摘要：Andrej Karpathy 吐槽 AI 编程痛点并由社区提炼出 CLAUDE.md 规则库，在 GitHub 狂揽 16 万 Star。本文深入拆解其背后的 4 大核心原则，探讨如何通过精细化“行为约束”治好 AI 的自作聪明。

在当下的 AI 辅助编程浪潮中，开发者们正频繁遭遇一种隐性的效率陷阱：要求 AI 修复简单的格式问题，它却过度延伸，重写了整个文件；寄希望于其快速实现一个数据导出功能，它却顺手设计出一整套复杂的抽象接口。这些看似全能的 AI 助手，在实际研发链路中往往扮演着一个“过度自信的初级工程师”角色。这种盲目的代码增量，不仅未能转化为实际生产力，反而大幅抬高了代码审查（Code Review）的边际成本。

2026 年 1 月，OpenAI 联合创始人、前特斯拉 AI 负责人 Andrej Karpathy 在社交媒体上发表了一篇长文，痛陈大语言模型在编程时的各种坏毛病。随后，有开发者将这些槽点转化为了一份不到 70 行的规则文件：CLAUDE.md。令人惊叹的是，这个几乎没有代码的纯文本项目在短短几个月内斩获超过 16 万个 Star，迅速冲上 GitHub Trending 榜单。

为什么在百亿参数模型横行的今天，一个不到 70 行的 Markdown 文本文件能产生如此惊人的效果？它又是如何精准切中 AI 编程的致命痛点的？

痛点观察：AI 编程的三大顽疾

在这份文件的背后，实际上直接承载了 Andrej Karpathy 在日常 AI 协同编程实践中总结出的深刻槽点。我们往往以为 AI 写不好代码是因为“智商不够”，而 Karpathy 的观察却直指其在行为逻辑上的三大顽疾，并分点揭示了这些常态化的“翻车现场”：

1. 隐性假设与沟通缺失

大模型在接收到模糊指令时，极少会主动停下来理清疑惑。相反，它们非常擅长自作主张，替开发者做出不合理的底层假设。它们不管理自己的混乱，不寻求澄清，不暴露矛盾，甚至在逻辑不通时也从不主动推敲或拒绝（Push Back）。这种单向的“盲目狂奔”，使得最终生成的代码方向往往与真实的工程意图大相径庭。

2. 过度复杂化

AI 程序员天具备一种对“过度设计”的迷恋。Karpathy 吐槽道，它们极度喜欢把原本极其简单的单次调用或辅助工具复杂化，盲目增加设计模式、冗余抽象层和单次使用下的泛型设计。它们宁可构建一个包含 1000 行庞大架构的复杂逻辑，也想不起用最简单、直白的 100 行轻量代码来精简解决，且写完后从不主动清理死代码（Dead Code）。

3. 擅自改动无关代码

在修改某段特定功能时，大模型经常会犯一些让人啼笑皆非的“顺带修改”错误。比如它们在未能充分理解原有逻辑的前提下，会作为副作用强行改动、甚至删去邻近无关区域的注释和代码。更糟糕的是，它们常会在无关代码行里“顺手”重写一遍不属于本次任务的格式与缩进，导致在进行版本合并（Git Diff）时出现大量的邻近行污染。

规则拆解：CLAUDE.md 的四大原则

爆火的 CLAUDE.md 之所以见效极快，是因为它直接针对 Karpathy 总结的痛点，精炼出了 4 条直击要害的行为准则。

1. 先想后写（Think Before Coding）

该原则强制要求 AI 在动手前理清思路，拒绝盲目奔跑。面对不确定的需求，AI 被禁止凭空猜测，必须主动提问。若存在多种可行的实现方案，AI 需要主动列出方案的权衡利弊（Trade-offs）并交给开发者来做选择，遇到疑惑时必须立刻停下澄清。

2. 极简优先（Simplicity First）

针对大模型盲目追求架构完美的毛病，这条守则给出了严厉的限制：绝不增加未被要求的额外特性。严禁为单次使用的代码做过度抽象；严禁编写没有明确要求的多余配置项。如果 50 行代码能完美解决问题，绝对不要写成 200 行。它的衡量标准非常简单：如果一个资深架构师看到这段代码觉得繁琐，那它就必须被精简。

3. 精准外科手术式修改（Surgical Changes）

这是一项对 Diff 污染的极限防御：AI 只能触碰解决问题所必须的代码行。不得顺便优化邻近的代码格式、多余注释或重构不相关的逻辑。AI 的改动风格必须与现有代码库保持完全一致，即使它自己觉得旧风格并不完美。它只负责清理自己带来的负面产物（如未被使用的导入或变量），绝不主动清理旧代码库自带的历史遗留死代码。

4. 目标驱动执行（Goal-Driven Execution）

这一原则深刻挖掘了大模型“擅长在循环中迭代直到通过特定校验”的特性。它要求将原本模糊的、指令式的任务，转化为明确的、可验证的声明式目标。例如，不要对 AI 说“写个验证邮箱的函数”，而是要说“先针对邮箱验证的边界场景写出 5 个测试用例，然后不断运行和修复代码直到这些测试全部通过”。强大的测试环路比人类的口头要求更能帮助 AI 稳定发挥。

底层逻辑：“行为约束”为何更有效

随着大模型步入深水区，行业正陷入一个思维盲区——将 AI 辅助编程的所有翻车现场简单归咎于模型推理能力不足。然而，CLAUDE.md 的爆火向我们揭示了另一个截然不同的真相：当前 AI 协同工具的最大瓶颈往往不是模型的能力极限，而是其失控的执行行为。

从本质上讲，大模型的设计逻辑是“以概率输出生成最流畅、最符合技术完美的代码”。但是在软件工程的实际协作中，这反而成了缺点。人类项目的代码库是一套处于微妙平衡中的有机体。比起生成 10 个新的完美架构，代码库往往更需要最少的代码变动和最严格的风格契合。

通过在项目根目录放置一个 CLAUDE.md 文件，AI 编程工具在启动或执行任何指令之前，都必须被强制加载并解析这份规则。这就相当于在 AI 执行的上下文顶层强制安装了一个行为过滤器。它不需要复杂的框架配合，直接以极低的系统开销将一个浮躁、爱炫技的 AI 对话助手，驯化为一个谨慎、干练、严守纪律的一线资深工程师。

写在最后

CLAUDE.md 的现象级爆火给所有的 AI 开发者上了极为重要的一课。在底层大模型智力演进趋缓、而日常开发节奏高度依赖 AI 辅助的当下，如何通过极简的行为约束（Actions Constraint）和明确的可测试环路，将模型从不受限的代码拼图机器，引导为能完美适配人类既有系统的高级工程师，是实现高效协同的关键。

未来，随着研发团队对代码品质和维护成本要求的提升，在项目根目录下放置类似 CLAUDE.md 风格的行为规约文件，可能会成为一种常态化的工程实践。如何有效建立起人机协同的日常行为规范，也正在成为研发团队提升长期交付品质的一个务实选择。

相关资源

GitHub 规则库仓库
Karpathy 原文
Anthropic 官方开发文档