Karpathy 在编程领域的公开动作，大致可以分成三条线索：他自己怎么用 AI 写代码、他给 AI 编程定下的规则，以及他提供的学习路径。这三条线索共同回答了一个问题，即在大模型已经能写代码的时代，程序员应该把精力放在哪里。
最直观的是他的日常工具配置。Karpathy 透露，自己日常使用的是 Mac 版 Claude Code，默认调用 Opus 5.5 中等推理强度 [1]。这个细节说明，他的编程实践并不是停留在演示层面，而是把 Claude Code 当作日常主力工具来用；中等推理强度则暗示，他在速度与质量之间选择了一个务实平衡点，而不是一味追求最强模型。
真正让他在编程社区引发讨论的，是那份只有 65 行的 CLAUDE.md 提示词文档。这份文档把 AI 编程准确率从 65% 提升到 94%，在 GitHub 上获得 22 万星标，核心是四条极简原则：先想清楚再写、陈述假设、只写最少必要代码、像手术般精确，没有技术黑箱 [4]。这套规则的出发点很明确，就是针对模型在不确定时爱胡编的问题，把 AI 从过度发挥拉回精准执行 [5]。文档发布一周就涨了约 4.4 万星、总星接近 17 万，原因在于它直指 AI 编程爱加戏的通病，比如改一个 bug 却重构三个文件；有开发者把四条铁律贴在显示器边框上，开始删自己上周写的冗余代码 [12]。后续观察也确认，这套 65 行工程化提示规则显著提升了 Claude 的代码理解与生成质量 [9]。
在 Karpathy 看来，学习编程和 AI 的方式本身也需要更新。他明确表示，不用花两年死学现有 LLM 用法；看完他的一场对话，就能比天天做 AI 开发的人更清楚软件未来的方向 [2]。这与 CLAUDE.md 的思路一脉相承，与其堆砌技巧，不如先把问题想清楚、把假设说明白，剩下的交给工具执行。他提出的对话式编程理念，后来也成为国内首个系统化 Vibe Coding 教程的理论基础；该教程面向零基础到有编程经验者，分四个模块展开 [10]。
他的学习资源同样围绕从零构建展开。加入 Anthropic 预训练团队之后，他发布了一门 4 小时免费视频课程，主题正是从零构建大语言模型，面向希望系统了解大模型原理并动手实践的学习者 [3]。更早之前，他开源了 7 个 AI 学习仓库，累计超过 30 万星标；按顺序学完，可以从什么是梯度一路做到能自动跑实验的 AI 智能体 [8]。在他主讲的《Zero to Hero》系列里，还有一期约 2 小时的教程专门拆解 GPT 分词器，并指出很多 LLM 问题都出在这里 [11]。
除了学，他还给出了几个可直接上手的编程方案。其中一个是用 Claude Code 构建第二大脑，只需五分钟完成设置，之后可以不断导入各类资料、随时提问检索，不必每次重新开对话提问 [6]。另一个是 autoresearch 自动研究代理，只需要 3 个文件，可在单块 NVIDIA GPU 上运行，自动循环完成 AI 研究，适合需要过夜自动化科研的场景 [7]。
把视线放宽到整个 Vibe Coding 生态，Karpathy 的判断正在被反复验证：编码本身会越来越简单，梳理需求的环节会变多，确认目标之后，剩下的编码工作未来可能只需一条指令就能完成 [14]。这也让编码回归算法本质，开发者不用耗费大量时间挨个学编程语言和框架，可以腾出精力深入数据结构和算法优化 [20]。不过，产出变快也带来了新瓶颈：AI 辅助编码产出快，但测试跟不上，验证才是当前的瓶颈 [19]。对于想跟着 Karpathy 路线走的开发者来说，工具配置和提示规则解决的是让 AI 少犯错，而真正决定成败的，仍然是需求梳理和结果验证这两头。