一个CLAUDE.md霸榜GitHub第一，蒸馏自Karpathy，6万码农抄作业

一个毫无代码的文本，竟连霸GitHub热榜第一。Karpathy的编程神技被化作「AI紧箍咒」，让乱写Bug的大模型瞬间老实！

最近，GitHub社区被一个简单的.md文件彻底引爆了。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

短短一周，这个项目新增了44,465颗星，总星数飙升至61.6k，连续三天稳坐Trending日榜榜首。

这个文件名为CLAUDE.md，本质上就是一个Markdown配置文件。它的魔力何在？里面只写了四条规矩，却条条都切中了AI编程袋里（Agent）最让人头疼的痛点。

这四条规矩，全部提炼自AI大牛安德烈·卡帕西（Andrej Karpathy）对大型语言模型（LLM）编程陷阱的深刻观察，堪称一套专治AI“手欠”和“脑补”的行为准则：

不确定的先问别瞎猜

代码能简短就别写长

没让你改的地方别碰

给目标别给步骤

开发者只需把这个文件丢进项目根目录，AI编程Agent就会自动读取并遵守里面的规则，行为模式立刻变得规矩起来。

项目地址：https://github.com/forrestchang/andrej-karpathy-skills

如今，全网超过六万名程序员连夜“抄作业”，X（原Twitter）上的开发者社区已经炸开了锅。

用户Kraggich一语道破天机：“一个Markdown文件能冲上趋势榜第一，恰恰说明当前的瓶颈不在模型本身，而在模型周围的‘脚手架’。这些‘胶水’代码和规则，才是真正的产品。”

另一位开发者Surajdotdot7则从生产环境成本算了笔明白账：“模型一旦选错分支，可能吭哧吭哧运行40分钟，最后才碰壁失败。而如果一开始就要求它先澄清模糊点，这个过程可能只需要30秒。”效率差距，高下立判。

Markdown里写了什么

这个故事得从今年1月26日说起。那天，Karpathy在X上发布了一条长篇帖子，详细吐槽了当前AI编程Agent的各种“臭毛病”。

帖子发出当天，一位名叫Jiayuan Zhang的华人开发者就动手了。他先用Claude Code将这篇长文自动转化成了一个skills文件，生成了约800行描述。接着，他让Claude自己审查自己，最终精炼成一段约70行的干净指令。

这个产物就是CLAUDE.md。你可以把它理解为给AI Agent大脑安装的一套“底层操作系统”或行为准则。目前，该项目也提供了适用于Cursor编辑器的版本。

文件中的四条核心原则，每一条都精准对应了开发者用AI写代码时最常踩的坑。

原则一，编码前先思考。

这是对付AI“盲目自信”的良药。当你让AI“加个验证功能”时，它通常不会反问你要验证什么、规则严不严格，而是自顾自地猜一个最复杂的方案，写出一大堆根本不需要的代码。最让人无奈的是，整个过程它不会表现出丝毫犹豫。

为了解决这个问题，文档在第一条原则中设立了三条铁律：

1. 不确定时必须停下来问，不能猜。

2. 存在多种理解时，列出选项让用户选，而不是替用户做决定。

3. 发现有更简单的方案时，主动说出来，该推回来就推回来。

原则二，简约至上。

这条专治AI的“过度设计癖”。你要一个简单的小功能，它可能给你整出一整套企业级架构，附带登录认证、安全校验、流量控制。当你提出“能简单点吗”，它立刻砍掉大半，还附带一句“当然可以！”。这说明它一开始就知道不用写那么多，但就是忍不住炫技。

第二条原则，就是给这些“炫技”行为预备的紧箍咒：

1. 没被要求的功能不写。

2. 只用一次的代码不建抽象层。

3. 没人要求的“灵活性”和“可配置性”不加。

4. 不可能发生的异常场景不做错误处理。

检验标准非常直观：想象一个资深工程师看了这代码，会不会说“太复杂了”。如果会，那就直接砍掉冗余部分。

原则三，精确编辑。

这条旨在约束AI的“多动症”。你让它修一个bug，它改完bug顺手就把旁边的代码也重构了，变量名换了，注释删了，代码风格也按自己的偏好统一了。最后你查看改动记录，发现改了30处，其中25处跟你的原始需求毫无关系。

于是，第三条原则对改动范围做了严格限制：

1. 只动你被要求动的部分。

2. 匹配项目已有的代码风格，哪怕你认为自己写得更好。

3. 看到不相关的问题，提一嘴就行，别动手。

4. 如果你的改动导致某些代码不再被使用，清理掉，这是你的责任。但之前就存在的问题，没人让你改就不要碰。

原则四，目标驱动。

这是杠杆率最高的一条原则。AI特别擅长“循环直到达标为止”这件事，那就别告诉它具体步骤，直接给它最终的验收标准，让它自己跑起来。

例如，你要加一个功能，别说“写一个函数实现X”，而应该说“先写测试用例，然后让所有测试通过”。要修一个bug，就改成“先写一个能复现这个bug的测试，然后修复它让它通过”。

如果任务比较复杂，就要求AI先列出分步计划，并且每一步都附带验证方式。道理很简单：验收标准定得越清晰，AI能独立循环执行的时间就越长，你需要中途介入的频率就越低。

谁做的？

这个热门仓库的作者是Jiayuan Zhang，他也是开源项目Multica的创始人兼CEO。

Multica是做什么的？简单说，它能把Claude Code、OpenCode、Codex CLI这些AI编程Agent统一管理起来，像分配任务给真正的团队成员一样，让它们汇报进展、交付代码。它的目标是，让即使不会用命令行的人，也能用上Claude Code级别的AI编程能力。

正如其项目介绍里那句大胆的宣言：

Your next 10 hires won't be human.（你接下来招聘的10名员工，都不会是人类。）

据悉，他们公司的代码100%由AI编写，每天消耗的token量超过1亿。

80%的代码，不用自己写了

回过头看Karpathy的原帖，他探讨的其实是一件影响更深远的事。

作为一个有20年编程经验的老手，他坦言在短短几周内，自己的工作流发生了彻底翻转：从“80%手写代码+20%AI辅助”，变成了“80%交给Agent自主完成+20%自己动手修补和引导”。

他描述了一个震撼的场景：看着Agent死磕一个问题整整30分钟，如果换做人类程序员可能早就放弃了，但AI就是不间断地尝试、调整，最后居然真的解决了。这种“感受到通用人工智能（AGI）逼近”的时刻让人意识到，人类工作的核心瓶颈之一——“耐力”，已经被LLM彻底突破了。

但硬币总有反面。Karpathy也预言了一个他称之为“Slopacolypse”（粗制滥造大爆发）的时代。他预测到2026年，GitHub、arXiv乃至社交媒体上，将会涌现出大量AI生成的低质量内容。生产力提升是真的，但内容质量垮塌的风险也同样真实。

他甚至提到，自己已经开始感觉到手写代码的能力在“萎缩”——那种你能看懂代码，但让自己从头写却感到生疏的微妙感觉。

为什么一个.md文件能炸成这样

在Karpathy的视角里，LLM编程带来的不只是加速，更是一种能力的“扩展”。你能去做那些以前因为成本太高而不值得做的事，能去碰那些以前因为太复杂而不敢碰的代码库。

如今，这个概念已经升级为“Agentic Engineering”（智能体工程学）——一门将AI视为需要明确目标、清晰边界和严格测试的协作伙伴来对待的工程学科。

而“andrej-karpathy-skills”这个仓库，正是Agentic Engineering最早、最生动的“教材”之一。

它之所以能引发如此巨大的共鸣，核心在于它完成了一次宝贵的“知识封装”：将一位顶级工程师的隐性经验、直觉和最佳实践，打包成了机器可读、可执行的明确格式。

说到底，Karpathy通过这个项目，不再只是一位你阅读其文章的导师，更成为了你的AI Agent可以直接“继承”其思维和行为模式的对象。这才是这个看似简单的仓库，真正让人感到疯狂和兴奋的地方。