让 AI 少改无关代码andrej-karpathy-skills 使用手册【免费下载链接】andrej-karpathy-skillsA single CLAUDE.md file to improve Claude Code behavior, derived from Andrej Karpathys observations on LLM coding pitfalls.项目地址: https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skills你只让 AI 修一个空邮箱会让校验器崩溃的 bug它修好了还顺手重写了注释、给 username 加了长度校验、把单引号全换成双引号——真正的修复藏在几十行 diff 里。andrej-karpathy-skills 就是为治这种帮忙过度准备的。它把四条行为准则装进一份 CLAUDE.md 文件约束 AI 编程助手不乱假设、不写膨胀代码、不动无关代码、先定义成功标准再动手。四条准则毛病、约束、可观察结果这套指南源自 Andrej Karpathy 对 LLM 写代码毛病的观察全部准则浓缩在仓库根目录的 CLAUDE.md 里触发条件约束动作可观察结果任务有多种理解先并排列出解释不确定就停下提问澄清发生在实现之前而非返工之后200 行能压成 50 行不写未要求的功能、可配置性、容错第一版代码就是可用规模修 bug 时想改进邻行只改能追溯到请求的行匹配现有风格diff 变小肉眼可读任务模糊修一下认证翻译成可验证目标分步执行、分步自证你只给成功标准AI 自己循环到通过用一句话概括第 4 条给 AI 成功标准它会自己循环跑完标准模糊你就得反复追问。三步接入并看到第一个生效信号拉取仓库git clone https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skills把 CLAUDE.md 复制到你项目的根目录已有同名文件时用追加而不是覆盖。给一个故意模糊的任务比如让搜索变快。好的反应不是直接上缓存和索引而是先列出降低响应时间 / 提升并发 / 提升感知速度几种理解并问你在意哪个——看到这个动作说明规则生效了。用 Cursor 的话仓库已附带.cursor/rules/karpathy-guidelines.mdc拷进目标项目的.cursor/rules/目录即可说明见 CURSOR.md。同一个 bug 的两种 diff任务都一样修一下空邮箱让校验器崩溃。❌ 没接指南时AI 的 diff 常常是这样def validate_user(user_data): - # Check email format - if not user_data.get(email): Validate user data. email user_data.get(email, ).strip() if not email: raise ValueError(Email required) ... if len(username) 3: raise ValueError(Username too short)崩溃修复只占其中一行剩下全是没人要的帮忙。✅ 接上指南后def validate_user(user_data): # Check email format - if not user_data.get(email): email user_data.get(email, ) if not email or not email.strip(): raise ValueError(Email required)判断标准每一行变更都能追溯到原始请求。说不清来路的改动就不该出现在 diff 里。边界与取舍改个错别字也要走全流程吗不用。文件里明确写了这套规则偏向谨慎胜过速度琐碎任务用判断力即可目标只是减少非琐碎工作中的昂贵失误。只有 Claude Code 能用吗不是。准则本质是一份 Markdown 行为约定任何支持根目录指令文件的工具都能放仓库同时提供 Cursor 规则和 skills/karpathy-guidelines/SKILL.md 形式的技能定义按工具各取所需。会不会让 AI 变慢变啰嗦动手前它确实会多想、多问前期节奏略慢。但多数人省下了返工时间更少重写一遍更少 Review 时这行为啥改。立刻可执行的动作翻一遍仓库里的 CLAUDE.md整套准则就浓缩在这一个文件想看反模式对照再翻 EXAMPLES.md。看完丢进你改动最频繁的项目盯着下一个 diff 看变化。【免费下载链接】andrej-karpathy-skillsA single CLAUDE.md file to improve Claude Code behavior, derived from Andrej Karpathys observations on LLM coding pitfalls.项目地址: https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
