发布日期：2026-05-13 14:41:02 浏览次数： 2212
作者：模智空间
微信搜一搜，关注“模智空间”
推荐语
AI编程大神Karpathy亲述工作流巨变，从80%手动到80%AI，效率革命与潜在风险一网打尽。
核心内容：
1. Karpathy亲历的AI编程效率革命与体验变化
2. AI编程的常见“坑”与未来挑战（如“Slopacolypse”）
3. 核心观点：LLM的价值在于按目标完成任务，而非仅写代码
杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
> 当 AI 能完成 80% 的代码，程序员的工作到底会变成什么样？
如果你关注 AI 编程，大概率在年初被Andrej Karpathy（OpenAI创始成员、前特斯拉 AI 总监）的一篇帖子刷屏了。这位 AI 领域的顶级大神，用亲身经历描述了过去两个月里，自己编程工作流的巨大变化。近日，有人将他的核心观点提炼成一个可直接落地的skill，开源在 GitHub 上，短短时间就收获了 124000个星标。
地址：https://github.com/forrestchang/andrej-karpathy-skills
一、Karpathy 看到了什么？
作为深耕AI与编程领域20年的专家，Karpathy的体验极具参考价值，他表示，2025 年 11 月的时候，自己的编程习惯还是：**80% 手动 + 20% AI 辅助**。
到了 12 月，这个比例彻底倒了过来：**80% 交给 AI 智能体，自己只做 20% 的修改和润色**。
“我现在基本上是用英语在编程了。”
他坦言，这有点伤自尊，毕竟写了二十年代码，突然变成了“动嘴指挥”的角色。但理智告诉他，用大段的“代码动作”操作软件，实在太高效了，一旦你适应了配置、学会了使用、摸清了它的能力边界，就再也回不去了。
AI 编程不仅提升了现有任务的速度，更让工程师能做的事变多了。以前觉得不值得花时间编程的小工具、因知识盲区无法触碰的项目，现在借助AI都能轻松落地。更有意思的是，编程变得更有趣了，AI包揽了填坑、补语法等枯燥工作，工程师可以专注于创意和核心逻辑设计，减少了被卡壳的挫败感。
除此之外，LLM的坚韧也让他印象深刻：AI不会疲劳、不会气馁，能为一个问题持续尝试30分钟直至解决，而这正是人类工程师的耐力短板。这种永不放弃的特性，让很多复杂问题的解决效率大幅提升，也让他感受到了AGI（通用人工智能）的雏形。
AI 编程的“坑”
Karpathy 也泼了一盆冷水：别被“无需 IDE”“智能体集群”之类的 hype 冲昏头脑。
**“模型还是会犯错，而且错误类型变了。”**
以前 AI 的错误是语法错误、拼写错误，现在变成了概念性错误。以下是最常见的几类AI 毛病：
尽管如此，Karpathy 依然强调：**这些问题是“成长中的烦恼”，整体上效率仍然是巨大的提升。**
除此之外，Karpathy还提到两个值得深思的点：
* 一是长期用AI编程，可能会导致手动编程能力退化；
* 二是他预判2026年将迎来“Slopacolypse”（垃圾信息泛滥），GitHub、论文平台等会被大量AI生成的低质量代码、内容充斥，同时还会伴随更多“AI productivity theater”（表面用AI提升效率，实则没产生实际价值的形式主义）。
Karpathy最核心的观点是：**LLM的最大价值，不在于让它替你写代码，而在于让它按你的目标完成任务。**
“不要告诉AI做什么，给它明确的成功标准，它会自己找到方法”。
二、Karpathy Skill：把大神经验变成一套可执行规则
正当大家都在琢磨怎么落地这些观察时，开发者 Forrest Chang 把 Karpathy 的观点提炼成了一个 CLAUDE.md 文件，本质上是一套给 Claude Code 的行为准则。这套准则的核心，是四个原则，直接对应 Karpathy 指出的那些痛点。
GitHub 地址：
👉 https://github.com/forrestchang/andrej-karpathy-skills
原则1：先思考，再编程
核心目标：**解决LLM爱做假设、不澄清、不权衡的问题，让AI的每一步都有明确依据。**
具体做法很简单：
* 明确列出所有假设，不确定的地方先提问，不瞎猜；
* 遇到模糊需求时，给出多种解读方案，不擅自选一种执行；
* 如果有更简单的方法，主动“反驳”你的指令，不盲目顺从；
* 一旦遇到不懂的地方，立刻停止并说明，不硬着头皮继续。
本质是**强制AI透明化思考。**
原则2：简洁优先
核心目标：**对抗LLM堆砌代码的习惯，用最少的代码解决问题，避免冗余和过度设计。**
核心要求就是不做多余的事，具体可以参考这几条：
* 只实现需求明确要求的功能，不做用户没要求的功能；
* 不为只用一次的代码写抽象层；
* 不做无用的灵活性，比如需求没要求可配置，就不用写复杂的配置项；
* 不可能出现的场景，不用做错误处理；
* 自我检验：如果一个资深工程师看了你的代码，觉得太复杂了，就立刻简化。
这正是针对Karpathy提到的“1000行代码简化到100行”的场景，AI会默认追求全面，而这个原则会强制它聚焦核心，写出简洁、高效、易维护的代码。
原则3：精准修改
核心目标：**解决LLM乱改无关代码、注释的问题，让每一处修改都有明确的目的，不画蛇添足。**
简单说就是只改该改的，不添不该添的，具体规则如下：
* 编辑现有代码时，不优化相邻的代码、修改注释或调整格式，哪怕觉得格式不好看；
* 没坏的代码不重构，不做为了重构而重构的无用功；
* 尽量匹配现有代码风格，哪怕你个人不喜欢这种风格；
* 发现无关的无用代码，只提醒不删除；只有自己的修改导致的无用代码（比如多余的导入），才删除。
检验标准很简单：每一行修改，都能对应到用户的具体需求，如果说不出为什么改这一行，那这行修改就是多余的。
原则4：目标驱动执行
这是最核心的原则，完全贴合Karpathy的启示：**不告诉AI怎么做，只告诉它做到什么程度，让AI发挥持续尝试的优势，自主完成任务。**
关键是把模糊指令变成可验证的目标，比如：
