AI编程防错指南Karpathy四条编码原则【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你需要的那个文件上传功能是 50 行AI 给你交回来 200 行还带抽象工厂和重试策略。——同事指着屏幕说了这么一句。他其实只说了“帮我写个上传功能”。这个仓库就是从 Karpathy 对 LLM 写代码易踩的坑里提炼出的4 条 AI 编程防错原则用来给 AI 协作划护栏先划边界再动手。 四条防错原则逐条说四条都是关于“AI 该怎么干活”的规则不涉及具体技术但条条可执行。把假设摆到桌面上**Think before coding编码前思考**就是别闷头选一个解释就往下写把你打算做的假设写出来拿不准的就问。你加个用户验证。 AI验证到哪一步只查邮箱格式还是整套 OAuth只查格式的话 10 行就够。 你查格式就行。规则动手写第一行代码前先列出你做了哪些假设任何一条假设验证不了先问别猜。只写必需的 50 行**Simplicity first简单优先**就是只写能解决眼前问题的最少代码不为“万一”预置抽象和可配置项。你写个头像文件上传函数架构上有什么讲究吗 AI50 行存磁盘、返回 URL。目前只有一个上传入口不需要模式。 AI以后真加了第二种上传类型再抽公共逻辑现在不预建。规则写完问自己一句“资深同事会不会说这写复杂了”会的话就压回最短的那版。改完只看自己那三行**Surgical changes手术式修改**就是改代码时只碰必须碰的部分隔壁的屎山代码指出来但不伸手。你登录这里空指针修一下。 AI改了 3 行只删掉我这次改动弄出来的孤儿 import。 AI旁边那段旧的密码加密代码看着像死代码我没动写在 PR 备注里。规则每一行改动都要能对应到你说的某一句要求对应不上的别急着改回去交差。把“修一下”变成可验证的目标**Goal-driven目标驱动**就是先说清楚什么算“完成”AI 才能自己跑验证循环不用每步都来问你。你这个排序 bug 修一下。 AI先写个能稳定复现的测试再修然后跑全量测试。 AI完成标准新测试通过存量测试无一失败。标准要是“让它能跑”我得每步都问你一遍。规则任务开始先写下“完成”的标准——哪些测试要过、什么指标要达标写不出来就先别开工。 原则怎么嵌进日常工作流旧流程四步结果你我都熟你提需求AI 直接生成代码你跑起来发现问题来回改几轮新流程多了两步但能一次到位你提需求AI 列出假设把没想清楚的地方问回来你确认需求细节AI 给出实现计划和验证方式AI 分步实现每步验证你拿到的是已验证的代码把这个仓库里的 CLAUDE.md 拷到你项目根目录AI 开工前就会读到它。整个仓库可以用git clone https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skills拿到核心条目长这样# CLAUDE.md 核心条目 1. Think Before Coding先列假设不确定就问 2. Simplicity First最小实现200 行能压到 50 行就重写 3. Surgical Changes只改必须改的只清理自己弄乱的 4. Goal-Driven先定验证标准循环到通过 高频场景速查三个最常用的场景每个一句话修 bug遇到线上报错一行 → 先让 AI 写个能复现的测试而不是直接改代码 → 验收看新测试通过、存量测试无一失败、diff 里只有和 bug 相关的行。写新接口遇到“加个查询接口” → 先让 AI 把分页、权限、错误返回格式这些假设列出来逐条确认 → 验收看只实现了你要的端点且每个错误分支都有对应测试。重构旧代码遇到老模块太厚想拆开 → 先跑一遍现有测试留底让 AI 说出风险点和计划 → 验收看重构前后测试全绿、对外行为不变。 划的是边界不是锁能力这四条原则的本质是给 AI划边界而不是锁它的发挥哪里可以假设、哪里必须问、代码可以碰多远、什么状态不能算完成边界画清楚它反而跑得更快。完整规则文本在 CLAUDE.md逐条的使用场景在 skills/karpathy-guidelines/SKILL.md下次写 AI 编程任务前翻一遍。【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