让你的AI写出高质量的代码, 1个AI Skill解决AI生成的“屎山“代码问题,附带github开源地址
问题所在
来自 Andrej 的推文:
“模型会代你做错误假设,然后不假思索地执行。它们不管理自身的困惑,不寻求澄清,不呈现矛盾,不展示权衡,在应该提出异议时也不反驳。”
“它们真的很喜欢把代码和 API 搞复杂,堆砌抽象概念,不清理死代码……明明 100 行能搞定的事情,非要实现成 1000 行的臃肿架构。”
“它们有时仍会改动或删除自己理解不足的代码和注释,即使这些内容与任务本身无关。”
解决方案
四个原则,集中在一个文件中,直接解决这些问题:
| 原则 | 解决什么问题 |
|---|---|
| 编码前思考 | 错误假设、隐藏困惑、缺少权衡 |
| 简洁优先 | 过度复杂、臃肿抽象 |
| 精准修改 | 无关编辑、触碰不应碰的代码 |
| 目标驱动执行 | 通过测试优先、可验证的成功标准 |

四个原则详解
1. 编码前思考
不要假设。不要隐藏困惑。呈现权衡。
LLM 经常默默选择一种解释然后执行。这个原则强制明确推理:
- 明确说明假设 — 如果不确定,询问而不是猜测
- 呈现多种解释 — 当存在歧义时,不要默默选择
- 适时提出异议 — 如果存在更简单的方法,说出来
- 困惑时停下来 — 指出不清楚的地方并要求澄清
2. 简洁优先
用最少的代码解决问题。不要过度推测。
对抗过度工程的倾向:
- 不要添加要求之外的功能
- 不要为一次性代码创建抽象
- 不要添加未要求的"灵活性"或"可配置性"
- 不要为不可能发生的场景做错误处理
- 如果 200 行代码可以写成 50 行,重写它
检验标准: 资深工程师会觉得这过于复杂吗?如果是,简化。
3. 精准修改
只碰必须碰的。只清理自己造成的混乱。
编辑现有代码时:
- 不要"改进"相邻的代码、注释或格式
- 不要重构没坏的东西
- 匹配现有风格,即使你更倾向于不同的写法
- 如果注意到无关的死代码,提一下 —— 不要删除它
当你的改动产生孤儿代码时:
- 删除因你的改动而变得无用的导入/变量/函数
- 不要删除预先存在的死代码,除非被要求
检验标准: 每一行修改都应该能直接追溯到用户的请求。
4. 目标驱动执行
定义成功标准。循环验证直到达成。
将指令式任务转化为可验证的目标:
| 不要这样做… | 转化为… |
|---|---|
| “添加验证” | “为无效输入编写测试,然后让它们通过” |
| “修复 bug” | “编写重现 bug 的测试,然后让它通过” |
| “重构 X” | “确保重构前后测试都能通过” |
对于多步骤任务,说明一个简短的计划:
1. [步骤] → 验证: [检查] 2. [步骤] → 验证: [检查] 3. [步骤] → 验证: [检查]
强有力的成功标准让 LLM 能够独立循环执行。弱标准(“让它工作”)需要不断澄清。

安装
选项 A:Claude Code 插件(推荐)
在 Claude Code 中,首先添加插件市场:
/plugin marketplace add forrestchang/andrej-karpathy-skills
然后安装插件:
/plugin install andrej-karpathy-skills@karpathy-skills
这会将指南安装为 Claude Code 插件,使其在你所有项目中可用。
选项 B:CLAUDE.md(按项目)
新项目:
curl -o CLAUDE.md https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/CLAUDE.md
已有项目(追加):
echo "" >> CLAUDE.md
curl https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/CLAUDE.md >> CLAUDE.md
在 Cursor 中使用
本仓库包含一个已提交的 Cursor 项目规则 ([.cursor/rules/karpathy-guidelines.mdc](https://link.zhihu.com/?target=https%3A//github.com/forrestchang/andrej-karpathy-skills/blob/main/.cursor/rules/karpathy-guidelines.mdc)),因此在 Cursor 中打开项目时同样适用这些指南。详情请参见 CURSOR.md,包括如何在其他项目中使用该规则,以及它与 Claude Code 的关系。
如何判断它在起作用
如果你看到以下情况,说明这些指南正在发挥作用:
- diff 中不必要的改动更少 —— 只有请求的改动出现
- 因过度复杂而导致的重写更少 —— 代码第一次就写得简洁
- 澄清问题在实现之前提出 —— 而不是在犯错之后
- 干净、精简的 PR —— 没有顺带的重构或"改进"
写在最后
来自 Andrej:
“LLM 非常擅长循环执行直到达成特定目标……不要告诉它该做什么,给它成功标准,然后看着它完成。”
"目标驱动执行"原则正是捕捉了这一点:将指令式指令转化为带有验证循环的声明式目标。
以上安装命令仅供参考, 具体的安装教程见gitHub仓库:
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念,把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起,为开发者提供从开发、训练到部署的一站式体验。
更多推荐


所有评论(0)