92K+ Star！这个 GitHub 仓库揭示了让 AI 编码助手「靠谱」的秘密

骑着蜗牛找妞
2 阅读6分钟

92K+ Star！这个 GitHub 仓库揭示了让 AI 编码助手「靠谱」的秘密

一份仅 4 条原则的 CLAUDE.md 文件，为何能在短短 3 个月获得 92,466 个 Star？它捕捉了 Andrej Karpathy 对 LLM 编码的核心观察，直击痛点。

🔥 仓库背景

仓库地址： github.com/forrestchan…

数据值
Stars⭐ 92,466
Forks🍴 8,882
创建时间2026-01-27
文件数量仅 1 个（CLAUDE.md）

一句话描述：

A single CLAUDE.md file to improve Claude Code behavior, derived from Andrej Karpathy's observations on LLM coding pitfalls.

翻译过来就是：一个单独的 CLAUDE.md 文件，基于 Andrej Karpathy 对 LLM 编码陷阱的观察，用来改进 Claude Code 的行为。

🎯 Andrej Karpathy 是谁？

如果你不认识他，简单介绍一下：

  • 前 Tesla AI 总监 — 负责 Autopilot 的深度学习系统
  • OpenAI 创始成员 — 参与 GPT 系列模型的开发
  • 教育家 — 制作了一系列深度学习教程（从零实现神经网络）

他有个特点：喜欢从零开始理解事物，追求简单、本质、可解释。

他的代表作：

  • micrograd — 用 100 行 Python 实现自动求导
  • makemore — 字符级语言模型教程
  • llm.c — 用纯 C 训练 LLM（不用 Python）
  • nanoGPT — 最简化的 GPT 实现

📝 核心 4 原则详解

这份 CLAUDE.md 只有 4 条原则，但每一条都精准击中 LLM 编码的痛点：

原则 1：Think Before Coding（先思考再编码）

核心思想：不要假设。不要隐藏困惑。呈现权衡。

实现之前：
- 明确陈述你的假设。如果不确定，就问。
- 如果有多种理解，把它们都呈现出来——不要悄悄选择一个。
- 如果有更简单的方法，说出来。必要时反驳。
- 如果不清楚，停下。说出困惑点。提问。

痛点： LLM 经常「假设」需求，然后悄悄执行一个可能错误的理解。

举例：

  • 用户说「添加验证」
  • LLM 直接加了一堆复杂的验证逻辑
  • 但用户可能只需要一个简单的非空检查

原则 2：Simplicity First（简单优先）

核心思想：最小代码解决问题。不要投机。

- 不要添加超出要求的特性。
- 不要为单次使用的代码做抽象。
- 不要添加未被请求的「灵活性」或「可配置性」。
- 不要处理不可能发生的错误场景。
- 如果你写了 200 行但可以只写 50 行，重写它。

自检问题：

「资深工程师会说这太复杂了吗？」如果是，简化。

痛点： LLM 经常「过度设计」，加入一堆不必要的抽象、配置、错误处理。

原则 3：Surgical Changes（精准修改）

核心思想：只改必须改的。只清理自己留下的混乱。

编辑现有代码时：
- 不要「改进」相邻代码、注释或格式。
- 不要重构没坏的东西。
- 匹配现有风格，即使你会用不同方式。
- 如果你发现无关的死代码，提一下——不要删除它。

测试标准：

每行修改都能直接追溯到用户的请求。

痛点： LLM 经常「顺手」重构周围的代码，导致 diff 里全是无关改动，review 困难。

原则 4：Goal-Driven Execution（目标驱动）

核心思想：定义成功标准。循环直到验证。

把任务转化为可验证的目标：
- 「添加验证」 → 「为无效输入写测试，然后让它们通过」
- 「修复 bug」 → 「写一个能重现的测试，然后让它通过」
- 「重构 X」 → 「确保测试前后都通过」

多步骤任务，简述计划：
1. [步骤] → 验证: [检查]
2. [步骤] → 验证: [检查]
3. [步骤] → 验证: [检查]

痛点： LLM 经常只有一个模糊的目标「让它工作」，缺少验证标准，导致反复试错。

🌟 为什么这么受欢迎？

这份 skill 之所以能获得 92K+ Star，我认为有这几个原因：

1. 直击痛点

每个用过 AI 编码助手的人都遇到过这些问题：

  • LLM 写的代码太复杂
  • LLM 「顺便」改了一堆不该改的地方
  • LLM 假设需求然后执行错误的理解
  • LLM 缺少明确的验证标准

这份 skill 精准描述了这些痛点，并提出解决方案。

2. 极简主义

  • 只有 4 条原则
  • 每条原则都有具体的行动指南
  • 没有废话，没有空洞的口号

这符合 Andrej Karpathy 的风格：简单、本质、可执行。

3. 可立即应用

你可以把这份 CLAUDE.md 直接放到项目根目录，Claude Code 就会自动遵循这些原则。

不需要配置，不需要学习，拿来即用。

🔧 社区正在如何扩展？

从 GitHub 的 PR 讨论中，我看到社区正在朝这些方向扩展：

1. 扩展为 10 原则

PR #112 提出了一个 10 原则的 fork：

  • 添加了架构层面的规则（Test Semantics、API Contracts、Boundaries 等）
  • 引入「Project Lessons」概念，创建持续学习循环
  • 创建了 GEMINI.md 和 AGENTS.md 支持更多 AI 平台

2. 添加架构和代码纪律

PR #110 添加了两个新章节：

  • Architecture & Boundaries：层规则、大小预算、类型作为契约、所有权等
  • Code-Level Discipline：命名规范、注释策略、错误处理、日志、类型卫生等

3. 多语言支持

PR #105 添加了中文镜像文档：

  • CLAUDE.zh-CN.md
  • CURSOR.zh-CN.md
  • 还添加了「Programming Principles and Workflow」章节

4. 多平台支持

PR #104 添加了 Codex skill metadata：

  • 支持 OpenAI Codex
  • 支持 Cursor
  • 保持各平台行为一致

💡 如何应用到实际工作？

方法 1：直接放到项目根目录

# 下载 CLAUDE.md
curl -o CLAUDE.md https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/CLAUDE.md

# 或者手动创建

然后把 CLAUDE.md 放到你的项目根目录。

方法 2：合并到现有 CLAUDE.md

如果你已经有项目的 CLAUDE.md，可以把这 4 条原则追加进去：

# 项目特定指令...

---

## 编码原则（源自 Andrej Karpathy 观察）

### 1. 先思考再编码
...

### 2. 简单优先
...

### 3. 精准修改
...

### 4. 目标驱动
...

方法 3：创建自己的 fork

根据你的团队习惯，扩展或修改这些原则。

🎯 效果自检

这份 skill 生效的表现：

指标效果
diff 质量减少不必要的修改
重写次数因过度复杂导致的重写减少
沟通效率澄清问题在实现之前，而非错误之后

📌 总结

这份 92K+ Star 的 skill，本质上是一份 「如何让 LLM 编码助手靠谱」的指南。

它捕捉了 Andrej Karpathy 对 LLM 编码的核心观察：

  • LLM 经常过度复杂化代码 → 用「简单优先」对抗
  • LLM 经常假设需求 → 用「先思考再编码」对抗
  • LLM 经常「顺便改进」不该改的东西 → 用「精准修改」对抗
  • LLM 经常缺少验证标准 → 用「目标驱动」对抗

简单、精准、可执行 —— 这就是它受欢迎的秘密。

🔗 相关链接

💡 如果你也在使用 AI 编码助手，不妨试试这份 skill。只需要一个文件，就能让你的 AI 助手更靠谱。

avatar
文章
阅读
粉丝