Andrej Karpathy Skills — 65 行约束如何改变 AI 编码

> 在 Agent 能力爆炸的 2026 年，一个只有 65 行纯文本的 CLAUDE.md 文件，成为 GitHub 历史上最高 Star 增长率的项目之一。不是因为它让模型更强，而是因为它让模型懂得克制。

基本档案

项目值
**仓库**github.com/multica-ai/andrej-karpathy-skills
**创建者**Forrest Chang（forrestchang）→ 镜像到 multica-ai 组织
**创建时间**2026 年 1 月 27 日
**内容**一个 **CLAUDE.md** 文件（65 行纯文本）
**Star 数**个人 ~109K + 组织镜像 ~132K = **合计 220K+ ⭐**
**日增**2026-05-21 GitHub Trending #2，+2,679⭐/日

这是 GitHub 历史上少有的纯文本文件达到 10 万+ Star 的现象——没有代码、没有演示、没有文档站，只有 65 行行为准则。

起源：Karpathy 的 LLM 编码四大缺陷

Andrej Karpathy（前 Tesla AI 总监、OpenAI 创始成员、前 Anthropic 成员）在 2025–2026 年间多次公开讨论 LLM 编码的四个系统性弱点：

1. 🧠 跳过思考，直接编码

LLM 被问到一个问题时，几乎从不花时间理解领域或需求约束。大部分错误来自假设错误而非能力不足。

2. 🏗️ 过度工程化

LLM 倾向于生产超出需求范围的抽象。不必要的工厂模式、嵌套配置层、"以防万一"的灵活性。一个排序需求可能产出 200 行的泛型排序框架。

3. 🔧 连带修改（Scope Creep）

修改一处代码时，LLM 经常"顺手"：

导致 diff 膨胀，把简单 bugfix 变成全文件重写。

4. 🎯 缺乏目标驱动

LLM 不擅长自我验证。"修复 bug" → 改完就说好。"加功能" → 写完就说完成。缺少"我写了个测试来验证它真的好了"的闭环。

> Karpathy 没有写这个文件。他以 Twitter/X 上的系列推文形式描述了这些问题。Forrest Chang 将这些观察编译成了可操作的提示。

四条铁律

1️⃣ Think Before Coding

> Don't assume. Don't hide confusion. Surface tradeoffs.

核心指令：

这条解决的是 LLM 最常见的错误：乱猜。模型宁可写一个基于错误假设的完整实现，也不愿意承认需要更多信息。

2️⃣ Simplicity First

> Minimum code that solves the problem. Nothing speculative.

禁止列表：

一条自检原则："资深工程师会说这太复杂了吗？如果是，简化。"

这条解决的是 LLM 的过度工程倾向。模型天然倾向于提供"完整"而非"够用"的解决方案。

3️⃣ Surgical Changes

> Touch only what you must. Clean up only your own mess.

编辑规则：

测试：每行改动必须直接追溯到用户的需求。

这条可能最受资深开发者欢迎——它解决了 LLM 在代码库中"打喷嚏引发雪崩"的破坏性问题。

4️⃣ Goal-Driven Execution

> Define success criteria. Loop until verified.

具体方法：

多步骤任务配验证计划：


1. [步骤] → 验证：[检查项]
2. [步骤] → 验证：[检查项]

这条解决的不仅是质量——它让 Agent 能够独立循环迭代。弱目标（"让它工作"）需要频繁确认；强目标让 Agent 可以自己判断何时完成。

> 这些规则在什么情况下有效：diff 中不必要的改动减少、因过度复杂而重写的次数减少、疑问在实施前提出而非在错误后提出。

为什么它能火

时机

2026 年是 AI 编码 Agent 的爆发之年：

做减法胜过加功能

andrej-karpathy-skills 是 2026 年的反内卷宣言：

AI 编码的主流趋势这个项目的取向
更大窗口更少假设
更多工具更少抽象
更强推理更多克制
全自动先问再动

一条基准线

这些规则虽然是"给 Claude Code"的，但本质上是通用 Agent 行为基线——可以被复制到任何 AI 编码工具的提示中。它的通用性让它能跨模型工作。

数据

指标数值
GitHub Star（原始仓库）~109,000
GitHub Star（组织镜像）~132,000
合计**220,000+**
文件长度65 行 / 2,345 字符
Pull Requests68
创建→ 220K Star~4 个月
媒体提及TechTimes、MiraFlow 等

开发者社区反应

MiraFlow 评论：

> "让它成为 GitHub 历史上 Star 最多的仓库之一的，不是代码，而是理念。"

TechTimes：

> "四条规则阻止 AI 破坏代码。"

HN / 社区普遍反应：

对我们自己的启发

Karpathy Skills 的核心思想完全可以应用到 OpenClaw 的 AGENTS.md 或 .claude.md 风格中：

1. 先问再干 — 对复杂需求，应该先列出假设再写代码

2. 不做多余的事 — 不改没坏的东西、不加没要的抽象

3. 每行改动有用户需求的证据

4. 配验证计划 — 让 Agent 能在独立会话中迭代验证

潜在风险：过度约束可能降低 Agent 在简单任务上的速度。原始文件也在开头标注："这些指导偏向谨慎而非速度。对于简单任务，请自行判断。"

总结

> 2026 年，AI 编码 Agent 的能力已经足够强。最大的提升空间不在让模型更聪明，而在让模型知道什么时候该停下来，什么时候该问问题，什么时候该少写代码。

andrej-karpathy-skills 用一个 65 行的纯文本文件，定义了 AI 编码的新行为基线。它不是新模型、新框架、新语言——只是一份写得很好的约束。

🔗 参考链接

报告生成于 2026-05-21｜基于 GitHub、TechTimes、MiraFlow 公开信息