Andrej Karpathy 说，99% 的 AI 用户漏掉了 7 个基本功。我把它们拆开讲清楚。
> **来源**：[ScottyBeamIO on X](https://x.com/ScottyBeamIO/status/2059998232168571039) · 2026-05-28T14:00:25.000Z · OpenAI 联合创始人、斯坦福教授、仍在世的工程师里最可信的那批人之一。他不用神秘 prompt。他用的是一套系统。下面是他的 7 条真实建议：不炒作，不注水。
# Andrej Karpathy 说，99% 的 AI 用户漏掉了 7 个基本功。我把它们拆开讲清楚。
**OpenAI 联合创始人。斯坦福教授。仍在世的工程师里最可信的那批人之一。他不用神秘 prompt。他用的是一套系统。**
**下面是他的 7 条真实建议：不炒作，不注水。**
## 想象一下这个画面。
> 晚上 11 点。你盯着同一个 AI 聊天窗口已经两个小时。同一个请求，你换了六种说法。你试过礼貌一点，试过直接一点，试过具体一点，也试过含糊一点。你还从 X 上某个老哥那里复制了三个「神奇 prompt」，他说他的模板能让 Claude「聪明 10 倍」。
> 结果没有一个管用。输出要么太泛，要么结构错了，要么对你在同一段对话里 20 分钟前刚说过的事，自信满满地给出一个错误答案。
> 你关掉标签页。明天再试吧。也许换个模型。也许换个 prompt。也许只是你还不太会用。
## 让人不舒服的真相：问题大概率不在模型，更不在 prompt。
大多数人还在无休止地调措辞、找那句完美指令、买又一门「AI 生产力课」。但有一小群人已经悄悄想明白了：问题根本不在 prompt。
问题出在 prompt 周围的一切。
context。
memory。
structure。
workflow。
Andrej Karpathy 就是这类人。而且跟 AI 圈大多数声音不同，他有履历撑腰：OpenAI 联合创始人，Tesla 前 AI 负责人，斯坦福教授，也是那批真正把这些系统搭出来的工程师——别人现在还想靠巧妙 prompt 去「hack」的，正是这些系统。
他琢磨这件事的时间，几乎比谁都长。他得出的结论，事后看显而易见，但在实践中几乎被完全忽视。
> 他不用神奇 prompt。他搭基础设施。
七个习惯。几个简单文件。一套具体工作节奏。就这么多。
下面逐条看他到底怎么做，以及每一条为什么重要。
## TIP 1：忘掉神奇 prompt。问题几乎总是缺 context。
从 2022 年开始，「prompt engineering 大师」占领了 X 和 Instagram。
核心信息就一条：学会正确的咒语，模型就会听话。
Karpathy 不同意。大多数人为什么迭代 100 次还是拿到烂输出？真正原因是：他们完全忽略 context。
**他实际用的公式：**
- 写一个标准、清楚的请求
- 永远带一个具体例子，说明好输出长什么样
- 贴完整错误信息或完整背景——不要只贴裁过的一小段
> 不要为了「省 context window」去裁剪你的代码或文字。模型一旦开始猜缺了什么，就会猜错。每次都会。
再神的指令，也不会把你的背景传送进模型脑子里。你得把它写出来。
## TIP 2：你的 CLAUDE.md 大概率是垃圾。现在就去检查。
是不是从别人的模板复制来的？是不是让 Claude 自己给自己写的？那这个文件就没在为你服务。
**你的主配置文件必须清楚说明五件事：**
- 你是谁
- 这个项目是什么（只给大框架）
- 哪些东西不能碰
- 文件命名约定
- 回复格式怎么写
几乎人人都有这个文件。几乎没人把它配好。
先别急着怪模型「笨」，去读一遍你给它写的指令。
> 就算你只用浏览器里的 AI 工具，也一样需要这个。设一份置顶说明。道理一样。
## TIP 3：搭三层系统。别每个 session 都从零开始。
**Karpathy 的 pipeline：**
- /raw —— 原始材料，原样丢进去
- /wiki —— 模型编写和维护的结构化页面
- CLAUDE.md —— 你的长期操作原则
新材料进来 → 放进 /raw → 让模型处理它。
每天省下 30 分钟，而且会越积越多。
如果你的项目会持续几天以上，而你还在每个新 session 里重新解释所有东西——那不是 workflow，那是在原地打转。
## TIP 4：每次拿到一个有价值的回答，把它永久保存。
默认习惯是：拿到一个好回复，复制结果，关掉标签页，然后忘掉。Karpathy 说，这会悄悄拖垮你的长期生产力。模型需要参考材料。
**每次拿到有价值的回复之后，都这样做：**
> “Save this as a permanent page: wiki/topic/.md”
然后定期审计你的笔记，清掉重复、冲突和过期的信息。
跳过这一步，你最好的 AI 输出会被聊天历史淹没。你会在早就解决过的任务上反复花几个小时。
## TIP 5：任何超过一周的项目，都加 index.md 和 log.md。没有例外。
**两个文件。两个用途：**
- index.md —— 已有内容的地图
- log.md —— 持续更新的 changelog：date | type | description
> Example: 28-05-2026 | summary | customer interview breakdown
如果你每天 vibe coding 一两个小时，两周后你真的不记得第三天搭了什么。这两个文件就是你的 memory layer。
## TIP 6：AI 是一个很聪明但没品味的实习生。就按实习生管它。
Karpathy 的说法是：AI agents 是「知识量巨大、能力很强的实习生，但会不断产生幻觉，而且对代码完全没品味」。你得把绳子牵紧。
**他的实际工作循环：**
- 加载完整 context
- 只让它给下一小步的 2–3 个选项
- 选一个
- 评估、测试、提交
- 重复
> 永远不要让它用一个 prompt 做完所有事。那样你只会得到 500 行没法 debug 的垃圾。
## TIP 7：加一句话，让每个研究类 prompt 可读性提升 10 倍。
**把这句话加到任何分析或研究 prompt 的最后：**
> “Structure your final response as a self-contained HTML file.”
AI 模型能在几秒内把任何内容渲染成干净、可导航的 HTML。阅读时间会大幅下降。成本只是一句话。每次都用。
## 这件事奇怪就奇怪在这里。
这些建议没有一个是秘密。没有一个需要付费订阅、特殊工具或 40 小时课程。它们一旦摆在眼前，就完全显而易见。模型当然需要完整 context。有效的东西当然应该保存。项目当然需要地图和日志。
> 但现在去看看你自己实际怎么用 AI。诚实一点。这七件事里，有几件真的已经落到你的 workflow 里了？
大多数人面对 AI 时都处在一个很别扭的状态。他们相信 AI 很强——也见过它做出厉害的事——但一到自己手里，它总是不如预期。于是他们以为差距在模型、prompt，或者某种他们还没找到的内幕知识。他们花几个小时找诀窍，却不肯花 20 分钟搭地基。
Karpathy 的核心观点是：差距不在魔法。差距在 memory、structure 和小步推进。给模型完整画面。保存它产出的东西。按小步、可确认的节奏工作。瓶颈不是模型，是你的 workflow。
未来两年能从 AI 里获得显著更多的人，不是找到最好 prompt 的人，而是在模型周围搭出最好系统的人——哪怕系统很简单。一个 /raw 文件夹，一个 /wiki，一个配好的 CLAUDE.md，两个 markdown 文件，一套工作循环。
> 优势就这么点。小到几乎有点尴尬。但几乎没人真的去做。
回到开头那个故事。那个晚上 11 点受挫、关掉标签页的人——这不是一个 AI 很差的故事。那是一个没有 memory、没有 structure、没有 incremental loop 的 workflow 的故事。模型本来可以帮忙。它只是知道得太少，不知道自己到底在帮什么。
**现在你知道该搭什么了。从一个文件开始。一个文件夹。一个保存下来的回复。系统很快就会滚起雪球。**
## TL;DR
> 别再调 prompt 了。开始搭基础设施。一个配好的配置文件，一套 /raw 和 /wiki 结构，长期有用的参考文档，给长期项目用的 index 和 log 文件，小步工作循环，再加一个 HTML 小技巧。模型不再瞎猜，开始真正帮忙。优势不是秘密。优势是一套系统。一个下午基本就能搭好。
如果这篇有用，先收藏。你会回来看的。
关注 @ScottyBeamIO，后面会发更多这类拆解。
不注水，只讲真有用的。
**原文链接**：<https://x.com/ScottyBeamIO/status/2059998232168571039>