3个月12万星，一个文件凭什么让全球开发者买单？
先说个事。
我的AI编程开源课程更新了，加入了 OpenAI Codex（OpenAI推出的AI编程代理工具）的使用说明。
课程正式更名为 ai-coding-guide-zh。
地址：https://github.com/KimYx0207/AI-Coding-Guide-Zh
这个课程目前在GitHub上拿了 3,705 个Star、705 个Fork。
36篇完整教程，18万字，覆盖Claude Code、OpenClaw、Codex三条学习路径。
从零基础到企业实战都有。
感兴趣的先去看看，下面进入正题。
一个文件，3个月，12万星
GitHub上有这么一个项目。
2026年1月27日创建，到现在 119,594 个Star，12,057 个Fork。
地址：https://github.com/forrestchang/andrej-karpathy-skills
你可能以为是什么新框架、新模型。
不是。
整个项目的核心就一个文件。
一个叫 CLAUDE.md（项目说明文件，告诉AI该怎么干活）的纯文本。
仓库里虽然有README、中文翻译、Cursor适配等辅助文件，但真正起作用的就这一个。
它治的是AI编程最让人头疼的毛病
这个项目的灵感来自一条推文。
推文作者是 Andrej Karpathy（OpenAI联合创始人，前特斯拉AI总监）。
他在推文里列举了AI编程的三大通病：
"模型会替你做错误的假设，然后一路跑下去不检查。不管理困惑，不暴露矛盾，不寻求澄清，不呈现权衡，该反驳的时候不反驳。"
"特别喜欢把代码搞复杂，膨胀抽象，不清死代码……100行能搞定的事非要写1000行。"
"还是会改掉、删掉它们不够理解的注释和代码，哪怕跟任务完全无关。"
看到这几条，用AI写过代码的人大概都会点头。
因为每个毛病你都遇到过。
AI不问就干。
AI越改越乱。
AI自作主张改了不该改的地方。
这不是某个模型的问题。
是所有大模型写代码时的通病。
四条铁律，每条治一个病
这个项目提炼了四条原则。
每条对应AI编程的一个通病。
Think Before Coding：先想再写
治"不问就干"。
动手之前先说清打算怎么做。
不确定的地方必须问，不能自己猜。
有多种理解的时候，必须都列出来让你选。
如果有更简单的方案，必须说出来。
该反驳的时候，得反驳。
Simplicity First：简单至上
治"越改越复杂"。
写了200行，如果50行就能搞定，重写。
没要求的抽象、灵活性、可配置性，统统不准加。
没让做的事，不准做。
不可能发生的场景，不需要写错误处理。
Surgical Changes：只改该改的
治"乱动别人代码"。
只改跟任务相关的部分。
旁边的注释和格式，不好看也不许碰。
没坏的东西别重构，保持现有风格。
发现死代码可以提，但不准删。
自己的改动产生的废弃代码，必须清干净。
Goal-Driven Execution：目标驱动
治"不知道什么时候算完"。
每个任务必须有明确的完成标准。
"修复bug"不够，要改成"写个能复现bug的测试，让测试通过"。
"添加验证"不够，要改成"为无效输入写测试，然后让测试通过"。
重构要确保测试前后都通过。
复杂任务要分步，每步都要有验证条件。
标准越明确，AI越能自己闭环。
标准越模糊，你就越得盯着它。
一个文件为什么就够用
四条原则，覆盖了AI编程80%以上的翻车场景。
而且它们写在一个文件里，放在项目根目录。
AI每次启动都会自动读取。
你不需要每次对话都重复叮嘱别乱改、别搞复杂。
这跟每次对话都要重新提醒的方式，是完全不同的思路。
一个是临时约束，说一次管一次。
一个是持久规则，写一次一直管。
这个项目拿到12万星，不是因为技术多牛。
一个纯文本文件，没有一行代码。
不是因为营销多好，作者就发了几条推文。
也不是因为有名人背书。
Karpathy只是发了条吐槽，项目是另一个人做的。
它火的原因只有一个。
它定义了一种能力。
这种能力，我管它叫 框架能力。
就是你能不能把希望AI怎么干活这件事，用一套规则说清楚，让AI自动遵守。
这跟写提示词不是一回事。
提示词是一次性的，你每次都得说。
框架是持久的，写一次就一直在。
也跟选模型不是一回事。
模型决定AI聪不聪明。
框架决定AI听不听话。
在AI编程这件事上，聪明但不听话，可能比笨但听话更可怕。
因为聪明的AI会犯更高级的错误，而且你不容易发现。
规则只是起点，下一步是造Agent
andrej-karpathy-skills用12万星证明了一件事：定义AI行为规则的能力很值钱。
但它只做了第一步：把规则写在一个文件里，让AI照着做。
这就引出一个问题。
规则写好了，谁来保证它被遵守？
谁来把规则变成能干活的Agent？
谁来编排多个Agent协作？
谁来做完之后复盘、进化，让下次更强？
这不是一个文件能解决的事。
你需要一个能造Agent的工厂。
我做了一个项目叫 META_KIM（GitHub：https://github.com/KimYx0207/Meta_Kim，127 Star，39 Fork）。
它干的就是这件事：造能干活的Agent，编排它们执行，集成各平台的能力。
具体怎么造？
meta-genesis 先给Agent设计灵魂——SOUL.md（一个Agent的认知操作系统）。
定义它是谁、懂什么、拒绝什么。不是写任务清单，是写领域认知。
meta-artisan 再给Agent装技能——匹配Skill、工具、MCP集成。
不是手动配置，是能力优先：先定义需要什么能力，再搜索谁声明了拥有这个能力，然后匹配。
meta-sentinel 给Agent设安全边界——权限、Hook、回滚机制。
meta-librarian 给Agent装记忆——跨会话连续性，下次开机还记得上次干了什么。
meta-conductor 编排Agent怎么干活——工作流、节奏控制、并行分组。
meta-warden 是总调度——所有请求先进这里，由它分配给其他元Agent。
meta-prism 检查Agent干得好不好——质量审计、AI腔检测。
meta-scout 发现外部能力来补缺口——找不到合适Skill时，出去找。
8个元Agent，各自负责造Agent的一个环节。
产出一个能独立干活的Agent，集成了对应平台的Skill和工具。
而且跨4个平台：Claude Code、Codex、OpenClaw、Cursor。
同一套Agent定义，投射到不同运行时。不是给每个平台分别写一套，是一套源同步到多个目标。
整个过程还有一套闭环机制。
8阶段骨架：从需求澄清到复盘进化，每个阶段有合约（必须产出什么）和闸门（产出够不够格往前走）。
阶段到了不等于阶段过了。
没通过闸门，不能假装工作完成了。
做完之后，进化阶段把经验写回系统，下次造出来的Agent更强。
andrej-karpathy-skills是给一个AI定规矩。
META_KIM是造出一群AI，让它们各自带着规矩去干活，干完还能复盘进化。
规矩是起点。
能造出守规矩的AI，才是框架能力。
看到这个项目3个月拿到12万星。
不意外。
只觉得：确认了。
让AI按规矩干活，需求比我想象的大得多。
很多人已经在用AI写代码了。
但大多数人还在靠每次对话重新叮嘱AI。
这跟每次开车都要重新调座椅一样累。
你真正需要的，是把偏好和规则固定下来。
它的边界
说完了好的，也得说不够的地方。
andrej-karpathy-skills只解决了一个维度：给单个AI定行为规则。
它不会造Agent，不会编排多个Agent协作，不会让经验自动沉淀。
规则是静态的，写在文件里就不会再进化了。
META_KIM在尝试解决这些——但说实话，它自己还在早期。
127个Star，说明验证过的人还不多。
跨4个平台的投射也还有不少边界情况要处理。
不过方向我是确定的。
定义规则只是第一步。
能造出守规矩的AI，才是第二步。
最后说两句
工具和模型会一直变。
Claude今天领先，明天可能就被追上。
提示词技巧会一直过时。
今天管用的prompt，下个版本可能就不好使了。
但有一件事不会变。
你得知道怎么让AI按你的规矩干活。
andrej-karpathy-skills用12万星证明了一件事：
定义规则的能力，比选什么模型更重要。
而META_KIM在尝试证明下一件事：
能造出守规矩的AI，才是框架能力的终点。