email or '.' not in email.split('@')[1]: raise ValueError("Invalid email") + # ……省略无关部分：附带的用户名长度、字符校验

✅ 外科手术式修改：

def validate_user(user_data): # Check email format - if not user_data.get('email'): + email = user_data.get('email', '') + if not email or not email.strip(): raise ValueError("Email required")

第一份 diff 里真正的修复只有几行，其余全是附带的"改进"。review 时你得逐行分辨哪些是修复、哪些是自我发挥，成本立刻爆炸。

验证层：目标驱动执行

LLM 特别擅长"循环直到达成明确目标"。这条规则要求把任务翻译成可验证的目标：

• "加校验" → 为无效输入写测试，然后让它通过；
• "修 bug" → 先写一个能复现 bug 的测试，再让它通过；
• "重构 X" → 保证重构前后测试都通过。

多步任务则要求先给出计划，每步带验证方式：

1. 单端点加内存限流 → 验证：100 次请求只有前 10 次通过 2. 抽成中间件 → 验证：其他端点测试不回归 3. 换 Redis → 验证：重启后计数不丢失

弱目标（"让它能跑"）需要你不停确认；强目标让 AI 自己循环。这就是杠杆。

🧪 3 个高频场景 × 各自该盯什么

只记一条决策路径的话，记这个：

规则落到你最高的三个场景：

🔌 上手：给 CLAUDE.md 追加规则的正确姿势

仓库很小，核心就 4 个文件：

• CLAUDE.md：主规则文件，你要装的就是它；
• EXAMPLES.md：每条规则的正反代码对比；
• skills/karpathy-guidelines/SKILL.md：同样内容打包成的可复用技能；
• CURSOR.md：Cursor 规则接入说明。

方式 A：Claude Code 插件，一次安装、所有项目可用：

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

方式 B：按项目安装，适合任何读根目录指令文件的工具：

git clone https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skills cp andrej-karpathy-skills/CLAUDE.md 你的项目根目录/

已有 CLAUDE.md 就追加进去，规则文件本来就是设计来与项目专属规则合并的。用 Cursor 的话，把仓库里的.cursor/rules/karpathy-guidelines.mdc拷进项目即可，它带alwaysApply: true，开箱生效。

🚧 什么时候不用较真

这套规则整体偏向谨慎而非速度：目标是非平凡任务上少犯昂贵错误，不是拖慢简单任务。

这几种情况可以松一松：

• 修拼写、改一行明显的笔误；
• 绿地项目，没有存量风格需要匹配；
• 你本来就希望 AI 把多种架构方案列出来给你挑。

怎么确认规则生效了？看三个可观察信号：diff 里与请求无关的改动变少、因过度复杂而返工变少、澄清问题出现在实现之前而不是出错之后。

下一步：clone 这个仓库，把 CLAUDE.md 放进你的项目根目录，然后在下一个任务里看 AI 先问你什么。

【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