在 AI 编程时代，我们遇到的最大挑战往往不是 AI “不够聪明”，而是它“太聪明”了——它会写出过度设计的代码、做出一堆未经确认的假设，或者在修复一个 Bug 时顺手把周围没坏的代码也给重构了。
特斯拉前 AI 总监 Andrej Karpathy 曾多次吐槽大模型编程中的这些陷阱。受此启发，社区提炼出了一套 Karpathy-Inspired AI Guidelines，旨在让 AI 代理（如 Claude Code, Trae, Cursor 等）回归本质：写最简单的代码，做最精准的修改。
🚀 核心规则：复制即用
你可以将以下规则直接作为“全局说明”或“项目指令”配置到你的 AI 工具中。
- **编码前思考 (Think Before Coding)** - **拒绝假设**：在写代码前，先陈述你的理解和假设。如果有不确定的地方，先提问。 - **暴露权衡**：如果存在多种实现方案，请列出优缺点，不要默默替我做决定。 - **推崇简单**：如果我提出的方案太复杂，请主动建议更简单的替代方案。- **简单至上 (Simplicity First)** - **最小化代码**：只写能解决当前问题的代码，不多写一行。 - **严禁过度设计**：不要在没要求的情况下添加抽象、枚举、类结构或“灵活性”。 - **拒绝投机**：不要预判我未来可能需要的特性。 - **精简原则**：如果 50 行代码能解决，绝不写 200 行。- **外科手术式修改 (Surgical Changes)** - **精准打击**：只触碰必须修改的代码。不要“顺便”重构邻近代码、调整格式或更新注释。 - **尊重现有风格**：匹配现有的编码风格，即使你认为有更好的写法。 - **清理现场**：只负责清理**由你这次修改**导致的冗余（如未使用的导入/变量）。- **目标驱动执行 (Goal-Driven Execution)** - **定义成功标准**：将模糊的任务（如“修复 Bug”）转化为可验证的目标（如“写一个失败测试，修复代码，确保测试通过”）。 - **小步快跑**：对于复杂任务，按“步骤 -> 验证”的循环进行，每一步都必须可验证。
简洁版
- **编码前思考**：拒绝假设，先陈述理解；不隐瞒困惑，暴露权衡；推崇简单方案。- **简单至上**：最小化实现，不臆测需求；严禁过度设计（抽象/枚举/类）；精简原则（50行对200行）。- **外科手术式修改**：精准打击，不重构邻近代码或格式；尊重现有风格；仅清理由本次修改产生的冗余。- **目标驱动执行**：定义可验证的成功标准（测试驱动）；复杂任务采用“步骤 -> 验证”循环。
🛠️ 如何配置到你的工具？
为了让这些规则生效，你需要将它们配置到 AI 工具的“全局指令”或“系统提示词”中。
1. Claude Code (CLI)
Claude Code 默认会读取项目根目录下的 CLAUDE.md 文件。
- 也可以通过
.claude-plugin/plugin.json 配置为插件。
2. Trae / Cursor
Trae 和 Cursor 提供了“全局规则”设置：
- Trae: 进入
Settings -> General -> Rules（或者在 .trae/rules 目录下创建 .md 文件）。 - Cursor: 进入
Settings -> General -> Rules for AI。 - 将核心规则粘贴到输入框中，AI 在每次对话和生成代码时都会遵循这些准则。
3. GitHub Copilot / Codex
如果你使用的是 GitHub Copilot Chat：
- 可以在 VS Code 中设置
.github/copilot-instructions.md。 - 或者在项目根目录创建
.cursorrules（部分版本兼容）。
💡 为什么这套规则有效？
AI 编程的核心痛点在于 “控制感”。
- 外科手术式修改 保证了你的 Git Diff 是干净的，不会因为 AI 的重构而产生一堆无关痛乱。
- 简单至上 避免了 AI 引入复杂的抽象，导致后续代码难以维护。
- 目标驱动 强迫 AI 像高级工程师一样思考：如何证明我的代码是正确的？
通过这套 Karpathy 指南，你可以将 AI 从一个“不可控的黑盒”转变为一个“精准执行的外科医生”。
