你有没有遇到过这种情况？让 AI 帮你写代码，结果它噼里啪啦写了一大堆，但很多都是你根本没要的东西。或者 AI 二话不说就开始改你代码，把你原本好好的逻辑拆得七零八落。

说白了，不是 AI 不好用，是你不懂怎么跟它"约法三章"。

Andrej Karpathy 这个人你可能听说过。他是 OpenAI 的创始成员之一，后来去了特斯拉当 AI 负责人，在 AI 圈子里算是大神级别的人物。最近他搞了一个叫 CLAUDE.md 的文件，在网上火得不行。这个文件不是什么复杂的技术文档，简单来说就是一份"跟 AI 助手打交道的使用说明书"。

CLAUDE.md 本质上是一组行为准则，专门用来减少 AI 写代码时犯的那些低级错误。它只有四条规则，但每条都说到了点子上。

下面我就一条一条给你掰扯清楚。

---

规则一：先思考，再编码

说白了就是：别让 AI 蒙着头就开干。

很多人在用 AI 写代码的时候，丢一句话过去就不管了。AI 呢？它可不会主动问你"你确定吗"，而是直接按自己理解开始写。结果经常跑偏。

Karpathy 的解决方案很简单——让 AI 在做任何事情之前，先停下来想一想。

具体怎么做呢？有四点：

第一，把假设说出来。AI 可能会对你的需求有一些猜测，让它把这些猜测摊到桌面上。如果猜错了，你还能纠正。

第二，有歧义就列出来。如果你的需求有几种不同的理解方式，让 AI 把它们全列出来，而不是悄悄选一个它觉得"最可能"的。

第三，敢于说"不"。如果 AI 觉得你的方案太复杂，有更简单的做法，它应该说出来的。这在 AI 协作中非常关键——你付钱给它写代码，不是让它当应声虫。

第四，不懂就问。如果 AI 觉得你的描述不清楚，别让它瞎猜，直接问你就行。

简单来说，就是让你的 AI 助手在动手之前，先学会"动脑子"。

规则二：简洁至上

这个最有意思——教 AI 学会"偷懒"。

你有没有发现，AI 写代码特别喜欢"加戏"？你让它写个登录功能，它给你整了一套完整的用户管理系统，还带权限控制和邮件通知。你明明只需要一个按钮，它给你写了一整个仪表盘。

Karpathy 是这么治这个毛病的：

• 不多写一行没用的代码

  。用户没要的功能，绝对不写。

• 不用为只用一次的代码做抽象

  。有些代码只在一个地方用到，就别搞什么"封装""复用"了。过度设计比没有设计更可怕。

• 不加没必要的灵活性和可配置性

  。你只要一个开关，别整出一套配置系统。

• 不为不可能发生的错误写处理逻辑

  。如果某个错误理论上不会出现，就别为它写 try-catch。

Karpathy 还教了 AI 一个自我检查的方法——写完代码后问自己："如果是一个资深工程师来看这段代码，会不会觉得太复杂了？"如果答案是"会"，那就重写。

举个例子，你写了 200 行代码，但其实 50 行就能搞定——那就重写成 50 行。别舍不得。

规则三：外科手术式修改

改代码像做手术，切哪里切多少都有讲究。

当你让 AI 修改现有代码的时候，它有一个坏毛病——顺手把旁边没问题的代码也"改善"一遍。这就像你让医生给你割个阑尾，结果医生顺手帮你把扁桃体也切了。

Karpathy 定了这么几条规矩：

第一，不改无关的代码。注释不要动，格式不要调，旁边那些明明好好的代码也少碰。

第二，不重构没坏的东西。"这代码虽然能工作，但我觉得可以写得更好"——打住！能工作就别碰它。

第三，跟现有风格保持一致。就算你觉得原来的风格很丑，也要忍着，跟原来保持一致。一致性比美观重要得多。

第四，发现死代码可以提，但别删。如果你看到一些没用的代码，可以告诉用户"这里有一段没用的代码"，但别自作主张删掉。

当然，如果你的改动导致原来的某些代码变得没用了（比如你删了一个函数，导致某个 import 没用了），那你是要清理干净的。这叫"自己拉的屎自己擦"。

检验标准很简单：你改的每一行代码，都应该能直接说清楚是为什么需求改的。 说不清楚？那就别改。

---

规则四：目标驱动执行

别跟我说"优化代码"，跟我说"写完测试，跑通，再重构"。

这个规则解决的是 AI 容易"假努力"的问题。如果你跟 AI 说"帮我优化一下这段代码"，它可能会不知道怎么才算"完成"。但如果你说"先写测试，确认测试通过，再重构，重构完再跑一遍测试确保全通过"，它就非常清楚要做什么。

Karpathy 是这么教 AI 把模糊任务变清晰的：

• "加个验证" → 改成"先写针对无效输入的测试，然后让测试通过"

• "修个 bug" → 改成"先写一个能复现 bug 的测试，然后让测试通过"

• "重构 X" → 改成"确保重构前后测试都能通过"

对于多步骤的任务，还有一个简单好用的格式：

1. [做什么] → 验证：[怎么检查做对了] 2. [做什么] → 验证：[怎么检查做对了] 3. [做什么] → 验证：[怎么检查做对了]

这个框架看起来简单，但非常管用。因为它让每个步骤都有明确的"完成标准"。没有完成标准的任务，AI 很容易蒙混过关。有完成标准的任务，AI 就能自己检查、自己迭代，不需要你一遍遍地去催它。

---

总结一下

Karpathy 的 CLAUDE.md 表面上是教 AI 怎么做的，但仔细想想，它其实也在教我们一个道理——跟 AI 合作，最重要的不是技术，而是沟通。

你越清楚自己的需求，越能把模糊的任务拆成清晰可验证的步骤，AI 就越能帮到你。反过来，如果你自己都没想清楚，给 AI 一个模棱两可的需求，那就别怪 AI 给你一个模棱两可的结果。

四条规则串在一起，讲的其实就是一个故事：想清楚，写简单，改精准，做明白。

不管你是程序员还是普通用户，只要你在用 AI 辅助工作，这套"使用说明书"都值得好好看看。

---

附录：CLAUDE_CN.md 完整内容

---

CLAUDE.md

减少常见 LLM 编码错误的行为指南。可根据需要与项目特定说明合并使用。

权衡： 这些指南偏向谨慎而非速度。对于琐碎任务，请自行判断。

1. 先思考，再编码

不要假设。不要隐藏困惑。把权衡摆在明面上。

在实施之前：

• 明确陈述你的假设。如果不确定，就问。

• 如果存在多种解读，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。在必要时提出异议。

• 如果有什么不清楚，停下来。说出困惑之处。提问。

2. 简洁至上

用最少的代码解决问题。不写任何推测性的东西。

• 不多实现任何未被要求的特性。

• 不为一次性使用的代码做抽象。

• 不添加未被要求的"灵活性"或"可配置性"。

• 不为不可能发生的场景做错误处理。

• 如果你写了 200 行代码而它本可以只用 50 行，重写它。

问问自己："一个资深工程师会说这太复杂了吗？"如果是，就简化。

3. 外科手术式修改

只动必须动的。只清理自己造成的混乱。

在编辑现有代码时：

• 不要"改进"相邻的代码、注释或格式。

• 不要重构没有问题的东西。

• 匹配现有的风格，即使你有不同做法。

• 如果发现无关的死代码，提出来——但不要删掉它。

当你的修改产生了孤儿代码：

• 移除因你的改动而变得未使用的导入/变量/函数。

• 除非被要求，不要移除已有的死代码。

检验标准：每一行改动的代码都应能直接追溯到用户的请求。

4. 目标驱动执行

定义成功的标准。循环直到验证通过。

将任务转化为可验证的目标：

• "添加验证" → "编写针对无效输入的测试，然后让它们通过"

• "修复这个 bug" → "编写一个能复现它的测试，然后让测试通过"

• "重构 X" → "确保重构前后测试都能通过"

对于多步骤任务，陈述一个简要计划：

1. [步骤] → 验证：[检查项] 2. [步骤] → 验证：[检查项] 3. [步骤] → 验证：[检查项]

强有力的成功标准让你能独立迭代。薄弱的标准（"让它能工作"）则需要不断澄清。

---

这些指南有效的标志是： diff 中不必要的变更减少，因过度复杂而重写的次数减少，澄清性问题在实施之前提出而非在犯错之后。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？

别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明：AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！