一个 CLAUDE.md 文件，一周涨了 44K Star：Karpathy 的 AI 编程四原则
2026年1月27日，一个仅包含单个 Markdown 文件的 GitHub 仓库悄然上线。到4月，局面迅速升温——该仓库在开发者社区中快速传播，单日新增数千颗星标，一周内暴涨 44K Star，总星数直接冲至 67K+。
这个仓库名为 forrestchang/andrej-karpathy-skills，核心内容其实只有一份 CLAUDE.md——它把 Andrej Karpathy 关于大语言模型（LLM）编程失败模式的观察，提炼成了四条 AI 助手应当遵循的核心原则。就这么简单。
为什么 Karpathy 的观点值得关注
如果你还不熟悉 Karpathy，简单概括：他是前 Tesla 人工智能总监、OpenAI 早期研究科学家（创始成员之一），也是对 LLM 编程行为剖析最具影响力的工程师之一。2025年2月，他提出“Vibe Coding”（氛围编程，指完全依赖 LLM 生成代码、不关心代码细节）这一概念，随后引发广泛讨论；到了2026年，他又补充了一个重要观点：对于真正在意的代码，需要更多结构与纪律，而非完全放手。
他对 LLM 编程工具的核心批评，用他自己的话说就是：
这一诊断精准击中了无数开发者的真实体验——AI 助手太急于动手，宁可写出一堆代码，也不愿意停下来先问一个问题。
四条原则
1. Think Before Coding（编码前思考）
核心要求很明确：把假设摆在桌面上，不要闷头做决定。
具体怎么操作：
- 明确陈述你的假设，而不是偷偷选择一种解释
- 如果任务有多种理解方式，把它们全部列出来
- 遇到不确定时，停下来提问，而不是猜测着继续往前
- 当有更简单的方案时，说出来
- 该退回的时候就退回
这条原则针对的是 AI 的“隐式决策”问题。你让它“修复这个 bug”，它确实修了，但用的方式与你预期的完全不同，而从头到尾它连问都没问过你一声。
2. Simplicity First（简洁第一）
核心要求：用最少的代码解决问题，不附带任何多余的东西。
具体规则：
- 不写超出需求的功能（no speculative features）
- 不为单次使用的逻辑创建抽象
- 不加没被要求的“灵活性”或“可配置性”
- 如果200行代码可以用50行搞定，那就重写它
AI 有一个天然倾向——总想用更“完整”、更“通用”的方案来解决问题，而不是最简单的方案。这条原则就是直接反制这种倾向。
3. Surgical Changes（手术式修改）
核心要求：只改需要改的部分，不动其他任何东西。
具体规则：
- 不重构你没被要求重构的代码
- 不改动无关的格式
- 不删除预先存在的死代码（除非被明确要求）
- 保持现有代码风格
- 每一行改动都应该能直接追溯到用户的请求
这条原则解决的是“附带更改”问题。想象一下：你让 AI 加一个函数，它顺手把整个文件的缩进都改了，把你的 git diff 变成一团乱麻——是不是很熟悉？
4. Goal-Driven Execution（目标驱动执行）
核心要求：把模糊任务转化为可验证的成功标准。
具体做法：
- 不是“修复这个 bug”，而是“写一个能复现这个 bug 的测试，然后让它通过”
- 不是“实现这个功能”，而是“完成后 X、Y、Z 应该成立”
- 定义清晰的验证步骤，让 AI 能够进入自我纠正的循环
Karpathy 的核心观察，用他的原话来说就是：
这是四条原则里技术含量最高的一条。它本质上是在把“命令式”编程改成“声明式”——你不再描述步骤，而是描述结果。
如何在 Claude Code 中使用
方式一：Claude Code 插件（推荐）
# 先添加仓库到插件市场
/plugin marketplace add forrestchang/andrej-karpathy-skills
# 再安装
/plugin install andrej-karpathy-skills@karpathy-skills
安装之后自动生效，不需要额外配置。
方式二：复制到项目 CLAUDE.md
把仓库里的 CLAUDE.md 内容复制到你项目根目录的 CLAUDE.md 文件中。这种方式只对当前项目生效，适合需要定制化的场景。
方式三：添加到全局 CLAUDE.md
# 先克隆仓库
git clone https://github.com/forrestchang/andrej-karpathy-skills.git /tmp/karpathy-skills
# 追加到全局配置
cat /tmp/karpathy-skills/CLAUDE.md >> ~/.claude/CLAUDE.md
全局生效，所有项目都会受到约束。
Cursor 用户
仓库已经内置了 Cursor 适配文件，直接使用：
# 复制到项目的 Cursor 规则目录
cp /tmp/karpathy-skills/.cursor/rules/karpathy-guidelines.mdc .cursor/rules/
或者参考仓库根目录下的 CURSOR.md 文档。
实际效果
从社区的真实反馈来看，这套规则在复杂度高、需求模糊的任务上效果最明显。采用之后，最直观的变化体现在：
- AI 开始会在动手之前问问题，而不是直接写代码
- PR 里不再出现无关的格式改动
- 遇到多种实现方案时，它会列出来让你选择，而不是默默选一种
为什么一个 Markdown 文件会有这么大影响
这件事本身已经说明了一个问题：当前 AI 编程工具的最大瓶颈不是模型能力，而是行为约束。
模型已经足够聪明，能够读懂复杂的需求、生成高质量的代码。但在没有约束的情况下，它会选择最“显而易见”的路径，而不是最适合你情况的路径。
CLAUDE.md 这类机制的本质，是把工程师的工作习惯——先问清楚、改得最少、以测试为准——编码成 AI 可以遵循的规则。Karpathy 的版本恰好把这几条规则表达得清晰、简洁、可操作，这也是它爆红的原因。
值得留意的是，如果你正在用 Claude Code，这可能是目前性价比最高的配置之一：一个文件，无依赖，立竿见影。
仓库地址：forrestchang/andrej-karpathy-skills
