andrej-karpathy-skills 接入个人开发流:让 AI 编码助手不乱说、不乱改、不添功能

发布时间:2026/8/28 10:47:29
andrej-karpathy-skills 接入个人开发流:让 AI 编码助手不乱说、不乱改、不添功能 andrej-karpathy-skills 接入个人开发流让 AI 编码助手不乱说、不乱改、不添功能【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-skillsAI 编码助手会自己编假设、自己改代码、自己加功能。andrej-karpathy-skills 用一个CLAUDE.md文件解决这个痛点放进项目AI 的输出就变得可审查。Andrej Karpathy 曾总结过 LLM 写代码的几个通病不做检查就顺着错误假设往下跑、把 100 行能写完的代码膨胀到 1000 行、顺手改进与任务无关的注释和格式。仓库作者把这些观察提炼成一个约 65 行的CLAUDE.md共四条行为规则。Claude Code 启动时会自动加载这个文件约束从第一行代码就生效用其他工具的话把同一份内容拷进对应规则目录即可仓库里已经备好了.cursor/rules/。 两条命令把规则接进项目官方支持的入口是 Claude Code本文只展开这一条路线Cursor 等工具同样能用把文件拷进项目规则目录就行。git clone https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skills cp andrej-karpathy-skills/CLAUDE.md /path/to/your-project/项目里已有CLAUDE.md的话别覆盖把这四节内容合并进去。文件很短五分钟能读完核心就四件事动手前说清假设、只写最少的代码、只改必须改的行、每一步挂上可验证的验收条件。需求含糊时逼 AI 先提问举个例子你说加一个导出用户数据的功能。没规则时AI 大概率直接开写——假设导出全部用户、假设输出 CSV、假设文件放哪写出来 30 行全靠猜猜错一处就推翻重来。规则生效后行为变了。Think Before Coding 一节要求假设必须显式列出、存在多种解释就摆出来、遇到不清楚的停下来问。于是 AI 会先反问——导全部还是子集文件还是接口包含哪些字段——并顺带给出最简实现建议。仓库的EXAMPLES.md里有一个完整的导出场景实例可以看到前后行为差异。 用法上可以故意把需求留一个模糊点看它会不会问。可用的 prompt 模板给系统加一个导出用户数据的功能。动手前先列出你的假设和需要澄清的点不要自行猜测。把修 bug变成可验证的目标AI 说我改好了你试试是最低效的交付方式。Goal-Driven Execution 一节要求把指令式需求转成可验证目标加验证变成为非法输入写测试然后让测试通过修 bug变成先写一个复现该 bug 的测试再让测试通过。多步任务则让 AI 先给带检查点的计划格式就是1. [步骤] → verify: [检查]每一步独立可跑上一步验证通过才进下一步。make it work这类弱标准只会引来 AI 连环追问强标准让它自己循环你只在每个验证点介入。交付后看它干得干净吗简单优先和精准修改这两条靠看 diff 而不是靠感觉。AI 每次提交后按四问过一遍每行改动能否直接追溯到你的请求说不出来就回退有没有顺手改进与任务无关的注释、格式或相邻函数有没有没被要求的功能、配置项或针对不可能场景的报错处理它清理的是不是只有因自己改动而变成死代码的 import 和变量规则生效时你会看到三种变化变化后的表现含义diff 里只有你要求的改动精准修改在起作用AI 动手前先反问假设先思考在起作用第一版代码就简单能跑简单优先在起作用有一点要留意这套规则偏向谨慎而非快。改一个错别字不必走完整流程它的价值在非平凡改动上。下一步可以做什么挑一个你维护超过一周的项目合并这份CLAUDE.md跑一次修 bug任务AI 交付后按上面的四问过一遍 diff数一数说不清理由的行有几处如果你只想做一件事那就往项目的CLAUDE.md里加一行每一行改动都必须能解释为与我的请求直接相关——单这一句就能省掉你大半的 review 时间。【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

相关新闻