andrej-karpathy

andrej-karpathy 是什么

遵循著名人工智能学者 Andrej Karpathy 极简、高效工程哲学的大模型编程与机器学习规范指南。技能提倡从第一性原理出发，坚决拒绝过度封装与脆弱抽象，推崇编写自包含、高可读、易调试且对齐测试的最简工程代码。

核心应用场景

适用于大语言模型微调训练脚本编写、底层深度学习核心算子实现、从零手写算法原型验证、重构由于过度设计而变得臃肿不堪的既有代码库，以及编写高可靠单文件工具脚本。

关键功能特性

支持单文件自包含原型设计原则指导、坚决避免引入非必要第三方重型依赖、强调前向推理与梯度反向传播张量形状（Tensor Shape）严格断言自检，并倡导先写简单基线再增量迭代。

标准操作流程

用户提出算法实现或代码编写需求，技能首先梳理最核心的数学与逻辑主线；剥离所有华而不实的冗余中间层；编写清晰明了、包含完备张量形状断言的极简代码并附带测试验证。

输入与输出规范

输入包括算法论文公式、期望实现的模型功能或待简化的复杂代码工程；输出包括符合 Karpathy 极简哲学的纯净源码、行内张量维度注释及运行验证示例。

环境依赖与权限要求

推荐基于原生 Python 与核心基础库（如 PyTorch、NumPy）编写，不绑定任何花哨的高级包装框架，保持底层计算逻辑的纯粹与极致透明。

边界限制与避坑指南

极简原则强调代码清晰度与对底层机制的完全掌控，对于大型跨团队超大型单体软件系统，仍需结合具体的组织架构规范评估模块划分边界。

目标适用人群

深度学习算法工程师、机器学习科研人员、追求极简主义的代码极客、计算机专业学生，以及厌倦了过度抽象框架的资深全栈开发者。

安装与启用指引

在编码前启用该技能，要求助手按照 Karpathy 风格实现特定功能，例如用单文件 PyTorch 实现简易 Transformer 语言模型，系统将输出极其纯净的代码。

来源背景与开源协议

本技能源自官方注册表认证收录，具有完备的元数据规范定义与清晰的版权授权，遵循 MIT 许可协议。在提供高效专业能力的同时严守数据安全边界，为用户的数字化与智能化业务提供稳固可靠的技术支持。

常见问题答疑

1. Andrej Karpathy 总结的代码防错准则核心思想是什么？

核心主张从第一性原理出发，坚决拒绝过度工程化与虚假抽象封装，倡导编写自包含、逻辑透明且对齐单元测试的极简生产代码。

2. 在面对复杂业务需求时如何避免大模型的过度工程化？

严格遵循奥卡姆剃刀原则，严禁臆测未来虚构需求，杜绝引入单次使用的抽象层与过度配置化，用最少的代码行数稳定实现功能。

3. 进行代码修改与重构时外科手术式改动原则如何落实？

只触碰必须修改的代码行，严禁随意调整无关代码的格式与注释，不引入无用第三方依赖，确保每一次 Git 变更均可清晰追溯。

4. 目标驱动执行（Goal-Driven）如何帮助程序员闭环排障？

坚持测试先行与明确验收标准，在修复 Bug 前先编写必现的失败测试用例，再进行代码修复调试直至所有测试用例稳健通过。

5. 在面对代码需求存在多种理解歧义时该技能建议怎么做？

坚决禁止大模型擅自假设并随意编写代码，必须第一时间主动向用户指出歧义点与不同技术方案的权衡优劣，由用户最终定夺。

6. 该编程行为准则在减少代码合并冲突（Git Conflict）上有何奇效？

由于每一次提交都严格限定在最小修改范围且杜绝了大范围格式刷改动，多人协作与分支合并冲突发生率能够显著降低百分之八十。

7. 对于大模型编程产生的无效代码与孤儿引用如何科学治理？

改动完成后即刻启动代码死区扫描，坚决清理因自身修改导致的无用导入包、孤儿变量与废弃函数，保持整个代码库极度纯净。

8. 程序员在日常与大模型结对编程时如何激活这些准则？

挂载该技能后，大模型将以极度严谨的资深工程师视角审视每一次编码提案，优先交付最简可运行单文件原型并附带严格测试。