andrej-karpathy-skills

最適合誰

任何使用 AI coding agent（Claude Code、Cursor、Codex）的開發者。不分經驗等級,不分專案類型。如果你曾經被 AI 默默做了錯誤假設、寫了 1000 行當 100 行就夠、或順手重構了不該碰的程式碼,這份配置檔就是為你設計的。

我實際怎麼用

以 Claude Code Plugin 全域安裝,一行指令完成。安裝後不需要特別觸發,四原則會自動影響 AI 的行為模式。實測下來,AI 在修改程式碼時更常列出假設並詢問,減少了未被要求的重構行為。對於不確定的部分會主動說「我假設 X,如果不對請告訴我」而非默默選擇一個方向。

真正強的地方

四原則的設計是正交的,各自解決一個獨立問題。「先思考再編碼」處理輸入端,要求 AI 列出假設並在不確定時詢問。「簡單優先」處理輸出規模,禁止實作未被要求的功能和不必要的抽象層。「外科手術式修改」處理修改邊界,每一行改動都要能直接追溯到使用者的請求。「目標驅動執行」處理驗證閉環,將模糊指令轉換為帶有查核點的可驗證步驟。

EXAMPLES.md 提供了大量 before/after 程式碼對比。最深刻的洞見是：LLM 的過度工程化通常不是因為缺乏技術能力,而是「在錯誤時間點應用正確知識」。它知道策略模式,所以對每個簡單計算都用策略模式。知識本身沒錯,時機錯了。

失敗模式與不該用的情境

本質上是 prompt-level 的 soft constraint。在長對話或極複雜的多步驟任務中,AI 可能逐漸「忘記」這些準則。沒有 lint、hook 或測試來強制執行。對簡單任務可能產生不必要的摩擦,例如改一個明確的 bug 時 AI 仍然先列假設再問你確認。作者自己也說：「These guidelines bias toward caution over speed. For trivial tasks, use judgment.」

價格、上手門檻與風險

MIT License,完全免費。安裝門檻幾乎為零,Plugin marketplace 一鍵或 curl 一行。風險極低,純 Markdown 配置,無遠端呼叫,無資料收集。唯一需注意的是與既有 CLAUDE.md 的優先級競爭,建議以附加合併方式整合。

結論

158K 星標的背後是真實的需求。這份 65 行的配置檔不會把 AI 變成完美的工程師,但會讓它犯更少的結構性錯誤。作為 AI coding agent 的基礎行為層,值得全域安裝。效果是「顯著改善」而非「完全解決」,這是最誠實的評估。

來源

• GitHub Repository
• 原始觀察：Andrej Karpathy X 貼文
• 授權：MIT License