安裝與使用

這是什麼

這是一份 AGENTS.md 行為指南，源自 Andrej Karpathy 的觀察，用四個原則直接針對 LLM 最常見的編碼陷阱：錯誤假設、過度複雜、無關編輯、缺少可驗證的成功標準。

方法一：AGENTS.md（按專案）

新專案：直接下載

curl -o AGENTS.md https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/AGENTS.md

既有專案（追加到既有檔尾）：

echo "" >> AGENTS.md
curl https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/AGENTS.md >> AGENTS.md

方法二：作為 Skill 安裝

本 repo 附帶 skills/karpathy-guidelines/，把同一套指南封裝成 agent 技能（OpenCode / Claude Code / Codex 等支援 skills 的 harness 可直接套用）。指令、路徑、技能名稱照上游原樣，安裝行為不受翻譯影響。

客製化：專案特定規則

這些指南設計成可與專案特定指令合併。在 AGENTS.md 加入你自己的規則：

## 專案特定指南

- 使用 TypeScript 嚴格模式
- 所有 API 端點必須有測試
- 遵循 src/utils/errors.ts 中既有的錯誤處理模式

權衡說明

這些指南傾向於謹慎重於速度。對於瑣碎的任務（簡單的拼寫錯誤修復、顯而易見的一行修改），請自行判斷——並非每個改動都需要完整的嚴謹流程。目標是減少非瑣碎工作中代價高昂的錯誤，而不是拖慢簡單任務。

如何判斷它在起作用

• diff 中不必要的改動更少 — 只有請求的改動出現
• 因過度複雜而導致重寫更少 — 程式碼第一次就寫得簡潔
• 釐清問題在實作之前提出 — 而不是在犯錯之後
• 乾淨、精簡的 PR — 沒有順帶的重構或「改進」

# 使用者需求：「加入使用者偏好設定儲存功能」
# AI 輸出：
class PreferenceManager:
    def __init__(self, db, cache=None, validator=None):
        self.db = db
        self.cache = cache or InMemoryCache()
        self.validator = validator or DefaultValidator()
    def save(self, user_id, prefs, merge=True, validate=True, notify=False):
        # 200+ 行，包含快取、驗證、合併、通知⋯⋯

# 同樣的需求，AI 先確認假設：
# 1. 需要快取嗎？（目前不需要，之後效能出問題再加）
# 2. 需要驗證嗎？（目前不需要，錯誤資料出現時再加）
# 3. 需要合併嗎？（目前不需要，需求出現時再加）

def save_preferences(db, user_id: int, preferences: dict):
    """Save user preferences to database."""
    db.execute(
        "UPDATE users SET preferences = ? WHERE id = ?",
        (json.dumps(preferences), user_id)
    )

核心洞察

「LLM 非常擅長反覆執行直到達成特定目標⋯⋯不要告訴它該做什麼，給它成功標準，然後看著它完成。」——目標驅動執行原則正是捕捉了這一點。

相關連結

• 上游 repo：forrestchang/andrej-karpathy-skills（MIT）
• Andrej 的原始貼文：x.com/karpathy
• 本站 repo：shumingyang-opencode/andrej-karpathy-skills-zh-tw