（2574期）Karpathy Guidelines – 软件工程执行纪律：小步、可验证、零膨胀

软件工程执行纪律：小步、可验证、零膨胀 一套源自Andrej Karpathy工程哲学的代码执行准则，强调小步迭代、最小变更、可验证性，防止过度设计和隐藏假设。 使用说明 核心定位 Karpathy Guidelines 是一套面向非琐碎软件工程任务的执行纪律，由前特斯拉AI总监、OpenAI创始成员Andrej Karpathy的工程方法论提炼而成。它并非具体的技术实现，而是一组元层面的操作框架，用于指导AI Agent在编码、调试、重构、代码审查等场景中的决策行为。 核心用法 该skill通过七步默认循环规范工程执行：1)用具体工程术语重述任务；2)阅读相关调用方、工具函数和测试；3)显式命名可能改变实现的假设；4)选择最小可行方案；5)仅做必要修改；6)用具体检查验证结果；7)报告变更内容、验证方式及剩余不确定性。配套紧凑思考框架（assumptions/read/plan/verify）用于快速决策。 五大核心规则 Think before coding：面对歧义需求时显式陈述假设，暴露冲突，拒绝为复杂化而复杂化 Simplicity first：最小变更原则，禁止为单一用例添加抽象，禁止无需求的功能扩展 Surgical changes：仅触碰请求要求的代码，禁止借机重构相邻代码，禁止无关的重格式化 Goal-driven execution：将模糊请求转化为可验证结果，Bug修复需先复现，新功能需定义验收标准 Agent-era discipline：将确定性逻辑（解析、验证、重试策略等）放入代码而非依赖模型判断，优先读取本地代码而非依赖通用计划 场景化指引 实现代码：最小diff，复用现有工具，不扩大API表面 调试：先缩小失败模式，用证据而非猜测，修复后验证回归边界 代码审查：聚焦正确性、简洁性、范围控制，标记隐藏假设和静默回退 规划工作：先给最小可行计划，包含明确验证点，避免推测性未来防护 显著优点 权威性高：源自Karpathy在特斯拉自动驾驶和OpenAI大模型训练中的实战经验 抗膨胀设计：明确的"过度构建测试"（强高级工程师会否称之为过度设计） 可验证性导向：每个任务必须锚定到可检查结果，杜绝"让它能跑就行" Agent时代适配：专门针对AI编码Agent的特有陷阱（如将确定性逻辑隐藏在提示词中） 潜在局限 认知开销：对真正琐碎的编辑（typo、单行重命名）仍要求"判断"，可能产生规则适用范围的心理负担 上下文依赖：高度依赖"阅读本地代码"的能力，若代码库质量差或文档缺失，准则执行效果下降 冲突解决模糊：当"本地先例"本身矛盾时，准则仅要求"暴露冲突并选择具体先例"，未给出选择依据 验证瓶颈：要求"具体检查"但部分场景（如分布式系统、复杂UI）难以快速构造确定性验证 适合人群 使用AI Agent进行中等复杂度以上编码任务的开发者 需要代码审查checklist或团队工程规范的技术负责人 希望抑制"Agent幻觉式重构"和"过度设计"的个人开发者 追求可维护性、可回滚性的生产环境工程团队 常规风险 形式主义风险：团队可能机械执行七步循环而忽视其背后的"小步验证"精神 与快速原型冲突：探索性编程场景下，严格的最小变更原则可能抑制必要的激进实验 Agent能力边界：准则假设Agent具备"阅读并理解本地代码模式"的能力，当前模型在长代码库上下文中可能失败 安全等级：内容本身无恶意，但若Agent错误应用（如将"最小变更"误解为"绕过安全验证的最短路径"），可能引入漏洞。需结合安全敏感场景的额外审查。 原始说明 engineering execution guardrails for coding, implementing features, fixing bugs, debugging failures, reviewing diffs, refactoring code, simplifying overbuilt...