Karpathy的Claude Code高阶用法：搭建自我进化的AI工作环境

前Tesla、OpenAI AI负责人Andrej Karpathy近期抛出一个犀利观点：几乎所有人用Claude Code的方式都错了。 错在哪？把它当一次性聊天工具——开一个对话，丢个任务，下次再从零开始。这等于每次从头搭一遍车间，永远停留在低效循环里。

Karpathy是深度学习领域最具影响力的实践者之一。他在斯坦福大学师从计算机视觉先驱李飞飞，博士期间专注于图像与自然语言的交叉研究。2017年他加入Tesla担任AI与自动驾驶视觉总监，主导了纯视觉自动驾驶方案的技术路线。2023年他短暂加入OpenAI后再次离开，转而投身AI教育和开源社区。他在YouTube上的神经网络教程系列累计播放量超过千万，被誉为"最会教书的AI科学家"。正因为这种横跨学术、工业和教育的独特履历，他对AI工具使用方法论的见解往往能引起从初学者到资深工程师的广泛共鸣。

Karpathy提出的方法论是一个三层架构，其中前两层（基础对话和提示词优化）已经被广泛讨论。但真正被忽略、回报最大的是第三层：环境层——搭一次，往后越用越强。

他还有一句更深刻的话值得铭记：你能外包思考，但外包不了理解。 这意味着真正的杠杆不在于更会写提示词，而在于给AI搭建一个能固化你理解的环境。

什么是AI工作环境

所谓环境，就是让AI"住进去"的工作间。它不是一句临时的提示词，而是一套持久化的规则体系，让AI每次启动时都自动遵守你预设的工作守则。

这套方法论的核心思想是：把你的理解一次性固化成AI每天遵守的规则，而不是每次对话都重复交代一遍。这个理念对所有使用AI编程工具的人都适用，无论你用的是Claude Code、Cursor还是接入DeepSeek的国内方案。

这里有必要解释一下Claude Code的技术定位。它是Anthropic公司推出的命令行AI编程工具，与传统的聊天式AI助手有本质区别。它直接运行在终端环境中，能够读取、创建和修改本地文件，执行shell命令，并与Git等开发工具链深度集成。这意味着它不只是"回答问题"，而是能真正"动手干活"——直接在你的代码仓库里进行操作。与之类似的工具还有GitHub Copilot的CLI模式、Cursor编辑器内置的AI Agent等。Claude Code的独特之处在于它的配置化能力：通过CLAUDE.md等机制，开发者可以深度定制AI的行为模式，这正是Karpathy所说的"环境层"得以实现的技术基础。

具体来说，Karpathy的环境体系由四个核心组件构成，我称之为"四件套"。

CLAUDE.md——AI的工作守则

CLAUDE.md是Claude Code的配置文件，每次你开口对话时，它的内容都会被自动注入到上下文的最前面，成为AI最先读取的工作守则。

要理解这为什么有效，需要了解大语言模型的"上下文窗口"机制。每次与AI对话时，模型能处理的信息总量是有限的（Claude目前支持约200K token的上下文窗口，约相当于15万字）。模型会根据上下文中的所有信息来生成回复，而位于上下文最前面的内容通常具有更强的指导效力——这在学术上被称为"首因效应"（Primacy Effect）。CLAUDE.md的设计正是利用了这一特性：它的内容在每次对话开始时被自动注入到上下文的最前端，相当于在AI的"工作记忆"中植入了一套持久化的行为准则。这与每次手动在对话开头粘贴指令相比，不仅省去了重复操作，还确保了规则的一致性和完整性。

举个例子，你只需写一行规则：

"任何多文件改动前，先给我验证计划。"

从此，验证流程不再依赖你每次记得提醒，AI会自动执行。这个门槛比想象中低得多，并非程序员专属——任何需要AI协助完成重复性工作的人都能上手。

知识库——别人抄不走的护城河

Karpathy在推特上分享过一个爆火的理念：把你自己的资料整理成AI一眼就知道去哪找的结构。

具体做法是将你的文档、规范、过往项目进行结构化整理，然后喂给AI。这样做的效果是：AI不再凭空猜测和幻觉，而是从你的真实资料里给出答案。

这里需要解释一下为什么知识库能有效解决AI"幻觉"问题。AI"幻觉"（Hallucination）是大语言模型最广为人知的缺陷之一——模型会以极其自信的语气输出完全虚构的信息。这个问题的根源在于，语言模型本质上是一个概率预测系统，它预测的是"下一个最可能的词"，而非"下一个最正确的词"。当模型缺乏足够的上下文信息时，它会倾向于用训练数据中的统计模式来"填空"，从而产生看似合理但实际错误的输出。Karpathy提出的知识库方案本质上是一种轻量级的RAG（检索增强生成，Retrieval-Augmented Generation）策略：通过将真实、准确的私有文档直接提供给模型，让它在生成回答时有据可依，而非凭空编造。这种方法在企业级应用中已被广泛验证，能将幻觉率降低60%-80%。

守则（CLAUDE.md）告诉AI"怎么做事"，知识库告诉AI"用什么做事"。两者结合，AI的输出质量会有质的飞跃。更重要的是，这套知识库是你独有的积累，是别人无法复制的竞争壁垒。

Skill——越用越准的复利系统

这里有一个简单的判断标准：凡是你需要重复做的事，就应该做成一个Skill。

Skill本质上是给AI的一本"这件事怎么干"的操作手册。关键在于它具备复利效应——越用越知道哪里需要补充和优化，系统随时间自动增值。

Karpathy用"复利"来描述Skill系统的价值增长模式，这个类比精准地捕捉了知识管理领域的核心规律。在软件工程中，这种模式被称为"渐进式改进"（Incremental Improvement），与持续集成/持续部署（CI/CD）的理念一脉相承。每一个Skill在首次创建时可能只覆盖80%的场景，但每次实际使用都会暴露边界情况（Edge Case），修补后覆盖率逐步提升至95%、99%。这与机器学习中模型微调（Fine-tuning）的逻辑异曲同工——不是一次性追求完美，而是通过持续的反馈循环逼近最优解。更重要的是，这些Skill的积累具有网络效应：当Skill数量达到一定规模后，它们之间可以相互组合调用，产生的价值远超单个Skill的简单加总。

有句话说得好："找软管漏点最好的办法是往里灌水。" Skill也一样，实际使用中不断暴露问题、不断修补，最终打磨成高度可靠的标准化流程。

比如注册一个新服务的流程，做成Skill后几秒钟就能完成，下次直接调用。所有重复劳动都被一次性收编进系统。

Hook护栏——从"听话"到"可靠"的关键跃迁

前面三件（CLAUDE.md、知识库、Skill）本质上都是"软约束"——AI大概率会听，但有些事你不能赌"大概率"。

护栏的设计思路是将所有操作分为三个等级：

• Always：自动执行，无需确认
• Ask：先询问你，获得许可后执行
• Never：碰都不能碰，物理隔离

为什么CLAUDE.md里的"别碰这个文件夹"不够

因为那只是一个请求，AI仍然有能力去碰。关键资产的保护不能靠AI自觉。

真正的锁是Pre-tool-use Hook（工具调用前钩子）。它的工作原理是：在Claude动手修改任何文件之前，先经过一道拦截层。一旦检测到目标是受保护目录，直接拒绝操作——这是在工具层面挡死，不是提示层面的建议，而是物理上改不了。

Hook（钩子）并非AI领域的新概念，它源自软件工程中历史悠久的设计模式。在Git版本控制系统中，pre-commit hook可以在代码提交前自动运行检查脚本，阻止不符合规范的代码进入仓库；在Web开发中，中间件（Middleware）扮演着类似角色，在请求到达业务逻辑之前进行拦截和过滤。Claude Code的Pre-tool-use Hook延续了这一思路：它在AI调用任何系统工具（如文件编辑、命令执行）之前插入一个拦截层，对操作进行规则匹配。如果操作触及受保护资源，Hook会直接返回拒绝信号，整个过程发生在工具执行层面而非提示词层面。这种"硬约束"与CLAUDE.md中的"软约束"形成互补——前者是物理锁，后者是行为规范，两者共同构成了完整的安全体系。

同时，对于普通文件，Hook照常放行，该快的快，该锁的死锁。这一层设计才真正把环境从"听话"升级为"可靠"。

核心启示：从工具使用到系统构建

回顾Karpathy的整套方法论，其精髓在于一个思维转变：停止把AI当一次性工具，开始把它当需要持续优化的系统来构建。

四件套的层次非常清晰：

1. CLAUDE.md 解决"AI按什么规矩办事"
2. 知识库 解决"AI用什么信息办事"
3. Skill 解决"AI怎么高效办事"并持续进化
4. Hook护栏 解决"AI绝对不能做什么"的安全底线

这套体系的美妙之处在于：搭建是一次性成本，但收益是持续复利的。每多用一天，系统就比昨天更强一点。这才是AI时代真正的个人竞争力——不是谁的提示词写得更花哨，而是谁构建了更深厚的AI工作环境。

值得注意的是，这套方法论的底层逻辑与软件工程中"基础设施即代码"（Infrastructure as Code）的理念高度一致：将环境配置、工作流程和安全规则全部代码化、版本化，使其可复现、可迭代、可审计。这意味着你的AI工作环境本身也可以纳入Git进行版本管理，团队成员之间可以共享和协作改进，整个体系具备了工程化的可扩展性。

对于想要入门的读者，建议从最简单的CLAUDE.md开始：写下你最常重复交代的三条规则，保存为配置文件。仅这一步，就能立刻感受到效率的提升。然后逐步补充知识库、积累Skill、最后加上Hook护栏，一个属于你自己的AI工作系统就搭建完成了。

核心要点