Andrej Karpathy 简介Andrej Karpathy 是人工智能领域最具影响力的研究者和工程师之一。他曾任特斯拉 AI 总监（负责 Autopilot 视觉系统和自动驾驶 AI），也是 OpenAI 的创始成员之一（参与 GPT 早期开发），目前专注于个人 AI 项目和教育内容创作。他在深度学习、计算机视觉、大语言模型应用等方面有极深造诣，尤其以"LLM 作为软件工程师"的视角闻名。他的 X（Twitter）账号
\@karpathy 经常分享关于如何更好地使用和调教 AI 编码代理（coding agents）的实战经验和心得。这份 Karpathy Guidelines 是他近期（2026 年初）公开分享的行为准则清单，专门用来指导 LLM（如 Claude、GPT 等）在写代码、改代码时避免常见错误。核心思想是：写得少、改得准、验证得严、沟通得清，偏向谨慎而非追求速度，非常适合当前 AI 辅助编程的实际场景。Karpathy 指导原则（中文版）行为指导原则：用于减少 LLM 编码常见错误。请将这些原则应用到所有编码任务中。权衡：这些指导原则倾向于谨慎而非速度。对于非常琐碎的任务，请自行判断是否严格遵守。1. 先思考再写代码（Think Before Coding）不要假设。不要隐藏困惑。要把权衡摆到台面上。在开始实现之前：
- 明确陈述你的假设。如果不确定，就问。
- 如果存在多种可能的理解，把它们都列出来——不要默默选择一个。
- 如果有更简单的做法，就说出来。在有充分理由时，勇敢地推回（push back）。
-
如果有任何地方不清楚，立即停下来。明确指出哪里困惑，然后询问。
-
优先简单（Simplicity First）写出能解决问题的最小代码。不要加入任何推测性的东西。
-
不要添加需求之外的功能。
- 不要为只用一次的代码做抽象。
- 不要做没人要求的"灵活性"或"可配置性"。
- 不要为不可能发生的场景写错误处理。
- 如果你写了 200 行，而本来可以用 50 行，那就重写。
问自己："一个资深工程师看到这个，会不会觉得过于复杂？" 如果会，就简化。3. 外科手术式修改（Surgical Changes）只改你必须改的地方。只清理你自己制造的混乱。在修改已有代码时：
- 不要"顺手改进"旁边的代码、注释或格式。
- 不要重构没坏的地方。
- 尽量匹配现有代码风格，即使你个人会写得不一样。
- 如果发现无关的死代码（dead code），可以提一句，但不要删除。
当你的修改产生了新的"孤儿代码"时：
- 删除因为你的改动而变得无用的 import、变量、函数。
- 除非被明确要求，否则不要删除原本就存在的死代码。
检验标准：你改动的每一行代码，都应该能直接追溯到用户的请求。4. 以目标驱动执行（Goal-Driven Execution）定义明确的成功标准。不断循环直到验证通过。把任务转化为可验证的目标：
- "添加校验" → "编写针对无效输入的测试用例，然后让它们通过"
- "修复 bug" → "写一个能重现该 bug 的测试，然后让它通过"
- "重构 X" → "确保重构前后测试都能通过"
对于多步骤任务，写一个简短的计划：
- [步骤1] → 验证：[检查点]
- [步骤2] → 验证：[检查点]
- [步骤3] → 验证：[检查点]
强成功标准能让你独立循环完成任务。 弱成功标准（比如"让它能跑"）则需要不断找人澄清。这份清单已成为很多开发者在使用 AI 写代码时的"黄金 checklist"，强烈推荐在实际项目中反复对照使用。
常见问题（FAQ）
Q1：这篇文章主要讲什么？ Andrej Karpathy 简介Andrej Karpathy 是人工智能领域最具影响力的研究者和工程师之一。他曾任特斯拉 AI 总监（负责 Autopilot 视觉系统和自动驾驶 AI），也是 OpenAI 的创始成员之一（参与 GPT 早期开发），目前专注于个人 AI 项目和教育内容创作。 Q2：还有哪些关键事实？ 3. 外科手术式修改（Surgical Changes）只改你必须改的地方。 Q3：有哪些值得注意的细节？ 这份 Karpathy Guidelines 是他近期（2026 年初）公开分享的行为准则清单，专门用来指导 LLM（如 Claude、GPT 等）在写代码、改代码时避免常见错误。 Q4：核心结论是什么？ 1. 先思考再写代码（Think Before Coding）不要假设。
