1.1 概念：什么是Karpathy Skills？
Karpathy Skills是一个不到70行的Markdown文件，由开发者Forrest Chang根据Andrej Karpathy的观察编写而成。

它不依赖任何框架，不需要安装任何插件——只需要把文件放在项目根目录，AI就会自动遵守它的规则。

为什么它能火？

2025年，这个项目冲上GitHub趋势第一，收获60k+ Stars。不是因为技术复杂，而是因为它解决了最痛的点：AI不听话。

1.2 核心理念：四条铁律
原则1：编码前思考
原文：遇到模糊需求，必须先问、不能猜。

AI的行为变化：

之前 之后
直接写代码 输出【理解】【假设】【边界】【待确认】
擅自决定用Redis 问“用什么缓存方案？”
假设API存在 问“API密钥从哪里获取？”
实战示例：

用户说：“加个日志功能。”

遵守规则的AI会输出：

text
【理解】需要在系统中添加日志记录功能
【假设】

1. 日志级别包括INFO、WARN、ERROR
2. 日志输出到文件而非控制台
   【边界】
3. 磁盘空间不足时的处理？
4. 日志文件多大时轮转？
   【待确认】
5. 使用Python自带的logging还是第三方库？
6. 日志保留天数？
   原则2：简洁优先
   原文：用最少的代码解决问题。不加未请求的功能。

AI的行为变化：

之前 之后
写抽象基类 直接写函数
加设计模式 最简单的实现
处理不可能发生的异常 只处理必要的错误
限制条件：

单个函数不超过50行

不使用抽象类（除非3个以上具体实现）

不添加“未来可能需要”的代码

原则3：精准修改
原文：只碰必须碰的地方。

AI的行为变化：

之前 之后
顺手格式化整个文件 只改任务相关的行
删除“看起来没用”的注释 保留所有注释
重命名没改过的变量 不动无关代码
限制条件：

一次变更只改≤3个文件

不reformat未修改的代码

不删除注释（哪怕是看起来没用的）

原则4：目标驱动
原文：给目标不给步骤，让AI自己验证。

AI的行为变化：

之前 之后
“完成了” 提供测试通过的证据
凭感觉说能跑 实际运行并输出结果
跳过验证 验证是完成的前提
示例：

之前：“修复了bug，已解决。”

之后：“先写了复现bug的测试(FAIL)，修改代码后测试通过(PASS)，输出如下：[测试结果]”

1.3 解决什么问题？

问题 Karpathy如何解决
AI瞎猜需求 原则1：强制反问
代码过于复杂 原则2：限制行数和抽象
改动范围过大 原则3：限制文件数量
虚假完成 原则4：要求验证证据
1.4 安装方法
方式一：直接下载（推荐）
bash

在项目根目录执行

curl -o CLAUDE.md https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/CLAUDE.md
方式二：在Antigravity/Cursor中配置
将内容粘贴到：

Antigravity：.claude/rules.md

Cursor：.cursor/rules/karpathy-guidelines.mdc

方式三：全局安装（所有项目生效）
bash

克隆到全局目录

git clone https://github.com/forrestchang/andrej-karpathy-skills.git ~/.karpathy-skills

在IDE中配置指向该目录

1.5 验证是否生效
在Agent面板输入一个模糊需求，比如：“帮我优化一下代码。”

未生效时的响应：

“好的，我帮你优化……[直接开始改代码]”

生效后的响应：

text
【理解】你希望优化现有代码……
【假设】

1. 优化方向是性能/可读性/可维护性？
2. 需要优化的具体模块是？
   【待确认】
3. 优化的主要目标是什么？
4. 是否需要保持对外接口不变？
   如果看到【理解】【假设】【待确认】格式，说明Karpathy规则已生效。

1.6 今天对话中的干货
为什么70行就能起效？
问：这么短的规则，AI真的会遵守吗？

答：大模型的指令遵循能力很强。关键在于规则不是“建议”，而是“命令”。CLAUDE.md放在项目根目录，AI每次对话前都会读取。相比复杂的系统提示，简洁的规则反而更容易被严格执行。

与系统提示的区别

维度 系统提示 Karpathy Skills
位置 IDE设置里 项目根目录
版本控制 否（个人配置） 是（随项目共享）
团队协作 每个人独立配置 统一规则，代码即规范
长度限制 通常有上限 无限制