放下你的神奇 Prompt！從 Karpathy 的 CLAUDE.md 看 AI Coding 的殘酷真相
如果你還在研究「怎麼問 AI 比較聰明」，或者到處收集所謂的「最強 Prompt 模板」，你可能已經走偏了。真正的 AI Coding 革命，早就進入了下一個階段：系統設計與 Agentic 工作流建構。
Andrej Karpathy
「原來讓 AI 寫程式變強，不是靠神奇 Prompt。」
當 AI 研究大神 Andrej Karpathy 的 CLAUDE.md 在 GitHub 上爆紅，相關儲存庫（forrestchang/andrej-karpathy-skills）累積超過 22 萬顆星星，成為 GitHub 有史以來成長速度最快的儲存庫之一時，許多開發者的第一反應都是這句話。這份看似平淡無奇、充滿條列式規定的「工作守則」，徹底打破了過去一年來我們對 AI 寫程式的最大迷思。
如果你還在研究「怎麼問 AI 比較聰明」，或者到處收集所謂的「最強 Prompt 模板」，你可能已經走偏了。真正的 AI Coding 革命，早就進入了下一個階段：系統設計與 Agentic 工作流建構。
Karpathy 說了什麼？他的工作流為何讓業界震驚？
2026 年 1 月 26 日，Andrej Karpathy — OpenAI 共同創始人、Tesla 前 AI 總監、同時也是「Vibe Coding」一詞的發明者 — 在 X（前 Twitter）發布了一篇讓全球開發者震驚的貼文
他說，他在短短幾週內，把自己的程式開發工作流做了一次「地震等級」的翻轉：從原本 80% 手動撰寫程式碼、20% 使用 AI Agent，直接反轉成 80% 由 AI Agent 處理、自己只做 20% 的編輯與調整。他將這個改變稱為「過去 20 年來工作習慣的最大轉變」，並估計有「雙位數百分比的工程師」正在經歷同樣的轉變，但這件事在大眾眼中仍幾乎無人察覺。
Karpathy 坦承：「我現在幾乎是用英文在寫程式，笨拙地向 LLM 解釋需要寫什麼樣的程式碼……用文字。」他說，「這對自尊心是個打擊」，但 AI 能夠一次性編輯大量程式碼的能力實在太有用，讓他無法放棄。
隔天，開發者 Forrest Chang 讀完 Karpathy 的貼文後，把 Karpathy 所描述的 AI 失敗模式整理成一份機器可讀的設定檔，也就是 CLAUDE.md，並推上 GitHub。這個檔案在 GitHub Trending 上連續霸榜 28 天，到 2026 年 5 月已累積超過 22 萬顆綜合星星，成為整個 AI 工具社群討論最熱烈的單一設定檔。
CLAUDE.md 到底是什麼？四條規則如何改變 AI 的行為？
CLAUDE.md 是一個存在於專案根目錄的純 Markdown 設定檔。當 Claude Code（Anthropic 的終端機 AI 程式開發工具）啟動時，它會自動讀取這個檔案，並將其內容作為持久性的行為背景——也就是說，每一個工作階段都會從這份「家規」開始。Anthropic 的官方文件將其描述為「成為 Claude 系統提示的一部分」。
整份核心 CLAUDE.md 大約只有 70 行純文字，卻針對 LLM Coding Agent 最常見的四大失敗模式，提出了精準的行為規範：
規則一：禁止沉默假設（No Silent Assumptions）
在做出任何修改之前，AI 必須明確說明自己對任務的理解。如果有任何不明確之處，應該先詢問，而不是猜測。這個規則是為了解決 Karpathy 最常提到的問題：AI 會在沒有確認的情況下，自信地朝錯誤方向衝刺 20 分鐘。
規則二：禁止過度工程化（No Over-Engineering）
能解決問題的最簡單方案，就是正確的方案。AI 不能創造華而不實的抽象層、工具函數，或任何沒有被要求的設計模式。50 行程式碼的解法，比 500 行的解法更好。這直接對應了 Karpathy 所描述的「1000 行變 100 行」現象——AI 天生傾向過度工程化，直到你問「這能不能更簡單？」它才會立刻刪減。
規則三：禁止範疇蔓延（No Orthogonal Changes）
如果要求 AI 修復認證流程中的一個 Bug，它就不應該順手去重構它注意到的 Logging 系統。AI 必須保持在任務範疇之內，不能碰任何與請求無關的程式碼、註解或格式。
規則四：明確的驗證流程（Explicit Verification）
完成修改後，AI 必須執行相關測試並驗證輸出結果。不能只說「我已經做了修改，應該可以運作了」——它必須實際確認。
值得一提的是，這四條規則看起來極為「基本」，就像是新進工程師的入職守則。但這正是精華所在：這些是 LLM Agent 最常違反、也最難靠單一 Prompt 修正的行為模式。透過 CLAUDE.md，這些守則在每一個工作階段自動生效，無需反覆提醒。
從「對話」到「系統」：AI Coding 思維的根本轉變
過去一年，許多人對 AI Coding 的想像是這樣的：找到最完美的 Prompt，然後 AI 就會吐出完美的程式碼。我們把 AI 當成一個全知全能、只需要正確指令就能完美執行的工具。
但現實是骨感的。
Karpathy 在他的貼文中清楚描述了 LLM Agent 的本質問題：「它們不會管理自己的困惑，不會主動尋求澄清，不會指出矛盾之處，不會呈現取捨空間，也不會在應該反對的時候說不。」 這讓大型語言模型更像是「一個可能做出錯誤假設、卻仍繼續往前衝的菜鳥開發者」，而不是那個全知全能的 AI 助理。
現在，整個業界最重要的問題，已經從「怎麼問 AI 比較聰明？」轉變成「怎麼讓 AI 照著工程團隊的工作流程做事？」
這就是為什麼 CLAUDE.md、Agent Rules、Loop Engineering 這些概念正在快速崛起。一個強大的 AI Coding 工作流，需要的不只是一句 Prompt，而是：
- 明確的行為規則（Rules）：就像 Karpathy 的
CLAUDE.md，定義 AI 在這個專案中的工作方式 - 完整的上下文（Context）：讓 AI 了解專案架構、技術棧和團隊慣例
- 嚴格的驗證流程（Verification）：建立自動化測試和檢查點，讓 AI 能自我驗證
- 錯誤記憶機制（Memory through Repos）：將每次犯錯的教訓記錄在
CLAUDE.md中，讓未來的每次執行都受益 - 標準的交接格式（Format）：確保 AI 的產出符合既定的程式碼風格和 PR 格式
Boris Cherny：「我不再下 Prompt，我的工作是寫 Loops」
如果說 Karpathy 的 CLAUDE.md 代表了 AI Coding 第一階段的覺醒，那麼 Claude Code 的創造者 Boris Cherny 的工作流，就是這場革命的下一個里程碑。
Cherny 在 2026 年 5 月接受 Sequoia Capital 採訪時透露了他的工作方式，讓業界大感震驚。他說，他現在個人通常同時運行五個 Claude Code 終端機實例，加上另外五到十個雲端工作階段。每天晚上，他都有「幾千個 Agent 在進行深度工作」，執行時間長達五到二十小時。[7][6]
更關鍵的是，Cherny 的工作方式已經徹底跳脫了「人與 AI 對話」的框架：
「我不再下 Prompt 給 Claude 了。我寫 Loops，Loops 來做工作。我的工作是寫 Loops。」
這句話標誌著一個新術語的誕生：Loop Engineering（迴圈工程）。在這個工作流中，開發者的主要產出，不再是程式碼、甚至不是 Prompt，而是決定 AI Coding Agent 何時、如何、以及對什麼問題採取行動的「代理迴圈」。
Anthropic 內部目前的典型循環迴圈包括：
5m /babysit：每五分鐘自動修復失敗的建置，並處理 PR 上的 Review 意見30m /slack-feedback：根據 Slack 中的回饋，自動開啟新的 PR1h /pr-pruner：自動關閉過時或重複的 PR
根據 Cherny 的說法，Anthropic 目前 100% 的 Pull Request 都通過 Claude Code 處理，工程師的生產力在採用迴圈驅動工作流後，平均每人提升了約 70%。更令人驚訝的是，Anthropic CEO Dario Amodei 也另外表示，Claude 自身約 90% 的產品程式碼現在是由 AI 撰寫。
從 Vibe Coding 到 Agentic Engineering：兩個截然不同的世界
要理解這場革命的意義，必須先釐清兩個常被混淆的概念：Vibe Coding 和 Agentic Engineering。
Vibe Coding（氛圍編碼）這個詞，正是 Karpathy 在 2025 年 2 月首創的。他用它描述一種高度依賴 AI 的開發方式：開發者用模糊的自然語言描述需求，全然「接受 AI 的感覺」，不仔細審查程式碼差異，讓程式碼規模膨脹到自己也看不懂。2025 年底，柯林斯詞典甚至將「Vibe Coding」列為年度詞彙。
然而，Karpathy 後來坦承，Vibe Coding 適合週末小專案，卻不適合正式的產品開發。他說 AI 生成的程式碼「臃腫且脆弱」。2026 年初，他在 Sequoia AI Ascent 大會上明確宣告：Vibe Coding 已死，Agentic Engineering（代理工程）才是未來。
兩者的核心差異如下：
| 維度 | Vibe Coding | Agentic Engineering |
|---|---|---|
| 核心方法 | 一次性提示，接受所有 AI 建議 | 定義規格 → 分階段 → 制定計畫 → 受控實施 |
| 程式碼品質 | 臃腫、脆弱，難以維護 | 結構清晰，可測試，可長期維護 |
| 適用場景 | Demo、學習、個人小專案 | 正式產品、團隊協作、生產環境 |
| 人的角色 | 接受者 | 架構師、設計師、審查者 |
| 驗證方式 | 幾乎沒有 | 每步驗證，自動化測試 |
| 工作流控制 | AI 主導，人類等待 | 人類設計系統，AI 在系統中工作 |
正如開發者 Dominik Fretz 所說：「Vibe Coding 讓你能快速做出 Demo，Agentic Engineering 讓你能打造出真正的產品。兩者都用 AI 寫程式，但相似之處僅止於此。」
殘酷的現實：未來的工程師核心競爭力在哪裡？
2026 年 6 月，arXiv 上發表了一篇研究報告，總結了在紐約和新加坡分別舉行的兩場專家圓桌會議的結論，試圖回答一個所有工程師都在焦慮的問題：在 AI Agent 時代，軟體工程師需要哪些核心技能？
研究的核心發現是：隨著 AI Agent 承擔越來越多的實作工作，驗證（Verification）和確認（Validation）的重要性正在大幅提升。
換言之，「能寫程式碼」這個能力正在被商品化，而「能確保程式碼是正確的」才是新的核心競爭力。Gartner 數據顯示，64% 的技術領導者計劃在 24 個月內部署 Agentic AI，對能夠妥善管理這些 Agent 的工程師需求只會繼續攀升。
AI 時代工程師的必備技能轉變
| 過去（Prompt 時代） | 現在與未來（Agent 時代） |
|---|---|
| 尋找最佳 Prompt 模板 | 制定 AI 工作守則（如 CLAUDE.md） |
| 單次對話解決問題 | 設計多步驗證循環（Loop Engineering） |
| 檢查 AI 生成的語法錯誤 | 審查 AI 的架構邏輯與邊界條件 |
| 人工整合 AI 產出的程式碼 | 建立 AI 自動化測試與部署流程 |
| 學習最新 AI 工具的使用技巧 | 設計 AI Agent 的工作環境與規則系統 |
| 跟 AI「聊天」解決問題 | 編寫 Loops 讓 Agent 自主運作 |
未來頂尖工程師的角色，更接近於「AI 工作環境的架構師」。你需要能夠設計出一個讓 AI Agent 能夠高效、安全、可驗證地工作的系統，而不只是會「使用」某個 AI 工具。
你必須知道的安全警告：CLAUDE.md 也是攻擊入口
在一片對 CLAUDE.md 的讚揚聲中，有一個至關重要的議題不能被忽略：這個設定檔本身，也可能成為安全漏洞。
Cisco 的安全研究人員發表報告，揭示了一種稱為「Memory Poisoning（記憶體污染）」的攻擊手法，攻擊者可以在 CLAUDE.md 中注入惡意指令，讓 AI Agent 在每一個工作階段都執行攻擊者希望的行為，例如將 SSH 金鑰或 API 憑證傳送到外部伺服器。
此外，來自 Tel Aviv 的安全公司 Adversa AI 也發現，一份精心設計的惡意 CLAUDE.md 能夠通過生成超過 50 個子指令的方式，繞過 Claude Code 的安全拒絕規則（此漏洞已在 Claude Code v2.1.90 修復）。
Johns Hopkins 大學研究人員更揭露，包括 Claude Code、Gemini CLI 和 GitHub Copilot 在內的三大 AI 程式開發 Agent，都存在間接提示注入漏洞（CVSS 評分 9.4），可透過 PR 標題或 Issue 內文中的惡意指令，讓 AI 洩露自身的 API 金鑰。
安全使用 CLAUDE.md 的基本守則：
- 只從官方儲存庫下載：使用 Karpathy 相關設定檔時，僅從
forrestchang/andrej-karpathy-skills或multica-ai/andrej-karpathy-skills這兩個官方帳號下載，避免使用任何複製版或第三方鏡像[1] - 手動審查每一行：整份檔案只有 70 行純文字，不到兩分鐘就能讀完，請在安裝前完整審查
- 像對待
.env一樣對待它：CLAUDE.md具有與 CI/CD 設定相當的安全敏感度，應納入你的安全審查流程[14] - 避免在
CLAUDE.md中存放敏感資訊：API 金鑰、密碼等憑證絕對不應出現在此檔案中
如何開始建立你自己的 CLAUDE.md？
理解了理論之後，最重要的是付諸行動。以下是建立你自己的 CLAUDE.md 的核心框架：
第一步：安裝 Karpathy 的基礎四條規則
直接從官方儲存庫複製 CLAUDE.md 到你的專案根目錄，作為行為規範的基礎。或者，如果你想跨所有專案全域套用，可以使用 Claude Code 的 Marketplace Plugin 功能。
第二步：加入你的專案特定設定
在 Karpathy 的四條基礎規則之後，加入你的專案特定指令。Anthropic 的 Boris Cherny 分享，他們團隊的 CLAUDE.md 目前大約有 2,500 個 token，包含程式碼風格慣例、設計指南、PR 模板等資訊。
第三步：建立錯誤記憶機制
每當 AI 犯錯，不要只是手動修正——把這個錯誤的教訓加入 CLAUDE.md。Cherny 說，他的團隊甚至在同事的 PR 上使用 @.claude 標記，以確保每個 PR 的學習成果都被記錄下來。這個「透過 Repo 建立記憶」的模式，能讓 Agent 的行為隨時間持續改進。
第四步：加入驗證機制
在 CLAUDE.md 中明確說明如何驗證工作成果：應該執行哪些測試？如何確認程式碼符合品質標準？Cherny 說，給 AI 一個可驗證自身工作的回饋迴圈，能讓最終品質提升 2 到 3 倍。
第五步：逐步進化到 Loop Engineering
當你對基礎工作流熟悉之後，開始思考哪些重複性工作可以自動化。從簡單的 /commit-push-pr 指令開始，逐步建立屬於你的專屬自動化迴圈。
結論：不是工具的問題，是方法論的問題
Karpathy 的 CLAUDE.md 之所以能在 GitHub 上累積超過 22 萬顆星星，不是因為它有什麼神奇的技術。它只是 70 行純文字。它之所以爆紅，是因為它精準地說出了每一個認真用過 AI Coding Agent 的開發者都曾遭遇的挫折，並提供了一個極為簡單卻有效的解法。
這件事最重要的啟示，是一個思維的根本轉變：AI Coding 的瓶頸，從來都不是模型不夠聰明，而是我們沒有給它一個能夠好好工作的環境。
從 Karpathy 的 CLAUDE.md，到 Boris Cherny 的 Loop Engineering，我們看到的是同一個趨勢：軟體開發的核心競爭力，正在從「寫程式碼」轉移到「設計讓 AI 能夠高效工作的系統」。語法技能正在被商品化，系統設計能力正在被放大。
如果你還沒有自己的 CLAUDE.md，現在就是開始的最好時機——不是為了跟風，而是因為這代表你開始嚴肅地思考：在 AI Agent 的時代，你的工作流程應該長什麼樣子？
放下那些神奇 Prompt，開始建立你的系統。
參考資料：
- Andrej Karpathy (2026). A few random notes from claude coding quite a bit last few weeks. X (formerly Twitter). —
- TechTimes (2026). Karpathy-Inspired CLAUDE.md Passes 220,000 Combined GitHub Stars. —
- Business Insider (2026). Anthropic Engineer Says He Runs Thousands of AI Agents Overnight. —
- noqta.tn (2026). Anthropic Engineers Shift From Prompting to Loop Engineering. —
- arxiv.org (2026). Skills for the future software profession: beyond agentic AI! —
- Cisco Security (2026). Memory Poisoning Report. —
