一個只有一份 Markdown 檔案的 GitHub 專案 andrej-karpathy-skills 突破 15,000 顆星，成為 Claude Code 生態中最受歡迎的開源專案之一。這份 CLAUDE.md 檔案基於前 Tesla AI 總監 Andrej Karpathy 對 LLM 寫程式常見錯誤的觀察，將其轉化為 Claude Code 可直接使用的行為準則。

Karpathy 觀察到的 LLM 編程通病

Karpathy 指出，LLM 在寫程式時會犯一些可預測的錯誤：過度工程化（over-engineering）、忽略既有程式碼模式、在不必要的地方添加依賴項。這些不是隨機錯誤，而是模型訓練方式導致的系統性偏差 — 模型傾向於展示「聰明」的解法，而非符合專案脈絡的簡潔方案。

關鍵洞察在於：既然這些錯誤是可預測的，就可以用正確的指令來預防。這正是 Harness Engineering 中「前饋控制」（feedforward）的實際應用 — 在 AI 行動前就設好規則，而非事後修正。

一份 Markdown 檔案如何改變 AI 行為

CLAUDE.md 是 Claude Code 的專案級設定檔。當你把它放進專案根目錄，Claude Code 每次啟動時會自動讀取並遵循其中的指令。這份檔案將 Karpathy 的觀察轉化為四項核心原則：

• 目標驅動執行 — 把命令式指令轉化為宣告式目標，搭配驗證迴圈
• 不要假設 — 遇到不確定的情況必須先確認，而非猜測
• 不要隱藏困惑 — 如果不理解需求，必須明確表達
• 主動暴露取捨 — 當存在多種方案時，呈現各自的優缺點

這些原則聽起來像是給人類工程師的建議，但在 AI 的脈絡下意義不同。LLM 的預設行為是「盡可能產出完整的回應」，即使這意味著猜測用戶意圖或過度設計。CLAUDE.md 把這些預設行為導向更審慎的方向。

15K 星背後的趨勢：Prompt 工程的新形態

這個專案的爆紅反映了開發者社群的一個轉變：從「用 AI 寫程式碼」進化到「工程化 AI 的行為讓程式碼品質更好」。過去的 prompt engineering 聚焦在單次對話的提示詞設計，現在的焦點是持久化的行為準則 — 一次設定，長期生效。

這也呼應了 Vibe Coding 趨勢中一個尚未被充分討論的面向：當 92% 的美國開發者已在使用 AI 編程工具時，決定程式碼品質的不再只是模型能力，而是你怎麼「管理」這個 AI 夥伴的行為。一份好的 CLAUDE.md 可能比選擇更強的模型更有效。

專案由開發者 forrestchang 建立，100% 開源，除了 CLAUDE.md 主檔案外，還提供了可作為 Claude Code Skill 安裝使用的版本。