multica-ai / andrej-karpathy-skills

Problem: LLM生成的代码经常过度工程化，添加不必要的抽象和功能，导致代码膨胀难以维护。

Solution: 通过CLAUDE.md中的'Simplicity First'原则，强制Claude Code只生成最小可行代码，避免过度设计。

Example: 当你让Claude写一个文件读取函数时，它不会自动添加缓存、错误重试、配置类等，而是直接返回简洁的read_file()实现。

Problem: LLM在修改现有代码时，常常顺手'改进'无关的注释、格式或删除看似无用的代码，导致意外破坏。

Solution: 利用'Surgical Changes'原则，限制Claude只修改与任务直接相关的代码行，并仅清理自身产生的遗留。

Example: 修复一个bug时，Claude不会同时重构相邻的变量命名或删除你多年前留下的注释，只专注修复目标函数。

Problem: LLM经常在模糊需求下自行假设并执行，导致结果偏离用户意图，需要多次返工。

Solution: 通过'Think Before Coding'原则，强制Claude在编码前显式列出假设、多解释和权衡，并主动询问不确定点。

Example: 当你说'优化这个API'时，Claude会先问：'你更关心响应速度还是内存占用？是否需要兼容旧版本？'而不是直接开始改代码。

Problem: LLM生成的代码缺乏可验证的成功标准，开发者难以判断任务是否真正完成。

Solution: 应用'Goal-Driven Execution'原则，将模糊任务转化为可验证的测试用例，循环执行直到通过。

Example: 实现排序功能时，Claude会先写测试用例（如空数组、重复元素），再写实现，并持续运行测试直到全部通过。