Karpathy 又开源新项目了autoresearch 一个把 AI 引入科研实验流程的开源框架，能让 Agent 自动修改代码、运行实验，再根据结果持续迭代。 🔬 自动执行实验 🤖 AI 参与研究迭代 📊 根据实验结果不断优化 项目上线后关注度飙升，具体 Star 数以 GitHub 页面为准。 对 AI Agent 和自动化科研感兴趣的，可以研究一下。 🔗

Karpathy 居然锁定了他的账户，也改了签名。 他说因为机器人活动和其他问题，估计是受不了那些 AI 和机器人的回复了。 锁定以后，新用户无法关注他，也没办法看到他的内容，只有已经关注的人才能看到。

Karpathy 和 Peter Gostev 的最新发现：Fable 5 能做的不只是写代码——它能把互联网上学到的知识直接变成可玩的 3D 世界。 Peter 做了一个 45 分钟视频：他用 Fable 跑了 60+ 个 3D prompt。最震撼的 demo——熊抓到鲑鱼时鱼在嘴里挣扎。Karpathy 看了之后说："我不理解一个 LLM 怎么能只从互联网上知道熊、鲑鱼、Three.js、xyz 坐标、网格、位移、动画、特效、交互性和迷你故事——然后把这些全都转化成实际运行的东西。" 511 赞，858 收藏。这是 Fable 新发现的能力层：模型不仅能写出程序，能创造世界。每一次模型级别提升都会带来新的质量级惊喜——对 Fable 来说，Three.js 实时环境就是那个惊喜。 来源：@karpathy @petergostev, 2026-07-03 #Fable5# #ThreeJS# #生成式3D#

Karpathy说“LLM不怕更新wiki”， Google直接把这句话变成了标准。 Open Knowledge Format (OKF)： 用最朴素的 Markdown + YAML，让AI智能体真正能干活的知识格式。 不用学新语法 不用新工具链 直接跟代码放一起，用 Git 管理 Agent想改就改，人类只管看 这才是真正的「LLM Wiki」落地版。 人类终于不用再当知识库的保姆了。 链接🔗放到下面了👇

Karpathy 发布了一个github开源项目，狠狠让我惊艳到了 这个项目叫 andrej-karpathy-skills,GitHub 13 万+ star,我愿称之为2026 最有用的 AI 工程项目 它解决的问题极其精准：让 Claude Code 不再瞎写代码 这个项目到底有多厉害？ 先说结论：一个 4KB 的文本文件，让 AI 写代码的错误率暴降 90% Karpathy 自己说，他现在 80% 的代码都让 Claude 写，但 AI 经常犯几个典型错误： 不问就瞎猜需求 过度设计，写一堆用不上的抽象 改 A 顺手把 B、C、D 也重构了 代码能跑就行，不管目标达成没有 这个项目就是专门给 Claude Code 戴上guardrails，用 4 条行为准则约束 AI 的编码行为 核心亮点：4 条准则改变一切 整个项目就是一个 CLAUDE.md 文件，里面只有 4 条规则，但每一条都直击 AI 编码的痛点 1. Think Before Coding - 先思考再动手 AI 最大的问题是“太听话”，你说啥它就写啥，从不质疑 这条准则要求：明确说明假设、权衡 tradeoffs，不确定就直接问 不再是“我猜你想要这个”，而是“我理解你的需求是 A，但 B 方案可能更合适，你要哪个？” 2. Simplicity First - 极简实现优先 AI 天生爱炫技，你要一个登录功能，它给你写个完整的 OAuth 2.0 + JWT + 刷新令牌 + 权限系统 这条准则强制：只写刚好能解决当前问题的最小代码 不搞 speculative abstractions，不写未来功能，不过度工程 一个用户反馈：用了这条规则后，代码 diff 从动辄几百行缩减到几十行，review 轻松太多 3. Surgical Changes - 手术式精准修改 这是我最爱的一条 AI 有个恶习：你让它改个 bug，它顺手把整个文件的命名风格、缩进、注释全优化了 这条准则要求：只改用户要求的部分，严格匹配原有代码风格 不碰无关文件，不顺手 refactor，不加“看起来更好”的改动 有开发者实测：启用这条后，git diff 从“满屏红绿”变成“3 行精准修改” 4. Goal-Driven Execution - 目标驱动执行 AI 经常写完代码就交差，但代码能跑 ≠ 任务完成 这条准则要求：把任务转化为可验证的目标/测试/成功标准，然后 loop 执行、验证、迭代 直到真正达成目标才停止 这让 AI 从“代码生成器”变成“问题解决者” 真实效果：社区反馈炸裂 X 上这个项目刷屏了，开发者反馈高度一致： 代码质量飞跃：diff 更紧凑、干净，overbuild 和 side changes 大幅减少 错误率暴降：有人实测从 41% 掉到 11%，继续优化后低至 3% 中文社区评价：“必备 skills”“Claude/Cursor 实用技能 Top1”“直接扔项目里就完事了” 很多人直接 @ 朋友推荐：“把这个 CLAUDE.md 放进去，Claude 立刻像换了个人，写代码更靠谱、不乱改、不瞎猜“ 使用方式：简单到离谱 这是我见过最简单的 AI 工程优化方案： 方法一：直接 curl 把 CLAUDE.md 下载到项目根目录 curl -o CLAUDE.md 方法二：用 Claude Code / Cursor 的 plugin 一键安装 支持 Claude Code、Cursor 等主流 AI coding 工具 完全开源（MIT 协议），拿来就用 作为产品经理出身的开发者，我看到的不只是 4 条规则，而是对 AI 编码行为的深刻洞察 Karpathy 做的事情本质上是：给 AI 建立编码的第一性原理，他把他对于AI编程的理解写入了文件中 不是教 AI 怎么写代码（它已经会了），而是教 AI 什么时候该问、什么时候该停、什么时候该简化 这 4 条准则就像产品经理给开发团队定的 PRD 原则： 需求不清楚？ 先问 功能够用就行？ 别过度设计 改需求？ 只改需求相关的 做完了？ 先验证目标达成没有 它能帮到我们什么？ 如果你是独立开发者或小团队，这个项目能直接提升你的 AI 协作效率： 减少返工：AI 不再瞎猜需求，写出来的代码更符合预期 降低 review 成本：改动精准，不用在一堆无关修改里找真正的变更 提升代码质量：极简实现意味着更少的 bug、更好的可维护性 加速迭代：目标驱动让 AI 真正解决问题，而不是生成代码 对于中大型项目，这是让 Claude Code 真正“生产可用”的关键一步 我的使用体会 我在自己的几个项目里部署了这个 CLAUDE.md，最直观的感受是： AI 变聪明了 以前它是个听话的实习生，你说啥它做啥，经常做错 现在它像个有经验的同事，会主动问“你确定要这么做吗？ 我有个更简单的方案” 代码 diff 变干净了 以前一个小需求能改几十个文件，现在精准到只改 3-5 行 我的工作重心变了 以前 60% 时间在 review AI 的代码、修 bug 现在 80% 时间在思考产品逻辑，AI 真正成了生产力工具 最后 这个项目被誉为 2026 年 AI coding 领域的“现象级”黑魔法工具 小文件，大作用 如果你在用 Claude Code / Cursor 写代码，强烈建议直接把这个 CLAUDE.md 扔进项目根目录 GitHub 地址： 试过的人基本都是“已全项目部署”的状态 作为一个天天和 AI 协作的开发者，我的建议是：别犹豫，直接用

解读 Karpathy 提出的全球 AI 使用者四层画像。全球 80 亿人分层：底层 60 亿从未接触 AI；第二层十几亿只用基础对话；第三层 2000 万人，写代码越多越惊叹 AI；顶层仅 5000 人，身处顶尖实验室，目睹 AI 智能体快速完成前沿任务，人类或将成为 AI 发展瓶颈。 Karpathy 本人就属于顶层人群。第三层用户每年给头部 AI 企业带来千亿营收，英伟达大手笔锁定 HBM 产能。深度 AI 用户若从 2000 万扩至 2 亿，算力上下游会迎来巨大机会。

Andrej Karpathy发表评论表示: 因为人们对大语言模型（LLM）能力的认知鸿沟正在进一步扩大。 现在的情况已经不再只是“两群人在各说各话”，而更像是一个急剧收窄的漏斗。 - 约60亿人（全球人口的75%）：粗略估算，这些人几乎从未真正接触过LLM。 - 约10亿至20亿人（约20%）：他们是ChatGPT等免费产品的轻度、低频用户。这群人接触到的往往是一些略显笨拙的聊天机器人，将其当作功能更强的谷歌搜索、写作辅助工具等等。偶尔也许会有一个AI Agent尝试帮你预订机票。我有一些非科技行业的朋友认为AI对他们几乎没什么用处，而我觉得这种看法完全可以理解。即使是数学和编程领域之外的许多专业人士，也仍然处于这一层级。例如，企业高管和许多其他职能岗位的员工，大部分时间都在与人沟通。因此，尽管他们在理性上理解AI正在发生什么变化，但这种认识仍然来自间接体验，多少有些抽象。 - 约2000万人（0.2%）：接下来是那些在数学和编程领域专业使用前沿LLM的人。这些人已经亲眼见证：过去需要几周甚至几个月才能完成的大型复杂项目，现在只需要给AI Agent一个Prompt，就能由它完成。开发应用、复制应用、迁移应用、从二进制文件中反编译应用……这一切都发生得极其迅速，而且就在最近。不到一年前，我还在亲手编写代码，在代码编辑器里逐字逐符地敲入那些记在脑海里的编程指令，偶尔按一下Tab键，让自动补全帮我生成一小段代码。 - 约5000人（0.00006%）：最后，是那些能够在内部接触最前沿AI系统的人。外部世界目前看到的，只不过是一个预览版本。真正的前沿能力可能是这样的：成千上万个AI Agent组成集群，连续数周协作，完成超大型软件工程项目；发现零日漏洞；以机器速度发动和防御网络攻击；发现新的科学知识；推进数学研究的最前沿。这些任务过去可能需要业内顶尖专业人士花费数年才能完成。与此同时，人类的审查能力和理解能力已经开始跟不上AI的发展速度。例如，人们至今仍在对数月前的OpenAI-HF事件进行所谓的“考古式研究”。而数学家们可能还需要花费很长时间，才能仔细研究那722篇关于前沿数学的论文手稿。 造成这种漏斗式分化的，是以下几个因素共同作用的结果： 1. AI带来的影响，随着目标的雄心、问题规模和任务时间跨度的增加而扩大。 一个只需要一段文字就能回答的问题，几乎无法触及这些系统的能力上限。你必须拥有大量真正关心、规模庞大且难度极高的问题，才能充分发挥AI的能力。 这一因素主要解释了为什么普通消费者和专业用户之间会出现如此巨大的体验差异。 2. AI能力分布的不均匀性（Jaggedness）。 关于这一点，我此前已经写过很多。 AI能力的高峰集中出现在那些数字化程度高、结果可验证，而且具有明确经济价值的领域。 这是因为LLM的能力很大程度上来自基于可验证奖励的强化学习（Reinforcement Learning on Verifiable Rewards，RLVR），而训练环境的组合经过精心筛选，其选择又受到潜在商业收入的驱动。 这一因素主要解释了为什么不同专业领域之间会产生如此巨大的能力差异，例如数学和编程领域为何尤其突出。 3. 使用权限（Access）。 免费版本、付费版本，以及仅供内部使用的前沿系统，所提供的能力存在显著差异。 这就是我们所处时代的奇特之处。 绝大多数普通人几乎没有真正接触过这些AI系统。即便接触过，他们看到的也只是一个有点笨拙的聊天机器人。 大多数专业人士目前感受到的，也只是相对有限的生产力提升。 然而，极少数专业人士正在亲身经历另一种截然不同的现实：AI能力曲线突然变得近乎垂直向上，他们正体验着这种指数级跃升所带来的眩晕感。 而这一切，正在同一个时代、同一个时刻，同时发生。