【GitHub项目推荐--Andrej Karpathy Skills：给 AI 编程套上“工程缰绳”】⭐⭐⭐⭐⭐-平芜编程栈

GitHub 地址：https://github.com/forrestchang/andrej-karpathy-skills

简介

Andrej Karpathy Skills 是一套针对 Claude Code 等 AI 编程助手的工程约束规则集。它源于 OpenAI 创始成员 Andrej Karpathy 对当前 AI 编程痛点的深刻洞察——AI 常常“过度自信地犯错”：它们会擅自假设、过度抽象、删除不理解但关键的代码。

这个项目不是新的 AI 模型，而是一套“防呆”指南。它将资深工程师的审慎思维编码成 AI 能理解的规则，强制 AI 在“写代码”和“改代码”时遵循最小化、可验证、非侵入性的原则，从而将 AI 从“容易闯祸的实习生”转变为“严谨的工程伙伴”。

主要功能

1. 四大核心原则（防“AI 式”犯错）

这套技能通过四条铁律，直接针对 AI 编程的四大顽疾：

不假设、不隐藏困惑（Don't assume. Don't hide confusion）
- 痛点：AI 常会 silently pick an interpretation（ silently 选择一个错误的理解并跑下去）。
- 规则：强制 AI 在遇到歧义时显式化推理（Surface tradeoffs），列出所有可能的理解路径，并要求用户澄清，而不是自作主张。
最小化代码（Minimum code that solves the problem）
- 痛点：AI 酷爱过度工程（overcomplicate），用 1000 行抽象的“架构”去解决 100 行脚本就能搞定的问题。
- 规则：引入“Senior Engineer Test”（资深工程师测试）——如果资深工程师认为这过于复杂，就必须简化。禁止 speculative code（ speculative 代码）。
仅触碰必须项（Touch only what you must）
- 痛点：AI 在修改代码时，常会“顺手”删除或修改它不理解但实际在用的注释或代码，造成隐性破坏。
- 规则：只清理自己的烂摊子（Clean up only your own mess）。每一行被更改的代码都必须能直接追溯到用户请求，绝不产生孤儿代码（orphans）。
目标驱动执行（Define success criteria. Loop until verified）
- 痛点：AI 往往“做完了事”，缺乏自测闭环。
- 规则：将指令从“做这个”（imperative）转变为“达到这个状态”（declarative）。AI 必须先定义明确的成功标准，然后循环测试直到达标，否则自动重试。

2. 多模态集成

Claude Code Plugin：作为插件安装后，这些原则会成为 AI 的底层思维框架，在所有项目中生效。
CLAUDE.md：作为项目级配置文件，可与现有的工程规范（如代码风格、架构约束）无缝合并。

安装与配置

方案 A：Claude Code 插件（推荐）

这是最便捷的方式，让技能全局生效：

在 Claude Code 界面中，首先添加插件市场（如果尚未添加）：
/plugin marketplace add
安装 Andrej Karpathy Skills：
/plugin marketplace install forrestchang/andrej-karpathy-skills

安装后，AI 在思考时会自动加载这些约束规则，无需在每个项目中重复配置。

方案 B：项目级配置 (CLAUDE.md)

如果你希望规则仅对特定项目生效，或与团队规范结合：

新项目：将仓库中的CLAUDE.md文件内容复制到项目根目录的CLAUDE.md中。
现有项目：将规则内容追加到你现有的CLAUDE.md文件末尾。

配置建议：对于核心库或遗留系统，建议采用方案 B 并叠加项目特定规则（如“禁止使用某些已弃用的 API”），实现双重约束。

如何使用

1. 识别“生效”信号

当你正确安装后，AI 的行为会发生明显变化，你可以通过以下信号判断规则是否生效：

话变多了：AI 会开始问你 clarifying questions（澄清问题），而不是直接开干。
先给计划：对于复杂任务，AI 会先输出一个 Step-by-Step Plan（ step-by-step 计划）让你确认。
代码变短：生成的代码会明显更简洁、更“直给”，少了层层封装。

2. 工作流：从“指令”到“验证”

下达目标指令：不要只说“修复这个 Bug”，要说“确保函数在输入为 null 时返回默认值，并添加一个测试用例验证它”（符合 Goal-Driven 原则）。
等待澄清与计划：AI 会列出它理解的任务边界和可能的风险点，等你确认。
接收最小化代码：AI 只提交与任务直接相关的代码变更，且会附上验证结果（如测试通过截图）。
安全迭代：如果验证失败，AI 会基于成功标准自动循环，而不是等你手动说“再试一次”。

应用场景实例（无代码）

场景一：重构“屎山”时的安全网

痛点：你让 AI 重构一个古老的支付模块。通常 AI 会兴奋地引入现代框架，把代码全部重写，最后导致依赖它的十几个未知模块全部报错。

Andrej Skills 介入后：

AI 首先会列出风险：“我注意到这个模块被 A、B、C 三个服务导入。重构可能破坏它们的兼容性。你需要我：
- a) 只重构内部逻辑，保持接口不变？
- b) 先为旧接口创建适配器？”
你选择 a) 后，AI 会仅修改内部实现，并生成接口调用对比测试，确保输入输出行为 100% 一致。
结果：重构安全完成，没有引爆周边地雷。