该项目是一个开源项目，由 multica-ai 维护，将 Andrej Karpathy 对 LLM 编码缺陷的观察总结为四个核心行为准则，封装在单个 CLAUDE.md 文件中，用于改善 Claude Code / Cursor 等 AI 编码助手的代码输出质量。它属于 AI 辅助编程质量保障体系，不是代码框架或 SDK，而是一份注入到 AI 编码助手上下文中的行为约束指令。项目核心要解决的问题是 LLM 在编写代码时存在的系统性缺陷，包括隐性假设、过度工程化、越界修改、目标模糊等，这些问题导致代码质量下降、维护成本上升。项目通过 Think Before Coding、Simplicity First、Surgical Changes、Goal-Driven Execution 四条准则，将 LLM 的多做倾向约束为做准、做少、做稳。安装方式极简，支持 Claude Code 插件、项目级 CLAUDE.md 和 Cursor 规则等多种方式。

项目针对 LLM 在编写代码时存在的系统性缺陷。根据报告，这些缺陷包括：隐性假设（LLM 不确认就自行决定实现方式）、隐藏困惑（遇到不确定的地方不追问，直接猜）、过度工程化（100 行能解决的问题写 1000 行）、膨胀抽象（滥用设计模式）、越界修改（顺手改进无关代码）、目标模糊（缺乏可验证的成功标准）。这些问题导致代码质量下降、维护成本上升、开发者信任受损。报告指出，LLM 的训练目标天然偏向生成更多内容，而非生成恰好够用的内容，加上 RLHF 对有帮助的奖励，模型倾向于多做而非做准，这是激励结构导致的系统性偏差。

项目将 Andrej Karpathy 对 LLM 编码缺陷的观察总结为四个核心行为准则，封装在单个 CLAUDE.md 文件中。四条准则包括：Think Before Coding（编码前先思考），强制 LLM 在生成代码之前先输出推理过程，包括显式声明假设、呈现多种解读、主动反驳、困惑即停；Simplicity First（简单优先），设置不过度的硬约束，包括不添加未请求的功能、不为一次性代码创建抽象、不添加未请求的灵活性、不为不可能出现的场景做错误处理、如果 200 行能缩到 50 行就重写；Surgical Changes（手术刀式修改），修改范围严格限定在用户请求范围内，不改进相邻代码、不重构没坏的东西、匹配现有风格；Goal-Driven Execution（目标驱动执行），将命令式任务转化为声明式目标加验证循环，给模型成功标准而非步骤。项目架构极简，本质是一个 Markdown 文件的多平台分发系统，支持 Claude Code 插件、Cursor 规则、通用 IDE 复制粘贴和 Skills 系统。

• 极简安装：一个文件解决问题，零依赖
• 跨平台：同一份内容适配 Claude Code、Cursor 等多个 AI 编码工具
• 来源权威：基于 Karpathy 的真实观察
• 可合并：设计和项目特定指令无缝共存
• 教学价值：EXAMPLES.md 的正反对比是极佳学习材料
• 即时生效：注入上下文后立即改变 AI 行为
• 零运行时成本：不涉及额外计算资源
• 可定制：MIT 协议，自由修改

• AI 整理 · 本地测试，未经人工复核；依据历史报告节选，不代表当前产品状态。
• 报告指出项目存在以下局限：准则属于软约束，LLM 可能不完全遵守，尤其是长对话后期；可能过度谨慎，简单任务也被迫走完整流程，降低效率；只有指导原则，没有自动化检测或强制执行机制；核心内容是英文，中文场景需要自行翻译；缺乏量化指标，没有提供准则生效程度的度量方式。准则仅约束行为，不约束能力，不能让 LLM 写出它写不出的代码；对非 Claude/Cursor 工具需要手动适配；准则之间可能冲突，如多问和快速完成的权衡；不覆盖所有编码问题，仅聚焦 Karpathy 指出的 4 个核心问题。报告还列出了不建议使用的场景：纯文档生成任务、一次性探索性编码、非 AI 编码工具、已有成熟团队规范且不使用 AI 编码助手。