这两天刷 AI 圈，你大概率刷到过同一个词：ASD-STE100。
10 月 2 日，Karpathy——就是那位 OpenAI 创始成员、前特斯拉 AI 总监、发明了 “vibe coding” 这个词、今年 5 月刚加入 Anthropic 的 Karpathy——发了条关于"怎么理解 AI 输出"的推文，然后整个圈子炸了。微博上有博主一句话总结：“ASD-STE100 + HTML 现在成了 AI 圈的新魔法数字”，这条微博一天不到拿了 72 个赞、41 次转发。小红书当天就有人实测，知乎有人拉出四个模型做受控测试，机器之心、36氪连夜出了解读稿。知乎微博36氪
有意思的是，这次火的不是新模型、新产品，而是一套 40 年前给航空维修手册定的写作规范。Karpathy 拿它治的病，每个重度 AI 用户都熟：AI 的废话。
他到底说了什么：答案已经生成，理解还没发生
这条推文的核心判断是一句话：我们今后会花多得多的时间，去理解大模型的输出。知乎
逻辑不复杂。AI 干的活越来越多——写分析、写代码、跑流程，人的角色就上移成监工：看结果、查问题、决定采不采用。瓶颈从"生成"挪到了"理解"。Karpathy 之前在红杉 AI Ascent 大会上还说过一句更直白的：你可以外包你的思考，但你不能外包你的理解。
现实是，AI 的输出越来越长、修辞越来越花。你问一个问题，它秒回几千字，读完还是不知道第一步该干嘛。有微博博主感慨，这已经是今年第三次和 Karpathy 产生共鸣：第一次跟他学用 LLM 搭知识库，第二次是语音输入，这次是理解输出——每次都踩在普通用户的痛点上。微博
所以这条推文给了一组"让输出变得能看懂"的办法，一共四级，一级比一级狠。
第一级：让 AI 像航空维修手册一样说话
先说火出圈的 ASD-STE100。
它的来历是这样的：上世纪 70 年代，欧洲航空维修越来越国际化，同一本英文维修手册，要给不同国家、不同语言背景的技师看。一句话被读出第二种意思，可能就是一次维修事故。于是航空业主动给英语上枷锁，逐步发展成 ASD-STE100 规范。最新版 Issue 9 包含 53 条写作规则、约 900 个批准使用的基础词，还有约 1200 个建议避免并给出替代写法的词。机器之心
它的精神概括起来就几条朴素规则：一个词只有一个意思；一个东西从头到尾只叫一个名字，不许为了显得"文采丰富"轮换同义词；短句；主动语态；一句话只说一件事。小红书
发现没有，这套规则跟大模型的写作习惯完全反着来。模型爱换着花样用同义词、爱堆长句、爱打比方，ASD-STE100 故意让语言变"无聊"，换来的是零歧义。
Karpathy 的用法就一句提示词：
Explain [topic] in 80% ASD-STE100
为什么是 80%？因为完整规范是给专业技术文档设计的，日常问答一板一眼全执行会僵硬得像在读波音手册，留两成弹性刚好。机器之心
第二到第四级：能画图就别写字，能做网页就别画图
Karpathy 自己认为文字只是起点，后面还有三级：
第二级，图表。 提示词就一句 “Explain this as a diagram”。一张图比一堵字好消化，而且哪怕这张图只服务你一个人、看完就再没人用，生成它也是划算的。
第三级，网页。 “Give me the answer in HTML”。现在模型写前端已经强到能直接给出带布局、动画、交互的页面。机器之心的解读里举了个好例子：想理解神经网络里的"学习率"，文字告诉你"太小收敛慢、太大可能震荡"；网页直接给你一个滑块，你自己拖着看小球的下降轨迹实时变化。这时候模型已经不是在"解释"，而是临时给你做了一个帮你理解的小工具。机器之心
第四级，他最看好的：讲解视频。 提示词是 “Make a 3b1b-style explainer video on [topic]”。3b1b 就是 3Blue1Brown，那个用程序化动画把抽象概念一步步"演"出来的知名科普频道。配音接 ElevenLabs 的 API，没有密钥也可以让模型帮你找能本地跑的免费替代。Karpathy 说这条路"真的开始行得通了"。推文发出后，一位叫 Tibo 的开发者马上实测：只给了一句"解释一下 Shazam 是怎么工作的"，模型就生成了一段专门讲解 Shazam 原理的视频。
四级方法背后是同一个概念，Karpathy 管它叫"大型、定制、用完即弃的软件产物"（large, custom, disposable software artifacts）。逻辑是：代码生成几乎零成本了，过去不值得专门做的东西，现在可以随手做、看懂、扔掉。理解本身，也变成了一件可以被 AI 加速的事。小红书
实测盘点：有用，但不是对谁都有用
到这里如果你已经想抄提示词了，先等等。中文互联网这两天反应速度极快，实测结论分三类，都值得看。
第一类：明显有用。 知乎博主"诚然"做了个中文受控小测试，用 DeepSeek V4 Pro、GPT-6.1-sol、Kimi K3、GLM-5.3 四个模型，对比四种提示方式：默认、只加 ASD-STE100 的名字、只加 CNL（受控自然语言）的名字、手写一套具体规则。结果很直观：GLM 默认回答里把冰淇淋和溺水称作"同伙"“凶手”，Kimi 满篇"幕后推手"“我推你”，加了规范名字之后，这类修辞确实明显减少，换成短句和直接叙述。知乎
第二类：没多大用。 同一个测试里，GPT 的默认输出本来就很克制，自己就会写"可能"“如果其他条件也控制得当”，加了名字之后变化主要在段落组织上，“看不出有什么额外的好处”。诚然的结论很直白：名字管不管用，还得看模型原本是怎么写的。也有网友把普通回答和 ASD-STE100 版本并排对比，结论是"好像也没什么区别"。毕竟简单问题模型本来就答得短，套规范不会天翻地覆。小红书上甚至有一篇标题就叫《Karpathy 给了你四条新想法，但我建议你不要》的帖子，作者实测后认为：这些方法的落地非常依赖模型能力，现在效果不尽如人意。知乎机器之心小红书
第三类：最需要警惕的——好读不等于对。 这是整个测试里最有价值的发现。DeepSeek 的 CNL 组在介绍随机对照实验时写出了这样的句子："两组唯一的差别，就是’是否接受处理’。因此，结果的差异只能归因于处理本身。“句子短、指代清楚、读起来相当干净——但它把一个需要前提和限定的判断，写成了排他结论。对照组里 ASD 组和具体规则组用的都是"主要来自”"更可能来自"这种留有余地的说法。诚然的总结一针见血：文字读起来像技术手册，并不代表内容就经过了技术审查。知乎
还有个细节：模型有时会在回答末尾自称"已遵循 STE100 原则"——这同样不能当证据，要看它实际写出来的东西做没做到。
谁该用、怎么用：三步走，从成本最低的开始
把正反两边的实测拼起来，适用人群其实很清楚：
值得试的： 经常要读长技术解释、多步骤操作指南的人；VibeCoding 和 Agent 用户（工具描述、报错信息、Agent 之间的指令，恰恰是误读成本最高的场景）；写 README、写文档、做知识管理的人。
不必折腾的： 日常只问天气菜谱的轻度用户；手头模型默认输出已经干净的（比如测试里的 GPT）；以及需要 AI 提供情绪价值和文采的场景——这套规范会把比喻全杀掉，包括那些好的比喻。
具体上手，建议按三步走：
第一步：零成本，一句话试试"名字锚点"。 不用背 53 条规则，直接在提示词里提规范的名字就行。中文措辞可以直接抄诚然调过的版本：
请借鉴 ASD-STE100 的受控表达原则，用自然中文解释。保留必要的前提、适用范围和不确定性。
注意最后那半句是关键，专门防"好读陷阱"——规范治的是歧义，治不了过度自信，限定条件得你自己点名要。如果你更需要把术语一个个定义清楚、逻辑关系理顺，换这句：
请使用受控自然语言（CNL）风格的中文解释，保留必要的前提、适用范围和不确定性。
用"借鉴"而不是"严格遵守"，因为我们只是借用这套英文规范的表达原则写中文，本来也验证不了输出是否完全合规。知乎
第二步：不满意，再补自己的规则。 不用全抄，挑 5-8 条贴合你场景的：短句、一事一名、主动语态、保留限定词。网上还流传一个更工程化的玩法：让模型随机抽取过去一周你和它的 10 段交互，用 ASD-STE100 逐条检查——哪些回答当时不够清楚、哪里产生了歧义、套用哪条规则会更好——最后把真正有效的那几条写进用户级 AGENTS.md。让真实痛点决定哪些规则进你家，比无脑全套用聪明得多。
第三步：重度用户直接上 skill。 其实早在 Karpathy 发推前三个月，就有人把这套规范做成了开源的 asd-ste100-skill，专门用在工具描述、报错信息、Agent 间指令、system prompt 这些场景，还分了两种模式：Strict 模式给误读成本高的内容（程序步骤、工具描述、Agent 指令），STE-flavored 模式给 README 和解释性文本——保留句长、主动表达这些原则，但不把词汇锁死。这基本就是"80% ASD-STE100"的产品化。另外，数学和技术内容还有一条网友补充的路线：让 Agent 用 TeX 直接输出 PDF 技术报告，公式、代码、示意图各得其所。机器之心
最后，两个观察信号
这件事的后续，建议盯两个点，比急着背提示词更有意义：
一是模型会不会把"理解友好"直接内化。诚然和小红书那篇反方帖子其实押的是同一个方向：这些技巧现在依赖模型能力、效果参差，但如果方向被验证，厂商大概率会把它做进默认输出。到那时候，今天手动加的提示词就成了过渡期补丁。
二是第四级"讲解视频"什么时候从开发者玩具变成一键功能。Karpathy 最看好的恰恰是这一级，但目前实测传播最广的还是第一级文字规范——中间的落差，就是产品和模型接下来要填的坑。
回到开头那个问题：这套 40 年前的航空规范，值不值得你今天就试？我的答案是：一句话的成本，值得；但请带着"好读不等于对"这个前提去用。毕竟 Karpathy 整条推文真正想说的不是让你学航空英语，而是——AI 替你干的活越来越多之后，看懂它干了什么，正在变成你自己的核心工作。
