你让AI修一个bug，回头一看diff，它顺手重构了半个文件；你让它加个参数校验，它给你交付了一整套"校验框架"；需求含糊时它也从不问你，闷头就猜。
用过Claude Code、Cursor的人都懂这种憋屈：模型不是不会写代码，是没规矩。
AI大神Karpathy——OpenAI创始成员、前特斯拉AI总监——也看不下去了，在X上公开吐槽过大模型写代码的通病。模型会替你做错误假设然后不假思索地执行，该澄清时不澄清，该反驳时不反驳；100行能搞定的事，非要堆成1000行的臃肿架构；有时还会改动甚至删掉它根本没看懂的代码和注释，哪怕跟当前任务毫无关系。知乎GitHub微博
这段吐槽戳中了全网程序员。今年1月底，开发者Forrest Chang把Karpathy的观察编译成一份CLAUDE.md约束文件，放上GitHub，项目名叫andrej-karpathy-skills。到10月中旬，Star数已突破22万。知乎微博
有意思的是，这项目没有一行可执行代码，核心就是一份65行、2.4KB的"家规"，一共四条。
第一条，编码前先想。不确定就问，别猜。需求有多种理解，摆出来让人选，不许默默挑一个；有更简单的方案要直说。宁可动手前多问一嘴，不许写完再翻车。
第二条，简单优先。用最少代码解决问题：不加没要求的功能，不给一次性代码套抽象层，不为想象中的未来需求预留"灵活性"。原文更狠——如果200行能压成50行，重写。
第三条，外科手术式修改。只碰必须碰的。不顺手重构相邻代码，不顺手改注释格式，跟随项目现有风格；发现无关的历史死代码，可以提一嘴，不许删；只有自己的改动产生的废弃导入和变量，才可以顺手清掉。标准就一句话：每一行变更都能追溯到用户的需求。
第四条，目标驱动执行。这条最Karpathy。他说过，LLM最擅长"循环执行直到达成目标"，所以别告诉它做什么，给它成功标准。于是"修这个bug"被翻译成"先写一个能复现bug的测试，再让它通过"；“加校验"被翻译成"为非法输入写测试，然后全部跑绿”。GitHub
上手门槛几乎为零。Claude Code用户两条命令装成全局插件：先`/plugin marketplace add forrestchang/andrej-karpathy-skills`，再`/plugin install andrej-karpathy-skills@karpathy-skills`。或者更省事，把这份CLAUDE.md直接丢进项目根目录。Cursor也有配套规则文件，不用换工具。知乎
不过先泼盆冷水：它本质是文本约束，不是保险。模型遵不遵守不是确定性的，受任务复杂度、上下文长度、其他指令和模型能力影响。仓库也没提供能证明这些规则稳定提升代码质量的系统性Benchmark，而且规则本身就写明了"偏向谨慎、牺牲速度"，一行小改动也走全套流程会嫌啰嗦——小事请自行放行。知乎GitHub
判断它有没有效，看三点就够：diff里无关改动变少了，AI动手前提问了，PR变干净了。GitHub
这项目最大的价值，可能不在那65行字。“别过度设计、别乱碰无关代码、需求不清先确认、改完要验证”——全是老工程师早就懂的道理。真正扎心的是：人类默认遵守的工程纪律，AI需要你白纸黑字写出来，它才会照做。
AI编程的效率，未必总靠更强的模型，有时只是先把规矩立清楚。
