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
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。
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”。
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
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。
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。
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。
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：
如果是多步骤任务，还可以让AI先列出计划，每一步都明确验证标准，比如：
1. [步骤一] → 验证方式：[具体检查点]
2. [步骤二] → 验证方式：[具体检查点]
3. [步骤三] → 验证方式：[具体检查点]
这样一来，AI就能自主循环尝试，不用你反复提醒。
这个skill的优势在于简单易上手，不需要复杂的配置，有两种方式可以直接使用，适合不同场景：
如果经常用Claude Code编程，直接安装插件，所有项目都能使用这些原则：
# 在 Claude Code 中添加 marketplace/plugin marketplace add forrestchang/andrej-karpathy-skills# 安装插件/plugin install andrej-karpathy-skills@karpathy-skills
如果只需要在特定项目中使用，直接生成CLAUDE.md文件即可：
- 新项目：
curl -o CLAUDE.md https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/CLAUDE.md
- 现有项目
echo "" >> CLAUDE.mdcurl https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/CLAUDE.md >> CLAUDE.md
另外，项目还支持Cursor编辑器，自带配置文件，打开项目后自动生效，无需额外操作。
小提醒：灵活权衡，不僵化执行
需要注意的是，这些原则更适合“非 trivial 任务”（比如核心功能开发、复杂bug修复）。如果是简单的打字错误、一行代码的修改，不用严格遵循所有原则。毕竟，原则的目标是减少高成本错误，而不是让简单任务的速度变慢。
使用一段时间后，只要出现这4个情况，就说明指南起作用了：
- 代码修改记录（diffs）中，没有多余的无关修改，只有你要求的内容；
- 不用反复让AI简化代码，第一次生成的代码就足够简洁；
- AI会在编程前先提问澄清模糊点，而不是事后发现错误；
- 提交的代码PR（合并请求）更简洁，没有“顺手优化”的无关内容。
“看一个 AI 智能体不知疲倦地工作，真的很有意思。它们从不累，从不气馁，只是不断尝试。”
Karpathy 点出一个本质：人类的耐力是工作的核心瓶颈之一，而 LLM 把这个瓶颈大幅提高了。
AI 到底把编程速度提高了多少倍？Karpathy 说，这很难量化。因为真正的变化是：以前不值得手写的代码，现在愿意写了；以前因为知识或技能不够不敢碰的代码，现在敢了。
与其说是“加速”，不如说是“能力边界的大幅扩张”。
“我没想到，有了 AI 智能体，编程反而更有趣了。因为那些填坑式的苦差事被去掉了，剩下的是创造性的部分。”
但他也观察到，这会分化两类工程师：
- 喜欢“写代码”本身的人（可能会失落）
- 喜欢“构建东西”的人（会更兴奋）
“我已经注意到，我手写代码的能力在慢慢退化。但阅读和理解代码的能力还在，这两件事在大脑里是分开的。”
一个安慰：你可能会忘了某个循环的语法，但依然能看懂这段代码在干什么。
“我预测 2026 年会成为 Slopacolypse（垃圾内容末日） 之年，GitHub、Substack、arXiv、社交媒体……到处都会被 AI 生成的低质内容淹没。”
但他也冷静地补充：真正实质性的进步，会在喧嚣之外悄悄发生。
- “AI编程效率远超平均水平的工程师”会怎样？普通工程师和顶级工程师之间的效率差距，可能会进一步拉大。
- 通才 vs 专才？有了 LLM，是通才更占优还是专才？Karpathy 目前倾向通才，因为 LLM 更擅长填空（微观）而非大战略（宏观）。
- 未来的 AI 编程像什么？像玩《星际争霸》？像玩《异星工厂》？还是像弹奏音乐？
- 社会有多少瓶颈卡在数字知识工作上？ 如果 AI 把这块打通，会释放多少生产力？
Karpathy 表示，2025 年 12 月是一个分水岭，LLM 智能体的能力（尤其是 Claude 和 Codex）跨过了一个连贯性阈值，引发了软件工程领域的相变。
2026 年将是行业消化这些新能力的高能量年份。
对于普通开发者来说，这套 Karpathy Skill 不只是一种工具配置，更是一种思维转变：
从“怎么写这段代码”变成“怎么清晰地描述我想要的目标”，然后让 AI 去执行、去试错、去迭代。
你不需要变成一个 AI 专家，你只需要学会给 AI 当导演，而不是当演员
