一个文件治好AI编程“多动症”

用过 AI 编程助手的人，想来都遇到过这样的场景：让它改 A，它顺手把 B 也改了；让它加功能，它给你搭了一整套框架；三天前提的要求，今天已经忘干净了。大多数人把这些当作基线接受了。Andrej Karpathy 没有。

Karpathy 是谁，已无需多介绍。前 Tesla AI 总监，OpenAI 创始成员，现在做 AI 教育。他观察 LLM 编程助手的方式和大多数人不同，不是看它能做什么，而是记录它什么时候搞砸。

1月27日凌晨，他在 X 上发了一条帖子：

说是 “A few random notes”，实则编目了 Claude Code 的几种典型失败模式：

LLM 会在没有确认的情况下假设需求，然后沿着错误方向一路狂奔。它不会管理自己的困惑，不会寻求澄清，不会呈现不一致之处。它特别喜欢把代码搞复杂，一百行能解决的问题非要写一千行，还附带一堆根本没用的抽象层。更烦人的是，它经常改动或删除自己没完全理解的代码，哪怕那些代码和当前任务毫无关系。

这条帖子获得了数千次转帖、数万喜欢。

同一天晚上，Jiayuan (JY) Zhang 把 Karpathy 的观察写进了一个文件。

Jiayuan 是 Multica 的创始人兼 CEO，一位 AI-native 创业者。他看到了 Karpathy 的帖子，决定把那些观察整理成可执行的准则。仓库名叫 andrej-karpathy-skills，核心是一个叫 CLAUDE.md 的文件。

四条准则写在里面：

Think Before Coding —— 编码前先思考。不要假设，不要隐藏困惑，要把权衡摆到桌面上。如果需求有歧义，先停下来问清楚，而不是默默选一个解释然后埋头写代码。

Simplicity First —— 简洁优先。最小代码解决问题，不做任何推测性的实现。不要为只用一次的代码建抽象层，不要加没被要求的”灵活性”或”可配置性”，不要为不可能出现的场景写错误处理。写了两百行发现五十行就能搞定，那就重写五十行。

Surgical Changes —— 精准改动。不要”顺手改进”旁边的代码、注释或格式，不要重构没坏的东西，要匹配现有风格哪怕你不喜欢。改 A 就只改 A，哪怕 B 明显有问题，那也是另一个任务。

Goal-Driven Execution —— 目标驱动。把任务变成可验证的目标。”加个验证”要变成”先写无效输入的测试，再让测试通过”。多步骤任务要列出计划和验证点，而不是模糊的”把它搞定”。

文件的使用方式简单得近乎粗暴：扔到项目根目录，Claude Code 每次会话自动读取。不需要每次请求都写提示词，不需要 babysitting。行为改变一次，就保持下去。

一个文件。每个项目。

真正的爆发是在 4月11日。

Sharbel 发了一条 X 帖子，把这个项目介绍给了更广泛的开发者社区。帖子收获了数百次转帖、数千喜欢、数十万浏览。当时仓库一周新增超 3,000 stars。

在 Sharbel 的帖子后，项目经历了爆发式增长。短短两周内，stars 从几万暴涨至突破 8 万，多次登上 GitHub Trending 榜首，单周增速一度超过 6,000。

这种简洁让它很容易扩散。仓库目前有数十个 open pull request，其中大部分是在把它适配到其他工具。Cursor 的版本已经合并，GitHub Copilot 的适配在讨论中，Codex、Trae IDE、OpenCode 的 PR 正在排队。还有人在做中文、越南语、印地语的翻译。

社区里出现了一些有趣的争论。有人提议加第五条准则”Documents over Documentation”，被作者直接关闭，理由是低价值改动。还有人质疑”Simplicity”本身是否危险，为了简单而简单可能写出难以维护的代码。这些争论说明社区不是在盲目接受，而是在消化和反思。

更实际的使用反馈来自那些”融合派”用户。他们不是直接套用，而是让 Claude 读取这个仓库，然后把它和自己的指令合并。一位用户在 GitHub 评论里说，他把这个仓库的内容和 agents-md 的内容一起合并到自己的配置里，效果比之前好很多，还能按自己的偏好调整。

不过，这套准则并非万能药。

在高度规范化的企业代码库中，”Simplicity First”可能与现有的架构规范冲突。”Surgical Changes”要求不动无关代码，但遗留系统中的耦合度往往让这成为不可能。更根本的问题在于：这些准则本质上是在约束 LLM 的天性。LLM 的优势在于联想和生成，而准则要求它克制和精简。这种张力在某些创意探索场景下，反而可能限制 AI 的价值。

这个项目火起来的触发点，是 X 上 Sharbel 那条帖子。但真正让它从”有趣项目”变成”本周 GitHub 第一”的，是它解决了一个足够普遍的痛点。

Karpathy 的贡献在于编目了这些模式，Jiayuan Zhang 的贡献在于把它们变成了可执行的文件。

这个方案的形式也很聪明。不是一个插件，不是一个平台，就是一个 markdown 文件。这意味着它不绑定任何工具，不受任何平台的控制，可以被任何人修改和分发。这种去中心化的设计，让它在各种 AI 编程工具之间形成了一种共识。

本周的爆发，说明开发者社区对 AI 编程助手的期待正在从”能写代码”转向”能写好代码”。写对功能已经不够了，要写得简洁、可维护、不添乱。Karpathy 的四条准则，碰巧在这个转折点上给出了一个清晰的坐标。

如果想试，curl 一下那个 CLAUDE.md 文件，扔到项目根目录。成本不到三分钟。效果可能需要几天才能完全显现，因为 LLM 的行为模式改变需要时间，就像纠正一个习惯。

参考来源

1. 1. andrej-karpathy-skills GitHub 仓库^[1]
2. 2. Andrej Karpathy X 帖子^[2]
3. 3. Sharbel X 帖子^[3]

引用链接

[1] andrej-karpathy-skills GitHub 仓库: https://github.com/forrestchang/andrej-karpathy-skills[2] Andrej Karpathy X 帖子: https://x.com/karpathy/status/2015883857489522876[3] Sharbel X 帖子: https://x.com/sharbel/status/2042914348859867218