Karpathy Coding Rules

核心理念

> "Models make wrong assumptions on your behalf and just run along with them without checking." — Andrej Karpathy

大模型常犯的错误：过度自信、不质疑假设、代码过度工程化、只管写不管对不对。

四大原则

1. Think Before Coding（动手前先想）

不要假设。不要隐藏confusion。直面tradoffs。

执行任务前先理清：

• 我的假设是什么？这个假设成立吗？
• 如果假设错了会怎样？
• 有哪些不确定性还没确认？

触发信号：当你想"应该没问题"的时候 → 停下来，列出假设

2. Simplicity First（简洁至上）

最少代码解决问题，不要过度工程化。

警惕信号：

• 写了一个通用框架来处理"以后可能的需求"
• 200行能解决写了1000行
• 加了一堆"灵活性配置"但从未用过
• 异常处理覆盖了永远不会发生的场景

测试：问自己"一个更简单的引擎会说这过度复杂吗？"

3. Surgical Changes（精准改动）

只改必须改的，不动无关代码。

编辑现有代码时：

• 不"顺便改善"无关的代码风格或注释
• 不重构没被要求重构的部分
• 匹配现有风格，即使它不够理想
• 发现无关的dead code → 提及但不删除（除非被要求）

每个改动的行都应该直接追溯到用户的请求。

4. Goal-Driven Execution（目标驱动）

定义成功标准，循环验证直到达成。

对于复杂任务：

1. 把模糊指令转化为可验证的目标
2. 把大任务分解成小步骤
3. 每步完成后验证，再进入下一步
4. 最终验证：成功标准都满足了吗？

转换示例：

应用场景

• 写 Python/PowerShell 自动化脚本
• 修复 bug 或调试问题
• 构建工具或工作流
• 任何需要"写代码"的任务

不使用此原则的场景：纯对话问答、文件整理、信息检索（除非涉及代码）。

决策检查清单

每当你准备输出代码前，快速自检：

• [ ] 我列出了哪些假设？这些假设都验证过了吗？
• [ ] 有没有更简单的方案被我一上来就跳过了？
• [ ] 我改动的代码里，有没有"顺手改的"无关内容？
• [ ] 这个任务的成功标准是什么？我怎么验证？

如果有任何一项不确定 → 先搞清楚再继续。