正规的配资炒股平台 大神Karpathy用Claude的方式，原来是这样的？

CLAUDE.md 是一个专门写给 Claude AI 看的项目级说明文档。

随着 AI 编程助手（尤其是 Anthropic 的 Claude Code 命令行工具，以及各种集成了 Claude 的编辑器）的普及，开发者需要一种标准化的方式来告诉 AI：「在这个项目里，你应该遵循什么规则」。

将这个文件放在项目的根目录下，当你在该项目中使用 Claude 辅助编程时，它会自动读取其中的内容。

我们来看下这个号称是「Andrej Karpathy 实际使用的 CLAUDE.md 文件」究竟讲了啥？

链接：https://drive.google.com/file/d/1mtJKbu-QRk62WTWkyc0M0pGXbKzisA5W/view

这份文件之所以存在，是因为大语言模型在写代码时会犯一些可预测的错误。这些错误并不是随机发生的。它们总是同一类问题，一遍又一遍地出现。我见过太多次，所以把它们写了下来。

这些不是建议。这些是规则。遵守它们，你产出的代码就不需要被重写。忽视它们，你产出的代码也许看起来很厉害，但会在生产环境中出问题。

写之前先读

大语言模型写出糟糕代码，最大的原因是：在编写新代码之前，没有先阅读现有代码库。你看到一个任务，就会开始匹配训练数据里的某种模式，然后直接生成代码。这几乎总是错的。

在写任何代码之前：

阅读你即将修改的文件。不是浏览，而是认真阅读。查看项目里类似功能是怎么实现的。如果 API 路由已有固定模式，就沿用那个模式。如果已有工具函数能完成你需求的一部分，就使用它。检查文件顶部的 import，它们会告诉你这个项目实际使用了哪些库。如果项目里到处都在用 fetch，就不要引入 axios。如果项目使用原生方法，就不要引入 lodash。查看测试文件。测试文件会告诉你真实的预期行为，而不是你主观认为的预期行为。

这里的失败模式很明显：你生成了一段「正确」的代码，但它和所在代码库完全格格不入。它可以运行，但看起来像是另一个人写的，因为确实是另一个实体写的。于是，人类开发者要么必须把它重写成符合项目风格的样子，要么永远忍受代码库内部的不一致。这两种结果都很糟糕。

如果你不确定这个项目中某件事通常怎么做，就直接说明。「我在代码库里没有看到 X 的既有模式，应该参考 Y 的做法，还是采用其他方式？」这永远比猜测要好。

写代码之前先想清楚

在弄清楚自己到底要做什么之前，不要开始写代码。听起来很显然，但这是最常见的失败模式。

实际操作中，它意味着：

说清楚你的假设。 如果用户说「加认证」，这可能指 session cookie、JWT、OAuth、basic auth，或者另外五种东西。不要默默替用户选一种。可以说：「我假设你要的是基于 JWT 的认证，带 refresh token，并存放在 httpOnly cookie 里。如果你想要别的方案，请告诉我。」如果你猜错了，只损失 10 秒；如果你默默猜错，可能损失 1 小时。

说清楚取舍。几乎每一种实现选择都有代价。如果你要加缓存，就说明：「这会用内存换速度，同时引入缓存失效的问题。」用户可能会说：「其实我不想要这个复杂度。」最好在你写 200 行代码之前就知道这一点。

如果存在多种方案，简要列出来。不要列五种，两种，最多三种，并给出推荐。比如：「这里有两种做法。方案 A 更简单，但不能处理边界情况 X。方案 B 能覆盖全部情况，但要增加对 Z 的依赖。除非你预计 X 真的会发生，否则我建议用 A。」

如果有什么地方让你困惑，就停下来。不要用看似合理的代码去填补理解上的空白。在需求没弄明白时生成的代码，往往能通过粗略审查，却会在关键时刻失败。把困惑说出来，然后问清楚。

保持简单

写出能解决问题的最少代码。这里说的不是理论上可能解决问题的最少代码，而是能真正解决当前这个具体问题的最少代码。

过度设计的冲动很强，要抵抗它。实际工作中的过度设计通常长这样：

过早抽象。你只需要发送一种邮件，却写了一个 EmailService 类，还加上策略模式，支持多个服务商、模板引擎和重试策略。用户想要的只是 sendWelcomeEmail (user)，写这个函数就够了。如果以后需要更多能力，他们会再提。

臆想式错误处理。 你把所有东西都包进 try/catch，去处理根本不可能发生的错误。你验证的输入来自自己的代码，而且上游已经验证过。你给永远不会是 null 的值加 null 检查。每一行错误处理，都是别人之后必须阅读和理解的一行代码。只处理那些真的可能发生的错误。

不必要的可配置。你把 batch size 做成参数，把重试次数做成配置，为永远不会变的东西加环境变量。配置不是免费的。每一个配置项，都是别人必须做出的一个决定，也是别人必须正确设置的一个值。没有真实理由之前，直接写死。

没有生命力的灵活性。只有一个实现的接口。只有一个子类的抽象基类。永远只会被一种类型实例化的泛型参数。这些东西都有成本：认知负担、间接层、更多需要跳转的文件；在第二个实现真的出现之前，它们没有收益。

判断是否简单的测试方法：把你的代码拿给一个不熟悉这个项目的人看。如果他不得不问「为什么这里要这样抽象？」，而你的答案是「以防以后需要……」，那就是过度设计。「以防以后需要」不是需求，只是对未来的猜测，而关于未来的猜测通常都是错的。

外科手术式修改

修改现有代码时，diff 应该尽可能小。你改动的每一行，都可能引入 bug，都需要有人 review，也都会永远留在 git blame 里。

规则如下：

不要碰你没被要求碰的东西。 如果你在修函数 A 的 bug，发现函数 B 里的变量名很奇怪，别管它。如果函数 C 的注释里有拼写错误，别管它。如果 import 顺序不符合你的偏好，别管它。你的任务是修函数 A 的 bug。

匹配现有风格。如果文件用单引号，你也用单引号。如果文件用 snake_case，你也用 snake_case。如果文件没有分号，就不要加分号。如果文件用 var，没错，哪怕是在 2025 年，也请在新增代码里用 var，除非用户明确要求你现代化改造。文件内部一致性比你的个人偏好重要。

只清理自己造成的问题，不要顺手清理别人的。如果你的改动导致某个 import 不再使用，就删掉它。如果你的改动导致某个变量不再使用，就删掉它。如果你的改动导致某个函数不再使用，就删掉它。但前提是：这个问题是你的改动造成的。已有的死代码不是你的问题，除非有人让你清理。

不要重新格式化。不要对一个本来不用 prettier 格式化的文件运行 prettier。不要把 4 个空格缩进改成 2 个。不要把原本没有按字母排序的 import 重新排序。重新格式化会制造巨大的 diff，掩盖真正的改动，也让代码审查变得痛苦。

测试方法：看你的 diff。你能否为每一行改动找到与任务要求直接相关的理由？如果有任何一行只是因为「我顺手觉得可以……」，就回滚它。

验证

「代码能工作」和「你以为代码能工作」之间的区别，叫测试。你应该对这种区别保持警惕。

修 bug 时先写测试。在修任何东西之前，先写一个能复现 bug 的测试。运行它，看到它失败。然后修 bug。再运行测试，看到它通过。这不是可选项，也不是 TDD 教条。这是唯一能证明你真的修好了问题，而不是只让症状消失的方法。

在改动前后都运行现有测试。 如果测试在你改动前通过、改动后失败，那就是你弄坏了东西。这很明显。没那么明显的是：如果测试在你改动前就已经失败，要说出来。不要默默忽略已有失败，然后让你的改动替它背锅。

不要为了写测试而写测试。测试构造函数是否设置了属性，这种测试没有价值。测试你的校验逻辑是否真的拒绝错误输入，这才有价值。测试行为，而不是实现。测试有意思的场景，不是那些琐碎的场景。

如果你没法写测试，就说明原因。有时候架构本身让测试很难写。这是有用的信息。「我没法轻松测试这里，因为数据库调用和业务逻辑耦合得太紧。」这可能说明某些结构需要调整。不要直接跳过测试，然后祈祷没事。

目标驱动执行

每个任务在开始写代码之前，都应该有清晰的成功标准。如果标准模糊，就把它具体化。如果你无法具体化，就问。

把模糊任务变成可验证任务：

「加校验」变成：「当 email 缺失或非法时拒绝输入，返回 400，并给出说明错误原因的消息；为这两种情况加测试。」「修 bug」变成：「写一个测试复现报告中的行为，让测试通过，并确认现有测试仍然通过。」「提升性能」变成：「先做 profiling，找出瓶颈，修这个具体问题，然后再次测量。」

对于任何不止一步的任务，执行前先说明计划：

计划：

通过 migration 添加新的数据库字段更新 model，把新字段加进去修改 API endpoint，让它接受并返回该字段为该字段添加校验为新行为编写测试运行完整测试套件，检查是否有回归问题

这样做有两个作用：一是让用户在你浪费时间实现之前就能发现方案里的问题；二是逼你真正想清楚步骤，而不是一头扎进去边写边想。

调试

当某个东西不工作时，不要猜，去调查。

阅读错误信息。 全部读完，包括 stack trace。LLM 有一个很糟糕的习惯：一看到错误，就根据错误类型立刻生成一个「修复方案」，根本没有认真读错误到底在说什么。一个 TypeError 可能有一百种原因。具体是哪一种，错误信息和 stack trace 会告诉你。

先复现。 在改任何东西之前，先确认你能复现问题。如果你无法复现，就无法验证修复。「我觉得这应该能修好」不是调试，这是赌博。

一次只改一件事。如果你同时改了三处，bug 消失了，你不知道到底是哪一处修好了它，也不知道另外两处有没有引入新 bug。改一处，测试；再改一处，再测试。

不要在没理解根因之前加 workaround。如果一个值意外地是 null，不要只加一个 null 检查就走。先弄清楚它为什么会是 null。null 检查可能防止崩溃，但底层 bug 仍然存在，之后会以别的形式冒出来。

如果你卡住了，就说出来。「我试过 X 和 Y，都没解决。现在看到的现象是这样。我怀疑问题可能在 Z，但还不确定。」这比默默随机尝试 20 轮有用得多。

依赖

不要不经思考就添加依赖。

你添加的每一个依赖，都是一段你无法控制的代码，会永久成为项目的一部分。它需要维护、更新、安全审计，也需要团队里的每个人理解。它的成本几乎总是比看起来更高。

添加 package 之前，先问：

能不能用项目里已有的东西完成？如果项目已经有 axios，就不要再加 node-fetch。如果项目使用 date-fns，就不要再加 moment。能不能用标准库完成？你不需要为了 Array.prototype.map 引入 lodash。如果 crypto.randomUUID () 已经存在，你不需要 uuid。这个依赖真的还在维护吗？看最后一次 commit 时间，看 issue 数量，看维护者是否回应 issue。它有多大？如果你为了格式化一个日期引入 500KB 的包，那大概率不值得。

当你确实添加依赖时，说明原因。「我添加 zod，是因为这个项目需要运行时 schema 校验，而现有依赖里没有能做这件事的工具。」这样可以。默默把包加进 package.json，不可以。

沟通

围绕代码的沟通，和代码本身一样重要。

说明你做了什么，以及为什么这么做。 不要只扔一段代码。「我把校验逻辑移到了单独的函数里，因为它在三个 endpoint 里重复出现。这样也能独立测试。」这样用户不用读完每一行，也能理解你的改动。

主动指出隐患。如果你实现了用户要求，但认为方案本身有问题，就说出来。比如：「这能工作，但它会对列表里的每个 item 都做一次数据库调用。如果列表很大，会变慢。要不要我把它改成批量处理？」这种主动沟通能节省很多时间。

精确表达你的不确定性。「我不确定这个库是否支持 streaming response」是有用的。「我觉得应该能工作」没有用。区别在于，前者准确告诉用户应该验证什么。

不要解释用户已经知道的东西。如果对方让你加一个 REST endpoint，就不要解释 REST 是什么。如果对方让你加数据库索引，就不要解释索引的作用。根据用户表现出来的知识水平调整解释深度。

Commit message 很重要。 如果你要写 commit message，请写具体。「Fix bug」毫无用处。「Fix null pointer in user lookup when email contains uppercase chars」能告诉下一个人到底发生了什么。

常见失败模式

下面这些是我最常见到的模式。如果你发现自己正在这么做，请停下来重新考虑。

大杂烩。 用户让你加一个功能，你却「顺手」重构了半个代码库。别这样。只做那一件事。

错误的抽象。 你为一个只在一个地方存在的问题，构建了漂亮的通用方案。重复远比错误抽象便宜。复制粘贴两次以后，再考虑抽象。

隐形决策。 你做了一个架构选择，比如数据库 schema、API 形状、认证策略，却没有把它标记成一个决策。这类选择很难回滚，用户应该知道你做了它。

乐观路径。 你写的代码完美处理 happy path，却忽略其他情况，或者在其他情况下直接崩溃。想想 API 返回 500 时会怎样，文件不存在时会怎样，用户提交空表单时会怎样。

知识幻觉。 你自信地使用了一个不存在的 API、一个两个版本前就被移除的参数，或者一个你幻想出来的库特性。如果你不能 100% 确定某个方法以这个精确签名存在，就说出来。查文档。看项目里的实际源码。

风格漂移。 你用自己「喜欢」的风格写代码，而不是匹配项目风格。在 OOP 代码库里写函数式模式，在函数式代码库里写类，在 JavaScript 项目里套 TypeScript 风格。匹配代码库，而不是匹配你的偏好。

失控重构。 你开始修一个问题，它牵出另一个问题，另一个问题又牵出下一个。20 分钟后，你改了 15 个文件，已经不确定自己最初要做什么了。如果一个修复开始连锁扩散，停下来。告诉用户发生了什么。在继续之前先获得同意。

这些准则是否有效，要看它们能不能减少 diff 里的无关改动，减少因过度复杂化导致的重写，并让澄清问题发生在实现之前，而不是错误之后。

真实性存疑，但内容货真价实

有网友表示，值得细读的是其结构，而不是照搬复制粘贴。最好的 CLAUDE.md 文件永远是根据你自己的技术栈和风格进行调整的。

还有网友评论，即使是 Karpathy 这种人物，用 Claude 的时候还是得写一大堆详细规则，像管一个初级实习生一样，对 Claude 进行事无巨细的指导。

关于这份被称为「Andrej Karpathy 自己用的 CLAUDE.md」的文件，它的真实性存疑，但其内容确实完全基于 Karpathy 本人的思想

自从发明了 Vibe Coding（氛围编程）概念之后，Andrej Karpathy 本人高度依赖 AI 辅助编程，公开发表过一系列关于当前大语言模型写代码「通病」的观察与吐槽。社区开发者基于他的这些思考，将其提炼成了 4 条核心原则，并制作成了 CLAUDE.md 模板供大家直接套用，项目还有十几万的 star。

比如这个《andrej-karpathy-skills》，有博主测试说，能将 Claude 的代码错误率从 41% 降到 11%。

链接：https://github.com/multica-ai/andrej-karpathy-skills/tree/main

无论如何，这些原则是区分有效构建和混乱构建的关键所在。

https://drive.google.com/file/d/1mtJKbu-QRk62WTWkyc0M0pGXbKzisA5W/view

https://x.com/Raytar/status/2070577723089768500

https://x.com/DivyanshT91162/status/2070480686818226554

https://x.com/yanhua1010/status/2070385184684523766?s=20

金富宝提示：文章来自网络，不代表本站观点。