行为准则,帮助减少大型语言模型编程中的常见陷阱,源于Andrej Karpathy的观察。在编写、编辑及其他环节时,遵循这四项原则。
Karpathy Coding 导则是一项面向实际任务的技能,主要用于减少常见的 LLM 编码错误的四条原则;对无关紧要的任务, 请使用判断;
使用时应结合输入条件选择合适的执行方式,核对必要参数、依赖环境与输出内容,并按原始要求处理异常情况。该技能适合需要稳定复用相关能力的场景,可作为自动化工作流的一部分,也便于后续检查、调整和扩展。从功能定位来看,该技能强调把分散的操作要求整理成清晰、可复用的处理流程,使用户能够围绕既定目标快速准备输入、选择执行方式并获得结构化结果。
实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数,再依据技能说明逐步执行;若输入条件不完整,应先补齐信息或采用保守配置,避免因错误假设导致结果偏离需求。执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期,并对异常提示、缺失字段和边界情况进行处理;涉及批量任务时,还应保存进度,避免中断后重复操作。
四项原则,用于减少 LLM 编程中常见的错误。优先考虑谨慎而非速度;对于简单任务,应运用判断力。
不假设。不掩盖困惑。显式呈现权衡取舍。
在实现前:
仅编写解决当前问题所需的最少代码。杜绝任何推测性内容。
检验标准:资深工程师是否会认为这段代码过度复杂?若是,则必须简化。
仅修改必需部分。仅清理自己引入的问题。
修改既有代码时:
当你的修改导致某些内容变为无用时:
检验标准:每一处修改都应能直接追溯至用户原始请求。
明确定义成功标准,并持续迭代直至验证通过。
将任务转化为可验证的目标:
对于多步骤任务,需先简要说明执行计划:
1. [步骤] → 验证:[检查项] 2. [步骤] → 验证:[检查项] 3. [步骤] → 验证:[检查项]
强约束的成功标准支持独立闭环迭代;弱标准(如“让它跑起来”)则需反复澄清。
有效执行的标志: 差异对比(diff)中不必要的修改更少;因过度设计导致的返工更少;澄清性质的提问发生在编码之前,而非错误暴露之后。
相关专题
热门下载
相关下载
精品课程
共6课时 | 54.7万人学习
共89课时 | 134.1万人学习
共49课时 | 82.5万人学习
最新文章