andrej-karpathy-skills:把 AI 的顺手重构管住【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让 AI 修一个空指针,diff 回来,整个模块被它重构成了策略模式,注释也换了一套说法。andrej-karpathy-skills 是写给 Claude Code 的行为指南,用四条规则管住 LLM 的乱假设、过度设计和顺手重构,直接影响你拿到的 LLM 代码质量。一份单文件的 AI 编程规范它不是框架,也不是代码库,就是一个CLAUDE.md文件,内容是四条行为规则。来源是 Andrej Karpathy 对 LLM 编程缺陷的公开观察:模型会替你默默做假设,然后一路跑下去,不核对、不澄清、不指出矛盾;爱把抽象层层堆高,百行能解决的事写成千行;修 bug 时顺手改动并不相关的注释和代码。这个项目的做法很直接:把观察逐条翻译成 AI 能执行的指令。 四条规则逐条拆规则错误表现正确动作编码前思考默默选定一种解释,直接开工把假设和多种解释摆出来,问清再动手简单优先单一用途的代码配抽象基类和策略类只实现被要求的功能精准修改修 bug 时顺手改注释、加类型提示只改与本次需求直接相关的行目标驱动我来审查并改进代码式模糊推进先写验收标准,循环到验证通过把假设写在前面最常见的翻车是这样:你说让搜索变快,AI 默默选了降低响应时间这一种解释,加缓存、加索引、改异步,一路写下去,你发现它理解的根本不是你要的那个快。规则要求它反过来:假设必须显式说出来;存在多种解释就全部列出来,不许私下挑一个;有更简单的做法要主动讲;遇到不清楚的,停下,说清哪里不清楚,然后问。落地动作只有一个——让它在动手前交一份假设清单,你确认一句,它再写代码。拿不准就停下来问,比写完再返工便宜。只写解决问题的代码加一个算折扣的函数,回来的可能是抽象基类、两个策略子类、一个配置数据类,调用它要多写三十行样板代码。规则把话说死:不实现没被要求的功能,不为只用一次的代码建抽象,不加没人要的灵活性和可配置性,不处理不可能发生的错误场景。写完自问一句资深工程师会不会说这太复杂,答案是会,就重写。# 反例:为唯一一次折扣计算引入策略模式 class DiscountStrategy(ABC): abstractmethod def calculate(self, amount): ... # 改法:一个函数就够 def calculate_discount(amount, percent): return amount * percent / 100够用就停手,复杂度留给真正需要的日子。只动该动的行修空邮箱导致校验器崩溃,回来的 diff 里注释换了、文档串加了、还多出一段没人要的用户名校验,你得花不少时间确认修复逻辑有没有被动过。规则是:不顺手改进相邻的代码、注释和格式;不重构没坏的东西;现有风格照抄,哪怕你会写得更好;发现无关的死代码,提一句,但别删。自己改动造成的孤儿代码要清掉,别人留下的不动。# 反例:修空邮箱崩溃,顺手加了没人要的用户名校验 if not user_data.get(email): raise ValueError(Email required) if len(user_data.get(username)) 3: raise ValueError(Username too short) # 改法:只动空邮箱这一处判断 if not (user_data.get(email) or ).strip(): raise ValueError(Email required)每行改动都要能对应到这次的需求。先定义什么叫做完修复认证系统这类指令,默认的回应是我会审查代码、找出问题、做些改进,然后开始一轮又一轮没有终点的修改。规则要求把祈使句翻译成可验收的目标:加校验改成为无效输入写测试,然后让它通过;修 bug改成先写一个能复现它的测试,再修到通过;重构 X改成保证重构前后测试都是绿的。多步任务让 AI 先给一个简短计划,每一步后面跟一个验证方式。标准写得清楚,它就能自己循环;标准模糊,你就得全程陪聊。有验收标准,它才能自己转起来。 一组前后对照:需求澄清同一个请求:加一个导出用户数据的功能。传统输出:直接落地一段导出函数——默认导出全部用户、字段固定、写进本地文件,每个假设都不是你要的,返工从确认字段开始。约束后的输出:动手前确认四件事:范围:全部用户,还是筛选后的子集?导出具体指浏览器下载、后台任务加邮件,还是 API 直接返回?包含哪些字段?有些可能敏感。用户量级大概多少?它决定实现方式。最简单的做法是一个返回分页 JSON 的接口;文件导出需要更多信息。你倾向哪种?差别不在代码质量,而在假设的归属:前者的假设是 AI 替你做的,后者的假设是你确认过的。审一份确认过假设的实现,比审一份自己脑补的实现快得多。接入方式:Claude Code 配置最短路径两条路,都只要一步命令。插件方式一次配置、所有项目生效;文件方式把规则放进单个项目。# 方式一:Claude Code 插件,一次配置全部项目生效 /plugin marketplace add forrestchang/andrej-karpathy-skills /plugin install andrej-karpathy-skillskarpathy-skills # 方式二:clone 仓库,将 CLAUDE.md 放入项目根目录 git clone https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skills已有CLAUDE.md的项目,把规则追加进去就行,它本来就是为合并项目专属指令而设计的。仓库里还有 skills 目录下的 SKILL.md 与 CURSOR.md,供 Cursor 等其他工具复用同一套规则。适用边界:什么时候该用,什么时候不用该用:非平凡的功能开发、多人协作的项目、你希望 diff 里每一行改动都有明确理由的场景。可以不用:拼写错误、明显的单行修复、用完即弃的原型。规则本身偏向谨慎优先于速度,给琐碎任务上全套流程,只会拖慢节奏。收束工具只有一个文件,真正起作用的是那套判断顺序:先想清楚,简单实现,精确修改,用验收标准收尾。好的代码是简单解决今天的问题,而不是提前解决明天的问题。【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