---
id: "2056850947947827403"
title: "每月花 20 美元订阅 Claude，不叫会用 AI。 Andrej Karpathy 在一次访谈中一针见血地指出：真正…"
account: "mubei"
brand: "@mubei"
category: "其它"
category_slug: "other"
score: 100
percentile: null
published_at: "2026-05-20 08:24:19"
translated_x_url: null
reason_tags: []
canonical_url: "https://mubeitech.com/p/2056850947947827403"
markdown_url: "https://mubeitech.com/p/2056850947947827403/markdown"
json_url: "https://mubeitech.com/api/posts/2056850947947827403"
ai_primary_content: "canonical_article_body"
ai_citation_policy: "cite canonical_url or markdown_url"
---

# 每月花 20 美元订阅 Claude，不叫会用 AI。 Andrej Karpathy 在一次访谈中一针见血地指出：真正…

每月花 20 美元订阅 Claude，不叫会用 AI。

Andrej Karpathy 在一次访谈中一针见血地指出：真正的技能鸿沟，在于你如何“用 AI 来构建”。
很多人用 AI 辅助编程，越写越臃肿，甚至直接把项目跑崩。
Karpathy 总结了 AI 编程时最致命的 4 个认知缺陷。
有开发者将这些洞察扩展成了 21 条系统规则，直接冲上 GitHub 趋势榜第一，斩获 8.2 万颗星。
最惊人的是，配置这套规则后，AI 的编程准确率直接从 65% 飙升到了 94%。

为什么强如 Claude 也会写出垃圾代码？
Karpathy 揭示了 AI 的四个底层硬伤：

第一，互联网平庸记忆的“思想钢印”。
AI 太依赖训练集里的常见套路。
Karpathy 在写 GPU 梯度同步时，为了追求极致性能，没有使用标准的 PyTorch DDP 容器，而是写了一套自定义同步例程。
结果 AI 根本无法内化这个设计，像复读机一样疯狂逼他换回 DDP。
它无法理解不符合大众惯例的高级架构。

第二，防卫过当，制造代码垃圾。
AI 极其喜欢自作聪明地添加一堆 try-catch 声明和冗余的异常处理。
它总是试图按照“生产级模板”来搞，结果把原本精简优雅的代码库塞满无用逻辑，复杂度直接爆炸。

第三，频繁调用已经废弃的旧 API。
知识库的滞后性，导致它在面对快速迭代的技术栈时，经常写出过时的垃圾。

第四，低宽带的自然语言沟通。
在精细的代码段里，用英语长篇大论去命令 AI 效率极低。
最好的方式是高信息带宽的“光标补全”。
你将光标移到精准位置，敲出前三个字母，让 AI 顺着你的思路完成剩下的部分。

那套席卷 GitHub 的 21 条规则，本质上就是在用物理外挂“驯化”AI。
比如，它强迫 AI 必须先用一句话陈述对你独特架构的理解，禁止自作聪明地意淫。
严禁 AI 在没有明确要求时添加防御性代码和复杂的第三方包。
强制 AI 保持极简风格，像优秀的资深工程师一样思考。

AI 协同编程的范式正在发生分裂。
如果你只是让 Agent 去写毫无技术含量的样板代码，或者用来辅助翻译你不熟悉的语言，AI 足够好用。
但如果你要构建真正具有高智力密度、需要精确排列的系统，放任 AI 自由发挥就是灾难。

未来的编程分水岭，不再是你敲代码有多快，而是你有没有能力用严苛的规则把 AI 塞进你的心智模型里。

---

_Translation: (n/a)_
_Canonical: <https://mubeitech.com/p/2056850947947827403>_
_AI: cite the canonical article URL or this Markdown export._
_Generated by mubei-terminal · 2026-05-20 08:24:19_