这是什么？

andrej-karpathy-skills是一个GitHub仓库（项目地址：https://github.com/forrestchang/andrej-karpathy-skills），它不包含任何代码或模型，核心内容是一个CLAUDE.md配置文件，该文件为Claude Code等AI编程助手提供了一套可执行的行为规范。其发布后短时间内就获得了12万stars，今天带大家一探究竟。

为什么需要它？

作者在长期使用AI编程后发现，当前的AI模型有几个典型问题：

1. 盲目假设，不加核实
   模型会替你做出错误的假设，然后不加核实地照搬这些假设。它不会处理自身的困惑，不会主动寻求澄清，不会指出需求中的不一致之处，不会提出不同方案的权衡取舍，也不会在应该提出异议的时候提出异议。
2. 过度复杂化
   模型真的很喜欢把代码和API搞得过于复杂，堆砌抽象层，不清理无用代码。明明100行就能搞定的事情，它却要用1000多行来实现一个臃肿的结构。
3. 连带破坏
   模型有时仍然会因为不完全理解而更改或删除注释和代码，即使这些改动与当前任务无关，也会产生不必要的副作用。

这些问题归结为一点：模型在执行层面很强，但在判断和约束层面缺乏规范。因此，需要一套明确的规则来约束和引导它的行为。

解决方案：四个行为原则

针对上面提到的这些问题，一个直接有效的办法就是使用这个项目里的CLAUDE.md配置文件。它把作者的观察转化成了四条AI可以直接执行的行为原则：

1. 先思考，后编码

• 明确陈述假设，不确定时主动提问
• 遇到歧义时呈现多种可能性
• 困惑时停止并请求澄清

2. 简单优先

• 只实现明确要求的功能
• 不添加未要求的抽象、配置、错误处理
• 若200行可简化为50行，则重写

3. 精准修改

• 只改动任务直接相关的代码
• 不改动格式、注释、无关代码
• 匹配现有代码风格，不强行统一

4. 目标驱动执行

• 将指令转化为可验证的成功标准
• 例如：“修复 bug” → “先写复现bug的测试，再让测试通过”
• 多步任务时列出每步的验证方式

使用方式

方式一：Claude Code插件（推荐）

在Claude Code中依次执行：

# 添加市场
/plugin marketplace add forrestchang/andrej-karpathy-skills

# 安装插件
/plugin install andrej-karpathy-skills@karpathy-skills```

首次添加市场可能会报错，重试即可

安装后，规则存放于~/.claude/plugins/marketplaces/karpathy-skills/，对所有项目生效

方式二：单项目使用

新项目：

# 下载 CLAUDE.md 文件并保存到当前目录
curl -o CLAUDE.md https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/CLAUDE.md```

已有项目（追加）：

# 对已有项目追加一个空行，保持格式整洁
echo "" >> CLAUDE.md
# 下载并追加新规则
curl https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/CLAUDE.md >> CLAUDE.md

如何知道它是否有效？

这套规则改变的是AI的行为模式，而不是产生一个可以运行测试、判断“通过/不通过”的确定性输出。因此，效果需要通过观察和长期体验来评估。
如果看到以下情况，则说明这些指导原则有效：

指标	改善表现
代码改动范围	diff中仅包含任务直接相关的行
代码复杂度	不出现未被要求的抽象或配置
沟通效率	不确定时提前提问，而非事后返工
PR质量	无随机格式化、无顺手重构、无无关修改

效果测试

为了直观展示这套规则的作用，我们用同一个简单任务进行测试：

# 启动claude并对话：
“写个脚本帮我算平均分”

未使用规则时

Claude Code没有做任何询问和澄清，直接假设数据来自CSV文件、列名叫score、文件路径通过命令行参数传入，然后直接生成了一段完整的Python脚本

使用规则后

同样的任务，在添加了andrej-karpathy-skills规则后，先查看当前目录，确认有没有数据文件；发现没有可用数据后，主动列出几种可能的解释；向用户提问澄清：“你想算的是什么平均分？数据在哪？”。它没有盲目生成代码，而是先处理自己的困惑，再寻求澄清。

使用说明

这套规则倾向于谨慎而非速度。建议在大多数开发场景下启用，比如功能开发、bug修复、需要AI独立完成多步任务、以及对代码质量和可维护性有要求的项目。对于非常琐碎的操作，比如简单的拼写错误修正、显而易见的一行代码改动，可以自行判断是否跳过，并非每次都需要完全严谨。核心原则是：根据任务复杂度灵活把握，复杂任务用足规则，简单任务适度简化。

总结

andrej-karpathy-skills不提供新功能，也不依赖特定模型。它只是将成熟的工程经验写成一份AI能读取的规范，这些经验包括先理解再动手、保持简单、只改必要部分以及用目标驱动执行。如果经常遇到AI输出代码“大致能用但需要反复调整”的情况，可以尝试将这个配置文件引入项目。安装成本极低，效果可量化观察。