登录 注册

andrej-karpathy-skills (Claude编程避坑配置)

去点 Star
AI 模型与开发框架自动化与工作流
231,813
Stars
23,048
Forks
1,313
Watchers
139
Open Issues
未知
许可证
未知
语言
2026-01-27
创建时间
2026-04-20
最近更新

项目能做什么

基于 Andrej Karpathy 对大模型写代码误区的观察,提供一个 CLAUDE.md 文件,用于规范并改善 Claude Code 的行为。
来源:AI 基于仓库事实生成 · 内容以仓库实际 README 为准

使用说明 查看原始 README 原仓库文档

项目简介

multica-ai/andrej-karpathy-skills 是一个用于规范和改善 Claude Code 编程行为的单一规则文件(CLAUDE.md)。该项目的规则灵感来源于知名 AI 学者 Andrej Karpathy 对大语言模型(LLM)写代码时各种“踩坑点”的观察(例如:AI 经常擅自替用户做假设、把代码过度复杂化、随意改动无关代码等)。

通过注入这套明确的行为准则,能够有效约束 AI 编程助手,让它写出更简单、精准、高质量的代码。


核心功能

项目提炼了四大核心原则来针对性解决 LLM 编码常见弊病:

  1. Think Before Coding(编码前先思考) - 拒绝胡乱假设,有疑问主动提问而非盲目猜测。 - 存在模糊空间时列出多种理解并摆明利弊权衡,遇到更简单的方案主动向用户提出。

  2. Simplicity First(简单优先) - 用最少的代码解决问题,拒绝多余功能、单次调用的过度抽象及非必要的“灵活性”。 - 遇到可能只需要 50 行就能搞定的 200 行代码,要求重写简化。

  3. Surgical Changes(精准微创修改) - 只碰必须修改的代码,严禁顺带“优化”相邻无关代码、注释或格式。 - 保持项目原有代码风格,仅清理本次改动引起的未引用内容(如弃用的 imports/函数),不随意清理既有的历史废弃代码。

  4. Goal-Driven Execution(目标驱动执行) - 将命令式指令转变为可验证的目标(例如:将“修复 Bug”转变为“先写一个复现 Bug 的测试,再让测试通过”)。 - 多步骤任务制定简短计划,形成“执行 → 验证”闭环。

此外,仓库还内置了 Cursor 规则配置(.cursor/rules/karpathy-guidelines.mdc),方便在 Cursor 中同步使用。


适合谁用

  • 正在使用 Claude Code 作为日常辅助编程工具的开发者。
  • 经常受困于 AI 编程助手“过度设计”、“写一大堆无用代码”、“代码 Diff 杂乱包含大量无关改动”的开发者。
  • 使用 Cursor 且希望引入同款编码约束规则的开发者。

安装步骤

方案 A:通过 Claude Code Plugin 安装(推荐,全局生效)

在 Claude Code 交互界面中依次运行以下命令:

  1. 添加 Marketplace: /plugin marketplace add forrestchang/andrej-karpathy-skills

  2. 安装插件: /plugin install andrej-karpathy-skills@karpathy-skills

安装后,该技能将在所有项目中全局生效。


方案 B:按项目下载 CLAUDE.md(项目级生效)

  • 全新项目(直接下载文件): bash curl -o CLAUDE.md https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/CLAUDE.md

  • 已有项目(追加到现有文件末尾): bash echo "" >> CLAUDE.md curl https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/CLAUDE.md >> CLAUDE.md


在 Cursor 中使用

仓库内已包含针对 Cursor 的项目规则文件 .cursor/rules/karpathy-guidelines.mdc,用 Cursor 打开项目即可应用对应规则。若需了解在其他项目中配置等高级用法,请查看项目中的 CURSOR.md。


配置说明

这些准则本身设计为可以与项目自身的具体规范相互合并。关于具体自定义配置的完整说明,原文此处未完整展开,请查看原仓库。


常见问题

此部分原文未说明,请查看原仓库。

补充:如何判断规则是否生效? 原文给出了判定生效的几个特征: - 代码 Diff 中不必要的无关改动明显减少; - 首次编写的代码即保持精炼,过度设计和返工的情况减少; - AI 在动手写代码前,会优先抛出澄清疑问而不是犯错后再修; - PR(Pull Request)更加干净清爽。

原始 README 摘录(英文原文,节选前 3000 字符)
# Karpathy-Inspired Claude Code Guidelines

> Check out my new project [Multica](https://github.com/multica-ai/multica) — an open-source platform for running and managing coding agents with reusable skills.
>
> Follow me on X: [https://x.com/jiayuan_jy](https://x.com/jiayuan_jy)

A single `CLAUDE.md` file to improve Claude Code behavior, derived from [Andrej Karpathy's observations](https://x.com/karpathy/status/2015883857489522876) on LLM coding pitfalls.

English | [简体中文](./README.zh.md)

## The Problems

From Andrej's post:

> "The models make wrong assumptions on your behalf and just run along with them without checking. They don't manage their confusion, don't seek clarifications, don't surface inconsistencies, don't present tradeoffs, don't push back when they should."

> "They really like to overcomplicate code and APIs, bloat abstractions, don't clean up dead code... implement a bloated construction over 1000 lines when 100 would do."

> "They still sometimes change/remove comments and code they don't sufficiently understand as side effects, even if orthogonal to the task."

## The Solution

Four principles in one file that directly address these issues:

| Principle | Addresses |
|-----------|-----------|
| **Think Before Coding** | Wrong assumptions, hidden confusion, missing tradeoffs |
| **Simplicity First** | Overcomplication, bloated abstractions |
| **Surgical Changes** | Orthogonal edits, touching code you shouldn't |
| **Goal-Driven Execution** | Leverage through tests-first, verifiable success criteria |

## The Four Principles in Detail

### 1. Think Before Coding

**Don't assume. Don't hide confusion. Surface tradeoffs.**

LLMs often pick an interpretation silently and run with it. This principle forces explicit reasoning:

- **State assumptions explicitly** — If uncertain, ask rather than guess
- **Present multiple interpretations** — Don't pick silently when ambiguity exists
- **Push back when warranted** — If a simpler approach exists, say so
- **Stop when confused** — Name what's unclear and ask for clarification

### 2. Simplicity First

**Minimum code that solves the problem. Nothing speculative.**

Combat the tendency toward overengineering:

- No features beyond what was asked
- No abstractions for single-use code
- No "flexibility" or "configurability" that wasn't requested
- No error handling for impossible scenarios
- If 200 lines could be 50, rewrite it

**The test:** Would a senior engineer say this is overcomplicated? If yes, simplify.

### 3. Surgical Changes

**Touch only what you must. Clean up only your own mess.**

When editing existing code:

- Don't "improve" adjacent code, comments, or formatting
- Don't refactor things that aren't broken
- Match existing style, even if you'd do it differently
- If you notice unrelated dead code, mention it — don't delete it

When your changes create orphans:

- Remove imports/variables/functions that YOUR changes made unused
- Don't remove pre-existing dead code unless a
阅读完整原文

商业机会分析 AI 生成

AI 代码手术式审查与防冗余 GitHub Action / PR Bot

产品构想将 Karpathy 的 4 项原则转化为自动化 PR 质检工具,专门检测 AI 生成代码中的过度设计、未请求的跨文件修改以及缺失配套测试的问题,在合并前进行拦截或警示。
核心功能Surgical Diff 审查(非相关代码改动标记)、过度抽象/死代码检测、测试覆盖完整性自动校验、针对 AI PR 的自动重构建议
目标用户重度依赖 AI 辅助编码的研发团队负责人、开源仓库维护者
难度/周期中等 · 2-3 周 · 成本:轻量 Serverless 运行环境及少量 LLM API 审查成本
收费模式Freemium 模式(公开仓库免费,私有仓库按 PR 审查量或活跃开发者席位收取月费)
竞争风险静态与 LLM 组合审查的误报率控制难度大,可能打断开发者交付流畅度
依据 数据支持的判断

跨 IDE 团队级 AI Coding Rules 自动生成与分发平台

产品构想根据团队代码库结构自动生成、版本化管理并一键分发与团队规范强绑定的 CLAUDE.md、.cursorrules 等规则配置,解决配置碎片化和规则落后问题。
核心功能代码库风格与死代码偏好反向提取、多 IDE/Agent 规则自动转换分发、团队规则版本合规审计
目标用户5-50 人规模的技术团队、CTO/Tech Lead
难度/周期中等 · 3-4 周 · 成本:低(基础 Web 应用与云数据库托管成本)
收费模式B2B SaaS 订阅制(按团队规模/席位按月付费)
竞争风险各 IDE 原生规则同步机制可能逐步完善,导致纯配置管理工具被边缘化
依据 尚需验证的假设

垂直技术栈专用 Agent Skills 与企业落地咨询(依托母项目生态)

产品构想结合原作者导流的 Multica 生态,针对金融合规、嵌入式开发、重构迁移等高门槛场景,制作并出售深度调试的专有 Agent 技能包与落地内训方案。
核心功能特定技术栈(如 C++/Rust/金融级 Java)定制 Agent Skills 库、AI 编码规范制定工作坊、落地配置调试服务
目标用户有合规要求或特定架构转型诉求的传统软件研发团队
难度/周期低(偏服务与内容交付) · 1-2 周 · 成本:极低(主要是人力编写与测试工时)
收费模式一次性技能包买断制或企业技术咨询/培训费
竞争风险纯提示词和脚本资产极易被复制泄露,天花板依赖咨询工时
依据 已验证事实
AI 基于仓库公开数据分析生成,含推测成分,不构成收益承诺。
报告会保存到 个人中心

竞品与相似项目 GitHub Search 真实检索

项目中文简介Stars语言
vtroisWhite/andrej-karpathy-skills 中文介绍暂未生成
中文翻译: https://github.com/forrestchang/andrej-karpathy-skills
436 -
alchaincyf/karpathy-skill 中文介绍暂未生成
Andrej Karpathy的认知操作系统。不是语录合集,是可运行的思维框架。Made with 女娲.skill
325 -
Dodaios/ste80-humanizer 中文介绍暂未生成
STE80 Humanizer: agent skill that removes AI tells and rewri
294 Python
duolahypercho/andrej-karpathy-skills 中文介绍暂未生成
Codex-first conversion of Karpathy-inspired coding agent gui
287 -
mbeijen/andrej-karpathy-skills-cursor-vscode 中文介绍暂未生成
Andrej Karpathy skills for your Cursor or VS Code editor
274 TypeScript
ctxr-dev/llm-wiki-memory 中文介绍暂未生成
Local, git-versioned memory for AI coding agents. No RAG, no
130 JavaScript
以上为通过 GitHub 官方 Search API 检索的相似项目,功能差异与优劣势需进一步人工确认,配置 AI 后可生成对比分析。

项目优势与风险

技术成熟度创建于 2026-01-27,最近推送 2026-04-20
社区活跃Star 231,813 / Fork 23,048 / Issue 139(数据支持,可自行核实)
许可证未检测到(需人工确认)
主要风险上游项目方向可能变化;同赛道竞争者较多(见竞品表);热度与需求不完全等价

安装与使用

快速开始(以仓库 README 为准)
git clone https://github.com/multica-ai/andrej-karpathy-skills.git
cd andrej-karpathy-skills
# 请阅读仓库 README 获取确切安装步骤(依赖、配置、启动命令)
阅读原仓库文档
术语说明:Docker=应用容器(把程序和依赖打包运行);API Key=调用外部服务的密钥;Git Clone=把仓库代码下载到本地。常见错误:API Key 未配置 / 端口占用 / 数据库连接失败,多数项目在 README 的 Troubleshooting 章节有说明。