卡帕西AI编程技能全面开源，Claude Code/Cursor轻松上手

在AI编程浪潮中，Andrej Karpathy这位OpenAI创始成员、前 Tesla Autopilot 负责人，也是"Vibe Coding这个词的提出者，正以惊人的速度拥抱变革。他曾公开分享，自己从80%手动+自动补全代码、20%依赖智能体，迅速转变为80%由AI智能体写代码，仅保留20%编辑和润色工作。

在使用AI编程的过程中Karpathy观察到，AI智能体在写代码时常犯“默默做错假设、不求澄清、过度复杂化、随意改动无关代码”等错误。

基于这些洞察，开发者整理了一个名为andrej-karpathy-skills的开源项目。将Karpathy的观察浓缩成一套核心行为规则，通过一个简单的CLAUDE.md文件，就能显著减少AI智能体编程中的常见错误。目前，该项目已在GitHub收获117kstars。

该项目将karpathy洞见提炼为四条行为准则，以系统性方式指导AI智能体在编程、审查和重构过程中的决策逻辑。

（1）Think Before Coding（先思考再编程）

AI智能体常默默做出假设并一路执行，导致隐蔽错误。该原则要求模型明确陈述假设、呈现多种可能解释、在必要时提出异议，并在困惑时主动求澄清，以避免AI盲目前进。

（2）Simplicity First（简洁优先）

编程智能体特别容易过度工程化，制造上千行代码来解决本可用100行完成的问题。该原则强调只实现明确需求，不添加未被要求的特性或抽象，无需为不可能场景写错误处理。如果代码能从200行精简到50行，就必须重写。它用“资深工程师会不会觉得过于复杂”作为检验标准，有效对抗AI的“炫技冲动”。

（3）Surgical Changes（精准修改）

AI经常会在编辑时“顺手”改动无关代码、注释或格式，甚至删除自己不完全理解的部分。

因此，该原则要求模型只触碰必须修改的内容，严格匹配现有风格，只清理自己产生的孤儿代码（如无用导入），对原有的死代码仅报告而不擅自删除。这极大减少了附带损害，让diff更干净、可控。

（4）Goal-Driven Execution（目标驱动执行）

Karpathy指出，AI智能体擅长根据明确成功标准进行循环迭代。

该原则教导模型将指令转化为可验证目标，比如“添加验证”变成“为无效输入测试，并让其通过”；“修复 bug”变为“编写重现 bug 的测试，然后让它通过”；“重构 X”变为“确保重构前后测试都能通过”。

多步任务则列出带验证点的简要计划。这让AI能独立循环优化，而非依赖开发者反复纠错。

整个项目以完整段落和实际示例呈现这些规则，还提供了EXAMPLES.md展示常见错误与正确做法。

通过这些规则，开发者在处理复杂任务时能显著减少低级错误和隐蔽 bug，同时不会牺牲简单任务的代码流畅度。

（1）在Claude Code中安装

#添加插件市场/plugin marketplace add forrestchang/andrej-karpathy-skills
#安装插件/plugin install andrej-karpathy-skills@karpathy-skills

或者在某个项目中使用该skills：

#新项目curl -o CLAUDE.md https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/CLAUDE.md
#已有项目echo"">> CLAUDE.mdcurl https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/CLAUDE.md >> CLAUDE.md

（2）在 Cursor 中安装

把.cursor/rules/karpathy-guidelines.mdc复制到目标项目的 .cursor/rules/ 目录下（没有文件夹就新建），可按需调整内容或和已有规则合并。

andrej-karpathy-skills 不再只追求让 AI 多写代码，而是引导 AI 写得更靠谱。它帮助开发者减少盲目信任带来的坑，建立更理性的人机协作方式。

随着 LLM 能力持续提升，AI 编程正在快速渗透到软件开发的各个环节。而类似 andrej-karpathy-skills 这样沉淀顶尖工程师经验、标准化 AI 行为规范的项目，会逐渐成为越来越多开发者手中的实用工具。

它能够让个体开发者在复杂任务中少走弯路并提升代码质量，也为Vibe Coding从“野蛮生长”走向“规范成熟”提供了重要参考。