别让AI把代码越写越肥:LLM编码规范4条军规速查指南 别让AI把代码越写越肥LLM编码规范4条军规速查指南【免费下载链接】andrej-karpathy-skillsA single CLAUDE.md file to improve Claude Code behavior, derived from Andrej Karpathys observations on LLM coding pitfalls.项目地址: https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skillsAI辅助编程里模型总爱“替你做主”不确认就乱做假设100行能搞定偏要写1000行还会顺手“优化”它压根没看懂的代码。andrej-karpathy-skills 是从 Andrej Karpathy 的观察出发整理的一套 LLM 编码规范本质是一个 CLAUDE.md 文件放进项目根目录就能约束模型行为。一句话定位给AI结对程序员立份行为契约一句话它是给AI编码工具立的“行为守则”。不是框架、不引入依赖、几乎没有学习成本。只要你在用AI写代码并且受够了每次都要盯着diff挑毛病它就用得上。规范自己说得很直白它偏向谨慎牺牲一点速度。修拼写错误这种小事不用走全套流程凭判断来就行。 它治的“病”两个想掀桌子的现场场景一你只是让它“给这个接口加个入参校验”它回你一个抽象策略类、一套枚举、一坨配置项三百行起。没一样是你点名的全是它自作主张“顺手”搭的。场景二让你修一行bugdiff回来却带着一堆格式变更、注释删除和相邻函数重写。模型在动它没弄懂、也没人让它碰的代码。前者是过度工程病后者是改动失守病。这个项目就是冲这两个毛病开的药逼模型先想清楚、摆出假设再动手并且要求每一行改动都能追溯回你的原始需求。 核心方法速览4条规范一张表规范一句话解释落地动作编码前先想不假设、不藏困惑开工前列明假设存在多种理解就摆出来让你选觉得有更简单方案要敢于顶回来简单优先只写解决问题的代码不请求的功能不加一次性用法不做抽象不为不可能发生的场景做防御外科手术式改动只碰必须碰的匹配现有风格发现无关死代码只提不删自己改出来的孤儿代码自己清理目标驱动执行先定成功标准把“加校验”改成“先写失败测试再让它通过”多步任务先列步骤加验证点最后一条背后是 Karpathy 的观察模型最擅长“朝着明确目标反复迭代”。你不给它拆步骤只给它一个清晰的“完成标准”它自己转起来反而比听指令更靠谱。完整条文在 skills/karpathy-guidelines/SKILL.md扫一眼只要几分钟。 三步跑起来第一步拿到文件。整个仓库核心就是那份规范文件直接克隆git clone https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skills第二步接入项目。新项目直接把 CLAUDE.md 放进项目根目录老项目把内容追加到现有 CLAUDE.md 末尾再补上你自己的项目约定比如“TypeScript 开 strict 模式”“所有接口必须有测试”。第三步用 Claude Code 的话还可以装成插件先在终端执行/plugin marketplace add forrestchang/andrej-karpathy-skills再执行/plugin install andrej-karpathy-skillskarpathy-skills规范就在你所有项目里生效不用再逐个拷贝。✅ 落地检查清单用起来的5个自问假设摆出来了吗模型开工前有没有先亮出它的理解还是闷头就干diff干净吗每一行改动都能对应上你的需求没有夹带格式和注释变动代码量合理吗50行能干完的事有没有写成200行让“资深工程师会不会觉得过度”来裁判。有完成标准吗任务描述是可验证的测试通过、行为明确还是含糊的“让它能跑”澄清发生在写码前吗模糊点是在动手前问的还是翻车之后才问两周后回看diff里无关变更变少、过度工程导致的重写变少、提问出现在实现之前——说明这套规范真的接上了。❓ FAQQ会不会让AI变慢规范明确偏向谨慎简单任务上会多一轮“先确认”的交互。但省下来的时间在非平凡任务上你review和返工花掉的远比多问两句多。Q只能配Claude Code用吗不是。它基于纯文本的 CLAUDE.md任何支持“项目级指令文件”的AI工具都能套用仓库里还附带了 Cursor 的规则文件改个文件名丢进你的工具配置位置即可。Q和项目原有约定冲突怎么办这个文件本来就是按可合并设计的把自己的项目特定规则追加到末尾就行规范负责托底行为不越权覆盖你的约定。结语andrej-karpathy-skills 做的事是把“资深工程师的常识”翻译成模型必须遵守的规则。它不会让你的AI无所不能但会让产出更可预测更少的无关改动、更少的重写、提问发生在代码之前。今天丢进一个项目试试明天看看diff。【免费下载链接】andrej-karpathy-skillsA single CLAUDE.md file to improve Claude Code behavior, derived from Andrej Karpathys observations on LLM coding pitfalls.项目地址: https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skills创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

相关新闻

最新新闻

Transformers 模型定义框架:500+ 架构与 100 万+ 预训练权重如何跑通统一 API

Transformers 模型定义框架:500+ 架构与 100 万+ 预训练权重如何跑通统一 API

Transformers 模型定义框架:500 架构与 100 万 预训练权重如何跑通统一 API 【免费下载链接】transformers 🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal mo…

2026/8/28 9:59:54
llama.cpp MUSA 后端编译告警:三类症状与修复清单

llama.cpp MUSA 后端编译告警:三类症状与修复清单

llama.cpp MUSA 后端编译告警:三类症状与修复清单 【免费下载链接】llama.cpp LLM inference in C/C 项目地址: https://gitcode.com/GitHub_Trending/ll/llama.cpp 在 llama.cpp 中开启 MUSA 后端后,最常见的构建问题集中在三处:工具…

2026/8/28 9:59:54
Jetson Nano上ROS常用命令实战:从基础原理到边缘计算调试技巧

Jetson Nano上ROS常用命令实战:从基础原理到边缘计算调试技巧

1. 项目概述与学习路径 最近在Jetson Nano上折腾ROS,环境是Ubuntu 18.04,跟着赵虚左老师的《ROS理论与实践》课程一步步走。刚啃完第五章,讲的是ROS的常用命令。说实话,这一章内容看着基础,但真是“地基不牢&#xff0…

2026/8/28 9:59:54
YOLO森林火灾烟雾检测数据集构建与模型训练全流程实战

YOLO森林火灾烟雾检测数据集构建与模型训练全流程实战

简介:目标检测是计算机视觉的核心任务之一,旨在从图像中定位并识别出感兴趣的目标。其原理通常基于深度学习模型,通过卷积神经网络提取特征,并利用回归和分类头输出目标的边界框与类别。这项技术在安防监控、自动驾驶、工业质检等…

2026/8/28 9:59:54
AI生成的小说为何缺乏灵魂?大语言模型辅助写作的正确打开方式

AI生成的小说为何缺乏灵魂?大语言模型辅助写作的正确打开方式

如果有人说“I wont read LLM authored fiction”,我第一反应不是觉得他偏激,而是想知道他是不是被某篇 AI 小说狠狠折磨过。我的态度差不多:我不会主动去读标注为“LLM 写作”的小说,但这不代表我反对所有人用大模型辅助写作。真…

2026/8/28 9:59:54
从源码剖析AI论文写作工具:架构、提示词工程与二次开发实战

从源码剖析AI论文写作工具:架构、提示词工程与二次开发实战

简介:大语言模型(LLM)通过其强大的自然语言理解和生成能力,正在深刻改变内容创作的方式。其核心原理是基于海量数据训练出的Transformer架构,能够根据上下文预测并生成连贯文本。这一技术价值在于,它能将通…

2026/8/28 9:54:54