让 LLM 按 TDD 节奏干活：andrej-karpathy-skills 完整实战指南
让 LLM 按 TDD 节奏干活andrej-karpathy-skills 完整实战指南【免费下载链接】andrej-karpathy-skillsA single CLAUDE.md file to improve Claude Code behavior, derived from Andrej Karpathys observations on LLM coding pitfalls.项目地址: https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skills让 AI 写代码翻车点往往不在写不出来而在写多了没人让它重构它顺手把相邻代码改了一遍没人要配置项它给你塞一堆可扩展性。andrej-karpathy-skills 是一份 LLM 编码指南把 Andrej Karpathy 对大模型写码习惯的观察浓缩成四条行为约束配合测试驱动开发TDD的红绿重构循环让模型的输出更克制、更可验证。四大原则速览这份 LLM 编码指南在管什么仓库的核心就是一个CLAUDE.md文件外加 Claude Code 插件形态。四条约束各自对着一类常见毛病管住假设思考先行。错误做法模型悄悄选定一种解释然后一路狂奔。正确做法动手前把假设摆上台面不确定就问有歧义就把多种理解都列出来让你拍板。管住代码量简洁至上。错误做法50 行能解决的事写 200 行还给一次性代码抽抽象。正确做法只写解决问题所需的最少代码不做推测性工作。自测标准——资深工程师会不会说这写复杂了。管住改动范围精准修改。错误做法修 A 功能时顺手优化B 函数的格式。正确做法每一行改动都能追溯到本次需求看到无关死代码提一句就行别删。管住验收方式目标驱动执行。错误做法接到加个校验这种模糊指令就开干。正确做法把指令翻译成可验证目标——给非法输入写测试然后让它们通过写一个能复现 bug 的测试然后让它通过。第四条是枢纽。Karpathy 的观察是大模型特别擅长朝着明确目标循环直到达成与其告诉它该做什么不如给它成功标准然后看着它跑完。TDD 的红-绿-重构循环恰好就是这种目标结构。完整 TDD 实战流程一个加法功能跑完红绿重构需求就一句实现整数加法。按四阶段走1. 规划思考先行。先把假设写下来输入是两个整数成功标准add(2, 3) 5边缘情况先记下负数和零。2. 写测试目标驱动。先写会失败的测试让红成为起点test(adds two integers, () { expect(add(2, 3)).toBe(5); expect(add(-1, 1)).toBe(0); });3. 最小实现简洁至上。只写让测试变绿所需的代码不多加一行function add(a, b) { return a b; }4. 验收与重构精准修改。跑一遍红了就修到绿。之后若要重构成功标准只有一条重构前后现有测试全部通过改动产生的无用 import 自己清掉其余代码一律不碰。原则与 TDD 四阶段对照哪些坑别踩如果团队正在用 TDD 工作流每个阶段其实对应一条主原则各配一个易踩的坑规划阶段 × 思考先行接口含义没对齐前别急着写用例。允许小数吗null 怎么处理这类问题问在前头比返工在后头便宜得多。写测试阶段 × 简洁至上只覆盖当前需求。给加法补二十个未来可能用得上的用例不是严谨是过度指定。实现阶段 × 精准修改测试变绿就够了。实现 diff 里混进风格调整或注释改写PR 会变得没法审。重构阶段 × 目标驱动执行重构同样要有目标——测试保持全绿就是成功标准。红一条回退一条直到结构更干净且无一用例变红。最快安装步骤两种姿势方式一Claude Code 插件推荐装一次全局生效/plugin marketplace add forrestchang/andrej-karpathy-skills /plugin install andrej-karpathy-skillskarpathy-skills方式二把指南放进每个项目的CLAUDE.mdgit clone https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skillsclone 之后把仓库里的CLAUDE.md复制到项目根目录已有该文件的项目直接追加到末尾。两条路径内容同源按团队习惯二选一。写在最后把怎么改交给红绿重构循环去收敛把做到什么程度算完交给自己定义这就是这套组合的全部逻辑。现在就可以动手装好插件或 clone 仓库拿走CLAUDE.md下个任务先让模型列出成功标准再让它写第一行代码。【免费下载链接】andrej-karpathy-skillsA single CLAUDE.md file to improve Claude Code behavior, derived from Andrej Karpathys observations on LLM coding pitfalls.项目地址: https://gitcode.com/GitHub_Trending/an/andrej-karpathy-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
