一个只有一份 Markdown 文件的 GitHub 项目 andrej-karpathy-skills 突破 15,000 颗星，成为 Claude Code 生态中最受欢迎的开源项目之一。这份 CLAUDE.md 文件基于前 Tesla AI 总监 Andrej Karpathy 对 LLM 编写程式常见错误的观察，将其转化为 Claude Code 可直接使用的行为准则。
Karpathy 观察到的 LLM 编程通病
Karpathy 指出，LLM 在编写程式时会犯一些可预测的错误：过度工程化（over-engineering）、忽略既有程式码模式、在不必要的地方添加依赖项。这些不是随机错误，而是模型训练方式导致的系统性偏差——模型倾向于展示“聪明”的解决方案，而非符合项目脉络的简洁方案。
关键洞察在于：既然这些错误是可预测的，就可以用正确的指令来预防。这正是 Harness Engineering 中“前馈控制”（feedforward）的实际应用——在 AI 行动前就设好规则，而非事后修正。
一份 Markdown 文件如何改变 AI 行为
CLAUDE.md 是 Claude Code 的项目级设置文件。当你把它放进项目根目录时，Claude Code 每次启动时会自动读取并遵循其中的指令。这份文件将 Karpathy 的观察转化为四项核心原则：
目标驱动执行——把命令式指令转化为声明式目标，并配合验证迴圈
不要假设——遇到不确定的情况必须先确认，而非猜测
不要隐藏困惑——如果不理解需求，必须明确表达
主动暴露取舍——当存在多种方案时，呈现各自的优缺点
这些原则听起来像是给人类工程师的建议，但在 AI 的语境下意义不同。LLM 的默认行为是“尽可能产出完整的回复”，即使这意味着猜测用户意图或过度设计。CLAUDE.md 把这些默认行为引导到更审慎的方向。
15K 星背后的趋势：Prompt 工程的新形态
这个项目的爆红反映了开发者社群的一种转变：从“用 AI 编写程式码”进化到“工程化 AI 的行为让程式码品质更好”。过去的 prompt engineering 聚焦在单次对话的提示词设计，现在的焦点是持久化的行为准则——一次设置，长期生效。
这也呼应了 Vibe Coding 趋势中一个尚未被充分讨论的面向：当 92% 的美国开发者已在使用 AI 编程工具时，决定程式码品质的不再只是模型能力，而是你怎么“管理”这个 AI 伙伴的行为。一份好的 CLAUDE.md 可能比选择更强的模型更有效。
项目由开发者 forrestchang 建立，100% 开源，除了 CLAUDE.md 主文件外，还提供了可作为 Claude Code Skill 安装使用的版本。
这篇文章 Karpathy 启发的 CLAUDE.md 突破 15K 星：一份 Markdown 文件如何驯服 AI 编写程式的坏习惯 最早出现在 链新闻 ABMedia。
