最近，GitHub 上一个名为 andrej-karpathy-skills 的项目火出了圈。Pull requests · multica-ai/andrej-karpathy-skills · GitHub
这并非 Andrej Karpathy（前 Tesla AI 总监）本人发布的仓库，而是开发者 Forrest Chang 基于 Karpathy 对大模型编码问题的敏锐观察，整理成的一份 CLAUDE.md 指南。它在公开首日便斩获近 6,000 stars，目前已突破 60k 大关。

为什么一份简单的 Markdown 文件能引起如此大的关注？
因为它揭示了当前 AI 编程的一个核心问题：AI Coding Agent 的瓶颈不在“知识量”，而在“工程纪律”。大多数 AI 写的代码难以直接使用，不是因为模型能力不足，而是因为它执行任务时缺乏清晰约束和系统化流程。

AI 编程的四大常见问题

在没有明确规范的情况下，AI Agent 经常出现以下情况：

• 沉默假设 (Silent Assuming)：遇到模糊需求不提问，直接选择一种理解开始执行。
• 过度工程 (Over-engineering)：即便是小需求，也会增加多余抽象、配置或“可能未来用到”的结构。
• 边界模糊 (Scope Creep)：修改 A 点时，顺带修改了其他无关部分，导致 PR 扩大且难以管理。
• 结果导向缺失：在未验证的情况下就认为任务完成。

针对这些问题，这份 CLAUDE.md 提出了四条核心原则。

Karpathy 核心原则：AI 编程的“外科医生”准则

1. 动笔前先思考 (Think Before Coding)

核心：拒绝盲目猜测，让权衡过程显性化。

LLM 习惯于沉默地执行。这一原则强制要求模型进行显性推理：

• 明确假设：不确定时，宁可询问也不要猜测。

• 呈现多重解读：当需求存在歧义，列出所有可能性及其利弊。

• 敢于推回需求：如果有更简单的路径，主动提出。

• 困惑时止步：明确指出模糊点，请求澄清。

2. 简约至上 (Simplicity First)

核心：只写解决当前问题所需的最小代码，拒绝投机性设计。

对抗 AI 喜欢过度设计的倾向：

• 无需求，不功能：绝不添加要求之外的特性。

• 拒绝单次使用的抽象：不为只运行一次的代码搞复杂架构。

• 不预留“灵活性”：除非被明确要求，否则不加任何配置化逻辑。

• 极致精简：如果 200 行能写成 50 行，那就重写。

• 测试标准：一位资深工程师会觉得这段代码太复杂吗？如果是，请简化。

3. 外科手术式修改 (Surgical Changes)

核心：只动必须动的地方，只清理你制造的垃圾。

修改代码时要保持极高的边界感：

• 不触碰邻近代码：不要顺便优化格式、注释或重构那些没坏的东西。

• 适配既有风格：即使你觉得原本的风格很糟，也要保持一致。

• 清理“孤儿”资源：只删除由你的修改导致的无用变量或导入，不删除预存的死代码。

• 测试标准：每一行代码的变动，都必须能直接追溯到用户的具体需求。

4. 目标驱动执行 (Goal-Driven Execution)

核心：将模糊的指令，转化为可验证的成功标准。

把“命令式”任务变成“可闭环验证”的目标：

操作范式：对于多步骤任务，必须声明计划——“步骤 -> 验证 -> 检查点”，让 AI 能够独立循环。

为什么这些原则重要

andrej-karpathy-skills 的走红说明，AI 编程工具的核心挑战不在于模型本身，而在于工程约束的落实。这份指南将资深工程师的实践经验显式化，让 Agent 在执行任务时遵循清晰流程、减少不必要改动，并始终以可验证目标驱动执行。

总结来说，一个高效的 AI 编程 Agent，应遵循纪律、确保动作精确，并在执行前明确完成标准，而不是单纯追求速度或自作主张。