别再返工了用一份免费 CLAUDE.md 快速约束 AI 编程的常见坏习惯【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你让 Claude Code「加个用户数据导出功能」等它干完活发现它写了一百多行策略模式还顺手把文件里的引号风格全改了。问题不在模型能力在于没人给它立规矩。andrej-karpathy-skills 就是一份免费的 AI 编程行为准则一个 CLAUDE.md 文件放进项目根目录收敛自作主张、过度设计、乱动无关代码这几类高频失误。项目定位写给每天用 Claude Code 写码的人 它本质是个极小的文档仓库核心只有六十来行的 CLAUDE.md其余的 EXAMPLES.md、CURSOR.md、skills/ 都是配套材料。针对的是 Andrej Karpathy 指出的三个 LLM 编程通病替你做了假设却不验证、把抽象吹成大胖子、修改与任务无关的注释和代码。用 Claude Code 等 AI 终端日常写码经常要接手已有代码的人合并 PR 前得审 diff总被一堆「顺手改动」惊到的 reviewer想统一团队 AI 协作口径又不想写一本长篇规范最快上手三步把行为准则接进项目 ⚡第一步把仓库拿下来git clone https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skills第二步选一种接入方式按项目用把 CLAUDE.md 拷到项目根目录。已有自己的 CLAUDE.md 就不要覆盖把内容追加到文件末尾即可全局用推荐在 Claude Code 里装插件一次配置所有项目生效/plugin marketplace add forrestchang/andrej-karpathy-skills /plugin install andrej-karpathy-skillskarpathy-skillsCursor 用户把.cursor/rules/karpathy-guidelines.mdc拷进目标项目同目录规则自带 alwaysApply无需额外配置第三步验证。先派个小任务观察它的行为而不是界面——安装后界面上看不到任何变化区别只体现在 AI 怎么干活。文件本身只有四个章节每章一句主张加几条细则两分钟能读完。核心拆解这份 CLAUDE.md 到底在管什么 把它当成新员工的《入职守则》不写死每个细节只划定最容易出事的四类底线。先问清楚再动手把假设摆上桌要求 AI 开工前把假设明说出来需求有多种理解时全部列出来卡住了就停下问。为什么有用返工最大的来源是「默默选了一种解释然后狂奔」。你一句「加导出功能」它默认导出全量用户、默认存成 JSON、默认写到项目根目录——每一步都没人确认过。小例子合规的回答是列出四个问题再动手——全量还是筛选后的数据走浏览器下载、后台任务还是 API哪些字段敏感数据量多大而不是直接User.query.all()一把梭。够用就行拒绝为明天写抽象只实现被要求的东西没人要的可配置性、缓存、异常分支一律不加。为什么有用装修不会给「将来也许加第二个卫生间」预留水管。提前抽象的代码更难读、更难测将来要删也费劲。小例子需求是「写个折扣计算函数」❌ 的交付是抽象类 策略模式 配置 dataclass 三十行✅ 的交付是def calculate_discount(amount, percent): return amount * (percent / 100)将来真冒出多种折扣类型那时再重构一点不晚。改动控制在边界内diff 里只留必要行改现有代码时只碰与任务直接相关的行风格跟着项目走发现无关的死代码只报告、不删除。为什么有用物业上门修水管只会动水管不会顺手重刷整间屋。AI 的「顺手改进」在 diff 里不显山露水却污染了变更、让回滚变得不可能。小例子原文给的验收标准可以直接抄——每一行改动都能追溯到你的请求追溯不到的就不该出现在 diff 里。给任务配验收标准把「修好它」变可验证把模糊指令翻译成带验证循环的目标多步任务写计划每步挂一个 verify 检查项。为什么有用LLM 最擅长「循环直到达成目标」。你说「让它能跑」它会不停回来问你你给出明确判据它就能自己闭环。小例子「加验证」→「先给无效输入写测试再让测试通过」「修 bug」→「先写一个能复现 bug 的测试再修到通过」。像点菜时说清「辣度、不要葱」比说「来点好吃的」省得多。效果对比同一个任务两种交付 ⚖️任务都是「给上传函数加日志」。❌ 没有约束时常见交付引号从单引号批量换成双引号、函数签名加上没人要的类型注解和 docstring、把 if/else 返回值重构成布尔表达式。三十行 diffreview 的人不敢合。✅ 装了准则后的交付 logger logging.getLogger(__name__) def upload_file(file_path, destination): logger.info(fStarting upload: {file_path}) # 其余行原样保留只加三行引号、缩进、返回风格全部跟随原代码每一行都能用「加日志」这个请求解释。避坑三个容易忽略的细节 ️它偏稳不偏快。原文自己声明这是 caution over speed 的取舍。改错别字、一行修复这类琐事别硬套完整流程否则 AI 开发会比手写还慢。Cursor 默认不读 CLAUDE.md。用 Cursor 就得配 .mdc 规则文件否则准则对它是死文字只有 Claude Code 入口生效。改准则要三处同步。仓库对贡献者的要求是动四条原则之一时CLAUDE.md、Cursor 规则文件、skills/ 下的技能定义要一起改否则三个工具入口各说各话。适用边界什么时候值得用什么时候省掉 值得用接手遗留代码、跨文件改动、重构以及 diff 要进合并评审的协作场景——这些场景返工成本高准则的「慢一点」换来的是「不用再来一遍」。可以省掉自己独占的新项目单文件脚本、一行能改完的小任务、团队已有更细的 lint 规则和评审清单直接合并进你自己的 CLAUDE.md别叠两层。一句话判据返工成本越高越值得挂上这份准则。下一步 这个仓库的价值就一条给模型划出规则边界再配上可验证的成功标准。别等「合适的时候」——现在就把 CLAUDE.md 丢进你最近最活跃的那个项目派给它一个容易改出边的任务完成后看 diff每一行改动是不是都能对应到你的请求。能就说明它立住了。【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 别再返工了：用一份免费 CLAUDE.md 快速约束 AI 编程的常见坏习惯
别再返工了用一份免费 CLAUDE.md 快速约束 AI 编程的常见坏习惯【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你让 Claude Code「加个用户数据导出功能」等它干完活发现它写了一百多行策略模式还顺手把文件里的引号风格全改了。问题不在模型能力在于没人给它立规矩。andrej-karpathy-skills 就是一份免费的 AI 编程行为准则一个 CLAUDE.md 文件放进项目根目录收敛自作主张、过度设计、乱动无关代码这几类高频失误。项目定位写给每天用 Claude Code 写码的人 它本质是个极小的文档仓库核心只有六十来行的 CLAUDE.md其余的 EXAMPLES.md、CURSOR.md、skills/ 都是配套材料。针对的是 Andrej Karpathy 指出的三个 LLM 编程通病替你做了假设却不验证、把抽象吹成大胖子、修改与任务无关的注释和代码。用 Claude Code 等 AI 终端日常写码经常要接手已有代码的人合并 PR 前得审 diff总被一堆「顺手改动」惊到的 reviewer想统一团队 AI 协作口径又不想写一本长篇规范最快上手三步把行为准则接进项目 ⚡第一步把仓库拿下来git clone https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skills第二步选一种接入方式按项目用把 CLAUDE.md 拷到项目根目录。已有自己的 CLAUDE.md 就不要覆盖把内容追加到文件末尾即可全局用推荐在 Claude Code 里装插件一次配置所有项目生效/plugin marketplace add forrestchang/andrej-karpathy-skills /plugin install andrej-karpathy-skillskarpathy-skillsCursor 用户把.cursor/rules/karpathy-guidelines.mdc拷进目标项目同目录规则自带 alwaysApply无需额外配置第三步验证。先派个小任务观察它的行为而不是界面——安装后界面上看不到任何变化区别只体现在 AI 怎么干活。文件本身只有四个章节每章一句主张加几条细则两分钟能读完。核心拆解这份 CLAUDE.md 到底在管什么 把它当成新员工的《入职守则》不写死每个细节只划定最容易出事的四类底线。先问清楚再动手把假设摆上桌要求 AI 开工前把假设明说出来需求有多种理解时全部列出来卡住了就停下问。为什么有用返工最大的来源是「默默选了一种解释然后狂奔」。你一句「加导出功能」它默认导出全量用户、默认存成 JSON、默认写到项目根目录——每一步都没人确认过。小例子合规的回答是列出四个问题再动手——全量还是筛选后的数据走浏览器下载、后台任务还是 API哪些字段敏感数据量多大而不是直接User.query.all()一把梭。够用就行拒绝为明天写抽象只实现被要求的东西没人要的可配置性、缓存、异常分支一律不加。为什么有用装修不会给「将来也许加第二个卫生间」预留水管。提前抽象的代码更难读、更难测将来要删也费劲。小例子需求是「写个折扣计算函数」❌ 的交付是抽象类 策略模式 配置 dataclass 三十行✅ 的交付是def calculate_discount(amount, percent): return amount * (percent / 100)将来真冒出多种折扣类型那时再重构一点不晚。改动控制在边界内diff 里只留必要行改现有代码时只碰与任务直接相关的行风格跟着项目走发现无关的死代码只报告、不删除。为什么有用物业上门修水管只会动水管不会顺手重刷整间屋。AI 的「顺手改进」在 diff 里不显山露水却污染了变更、让回滚变得不可能。小例子原文给的验收标准可以直接抄——每一行改动都能追溯到你的请求追溯不到的就不该出现在 diff 里。给任务配验收标准把「修好它」变可验证把模糊指令翻译成带验证循环的目标多步任务写计划每步挂一个 verify 检查项。为什么有用LLM 最擅长「循环直到达成目标」。你说「让它能跑」它会不停回来问你你给出明确判据它就能自己闭环。小例子「加验证」→「先给无效输入写测试再让测试通过」「修 bug」→「先写一个能复现 bug 的测试再修到通过」。像点菜时说清「辣度、不要葱」比说「来点好吃的」省得多。效果对比同一个任务两种交付 ⚖️任务都是「给上传函数加日志」。❌ 没有约束时常见交付引号从单引号批量换成双引号、函数签名加上没人要的类型注解和 docstring、把 if/else 返回值重构成布尔表达式。三十行 diffreview 的人不敢合。✅ 装了准则后的交付 logger logging.getLogger(__name__) def upload_file(file_path, destination): logger.info(fStarting upload: {file_path}) # 其余行原样保留只加三行引号、缩进、返回风格全部跟随原代码每一行都能用「加日志」这个请求解释。避坑三个容易忽略的细节 ️它偏稳不偏快。原文自己声明这是 caution over speed 的取舍。改错别字、一行修复这类琐事别硬套完整流程否则 AI 开发会比手写还慢。Cursor 默认不读 CLAUDE.md。用 Cursor 就得配 .mdc 规则文件否则准则对它是死文字只有 Claude Code 入口生效。改准则要三处同步。仓库对贡献者的要求是动四条原则之一时CLAUDE.md、Cursor 规则文件、skills/ 下的技能定义要一起改否则三个工具入口各说各话。适用边界什么时候值得用什么时候省掉 值得用接手遗留代码、跨文件改动、重构以及 diff 要进合并评审的协作场景——这些场景返工成本高准则的「慢一点」换来的是「不用再来一遍」。可以省掉自己独占的新项目单文件脚本、一行能改完的小任务、团队已有更细的 lint 规则和评审清单直接合并进你自己的 CLAUDE.md别叠两层。一句话判据返工成本越高越值得挂上这份准则。下一步 这个仓库的价值就一条给模型划出规则边界再配上可验证的成功标准。别等「合适的时候」——现在就把 CLAUDE.md 丢进你最近最活跃的那个项目派给它一个容易改出边的任务完成后看 diff每一行改动是不是都能对应到你的请求。能就说明它立住了。【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