Karpathy 的新建议:让 AI 把答案做给你看

让 AI 把话说清楚，Karpathy 想到了飞机维修手册。

10 月 2 日，他在 X 上分享了一组使用建议。其中一个办法，是让模型借鉴 ASD-STE100：一套为航空维修文档设计的英语规范，用严格的写作规则减少歧义。

这个组合有点好笑。AI 已经能写代码、做研究，我们却还得请航空业教它好好说话。

Yacine Mahdid 在转发时也拿这件事打趣。不过，Karpathy 的帖子往下读，才更有意思：文字之后是图，图之后是交互网页，最后是为一个问题定制的讲解视频。

他把“回答问题”这件事，一路推到了“现场做一个帮你理解的工具”。

这给那些已经用 AI 干活、却越来越不想读 AI 长文的人，提供了一个值得试的出口。下一次，除了说“再简洁一点”，你还可以要求它换一种交付方式。

来源：Andrej Karpathy，X，2026 年 10 月 2 日。原帖开头提出，人将花更多时间理解语言模型的输出；这是作者的判断。

“简洁一点”，为什么总是不够用？

想象一个很普通的提问：这个软件，我该按月付费，还是一次买一年？

AI 很容易给你一段熟悉的回答。年付通常更划算，月付更灵活；长期使用选年付，短期尝试选月付。末尾再补一句：请结合实际需求综合考虑。

这段话挑不出多少毛病，你却还没法选。

因为“长期”到底有多长，决定了那笔钱该不该付。你还需要知道：两档功能是否一样？停用后能不能退款？价格计算有没有漏掉条件？

让 AI 删掉半段文字，并不会自动补上这些答案。

航空维修语言的用处，正在这里。ASD-STE100 用受控词典和写作规则约束表达，同一个词尽量保持同一个意思，动作和条件要交代清楚。维修人员拿到指令，不能靠猜。

我们借鉴的是这种表达纪律。中文提问里，也可以要求模型把“长期使用更划算”改成一个具体条件，说明谁要做什么、在什么情况下做。

Karpathy 自己也没有把标准当成万能咒语。他说，有时会要求模型做到“八成接近”，因为完整规范相当严格。这个“八成”是风格要求，并没有一张对应的合格分数表。

这套规范值得借鉴的，是更明确的要求：少一点泛泛建议，把决定所需的条件写出来。

把一段建议，变成一个能拖动的答案

Karpathy 紧接着提到 HTML。让模型输出网页，就能把布局与动画，加上交互一起用上。

这听起来只是换了个文件格式。放回刚才那道订阅题，变化就容易看见了。

为了说明这一区别，本文做了一个小演示。价格全是假设的：月付 30 元，年付 240 元，两档功能相同，年付不能按未使用月份退款。

页面只有一个关键操作：拖动“预计使用多久”。

拖到 3 个月，月付共 90 元，比年付少花 150 元。拖到 8 个月，两者相同；从第 9 个月起，年付开始更便宜。用满 12 个月，年付比月付少花 120 元。

你还可以修改价格。把年付改成 360 元，刚才的选择又变了：用满 12 个月也只是打平。

本文制作的交互演示页。价格为假设数据；画面显示使用 3 个月的计算结果，只比较订阅费用，未计入功能差异和退款等因素。

这道题当然可以用心算解决。它的用处，是把“长期更划算”拆成一个能检查的条件：使用时间变了，结论就跟着变。

同样的做法可以带进更复杂的问题。比较几种方案时，让模型把最影响选择的条件放到前面；学习一个概念时，让它允许你改变参数，观察结果。你不用每改一次条件，就重新读一遍长篇解释。

交互答案多给了你一次机会：沿着自己的疑问走，而不用一直沿着模型的叙述走。

不过，能拖动也可能只是一种装饰。输入变了，结果却没有正确重算；数字动了，数据口径却没交代。这样的网页还需要修。

这个小演示因此把公式和计算条件留在了页面里。我们核对了 3、8、12 个月的结果，也检查了改价后的变化。它没有证明交互网页普遍比文字有效，只展示了一种更容易逐项检查的回答方式。

用完就扔的软件，开始有了用处

原帖下面，Grady Booch 提醒：用图理解问题，早就有 UML 了。

这个回应很有分量。图解和可视化，包括教学视频，哪一样都比这轮 AI 热潮更早。Karpathy 这次建议里值得继续看的，是制作它们的条件。

过去，我们会为一本教材做动画，为一个反复使用的需求开发软件。一个人，只为一个问题，用一次就结束，很难值得投入这么多制作工作。

Karpathy 看好的是：代码和生成能力更充裕以后，这笔账可能改变。一个临时网页、一段定制视频，可以只服务于你眼前的疑问。

原帖里，他尤其看好定制讲解视频，并建议尝试 3Blue1Brown 式的逐步动画讲解。回复中也有人自报做了随机微积分视频。这已经是动手探索的信号，学习效果仍需要另外验证。

对普通使用者来说，这件事的吸引力很直接。你暂时不必寻找一款“能解释所有问题”的软件，可以先让 AI 为这一个问题做点东西。

但临时工具也有一笔容易漏算的账。

每生成一个网页，你都要打开它，弄清操作，检查计算；视频还有观看和回看时间。如果这些时间超过了它替你省下的理解时间，做得再漂亮也不划算。

所以，最值得先尝试的，是那些你正在反复追问、而且有明确卡点的问题。“这一项变了，结论还成立吗？”就很适合交互。“这个动作为什么会带来下一步？”可能更适合图或动画。一句定义已经能说明白的事，停在文字就够了。

我更看重的一个变化是，AI 产品可以开始对“接收答案”这一步负责。生成了多少页、用了多少工具，都是过程；读者能不能更快找出疑点，才决定这次交付有没有用。

看懂了，还得能指出哪里可能错

网页和视频的另一面，是它们很容易让人觉得“这回终于懂了”。

这种感觉需要小心。生成答案的模型，再为自己的答案制作动画，可能把同一个错误解释得更顺。一段话、一张图和一段视频，如果都来自同一条错误假设，重复三次也不会变成三个独立证据。

回到订阅演示：把价格调对之后，还得打开真实产品的条款。假如年付多了关键功能，或取消订阅可以退款，页面里“功能相同、不能退款”的假设就不成立。算术全对，建议也可能选错。

这正是解释工具该帮人找到的地方。除了显示当前结论，它还应指出：哪个条件一变，结论就要重做；哪些材料现在还没有。

下次碰到一份读不下去的 AI 答案，可以直接试这段要求：

我现在要决定的是【具体问题】。先写出最影响选择的条件，并把缺失的信息标成未知。如果一个条件的变化会改变结论，请做一个可交互的 HTML 页面，让我修改它。页面同时显示公式、依据和适用范围。最后告诉我，哪一项还需要回到原始材料核对。

第一次就挑一个问题、一个关键条件。不必让 AI 同时交出长文、图解和视频；那会把待阅读的材料又加回去。

做完以后，试着改一次条件，再关掉页面，回答一个问题：我能不能说出，这个结论在什么情况下会失效？

如果能，工具可以关掉，判断留了下来。如果仍然只能复述那句推荐，它还没有解释到位。

Karpathy 提醒我们，AI 会接手更多具体工作，人会花更多时间监督和理解。顺着这条思路，下一次提问也可以变得更具体一点：

你要替我省掉的，是读懂这个答案所花的时间。

创作说明：本文使用 AI 辅助资料研究、写作与配图；演示价格为假设数据，计算结果已核对。