OpenAI 联合创始人。斯坦福教授。现存最可信的工程师之一。他不使用秘密提示词。他使用一套系统。
以下是他的 7 个实用技巧——不炒作，不废话。
想象一下这个场景。
现在是晚上 11 点。你盯着同一个 AI 聊天窗口已经两个小时了。你把同一个需求换了六种方式重新表述。你试过礼貌、直接、具体、模糊。你从 X 上某个家伙那里复制粘贴了三个不同的“魔法提示词”，他信誓旦旦地说他的模板能让 Claude “聪明 10 倍”。
没有任何效果是你期望的那样。输出的内容要么太泛，要么结构错误，要么自信满满地给出错误信息——而这些信息你二十分钟前刚刚告诉过它，就在同一次对话里。
你关掉了标签页。明天再试吧。也许换个模型，也许换个提示词。也许你只是还不擅长这个。
残酷的真相是：问题可能不在模型，也绝对不在提示词。
当大多数人还在没完没了地调整措辞、寻找完美指令、或者买下一门新的“AI 生产力课程”时——有一小群人已经悄悄发现，问题从来就不在提示词本身。
问题在于提示词周围的一切。
上下文、记忆、结构、工作流。
Andrej Karpathy 就是这群人中的一员。与 AI 领域的大多数声音不同，他有实实在在的履历：OpenAI 联合创始人、特斯拉前 AI 负责人、斯坦福教授、真正构建过那些其他人试图用巧妙提示词“破解”的系统的人之一。
他思考这件事的时间比几乎任何人都长。而他得出的结论，事后看来显而易见，在实践中却几乎被完全忽略了。
他不使用魔法提示词。他构建基础设施。
七个习惯。几个简单的文件。一个特定的工作节奏。就这些。
以下是他具体做的事情——以及每个环节为何重要。
技巧 1：忘记魔法提示词。问题几乎总是缺少上下文。
自 2022 年以来，“提示工程师大师”们统治了 X 和 Instagram。
他们传达的信息是：学会正确的咒语，模型就会服从。
Karpathy 不同意。大多数人迭代 100 次仍然得到糟糕输出的真正原因是什么？他们完全忽略了上下文。
他实际的公式：
- 写一个标准、清晰的请求
- 总是包含一个具体的示例，说明好的输出是什么样的
- 粘贴完整的错误信息或完整的背景资料——永远不要截取片段
不要为了“节省上下文窗口”而截断代码或文本。当模型猜测缺失的内容时，它每次都会出错。
没有秘密指令能把你的背景资料传送到模型的大脑里。你必须把它写出来。
技巧 2：你的 CLAUDE.md 很可能是一坨垃圾。现在就去检查一下。
你是从别人的模板复制的吗？你是让 Claude 自己写的？那么那个文件对你不起作用。
你的主配置文件必须清晰说明五件事：
- 你是谁
- 项目是什么（仅限大致框架）
- 哪些不能动
- 文件命名规则
- 如何格式化回复
几乎每个人都有这个文件。但几乎没有人正确设置过它。
在你抱怨模型“蠢”之前——先去看看你自己写给它的指令。
如果你只使用基于浏览器的 AI 工具？你仍然需要这个。设置一个固定的简要说明。同样的逻辑适用。
技巧 3：构建一个三层系统。不要再每次会话都从零开始。
Karpathy 的流程：
- /raw——你的原始素材，原样丢进去
- /wiki——模型编写和维护的结构化页面
- CLAUDE.md——你的固定操作原则
新的素材进来 → 丢进 /raw → 告诉模型去处理。
这样每天节省 30 分钟，日积月累。
如果你的项目持续时间超过两天，而你在每次新会话中都要重新解释一切——那不是一个工作流，那是一个循环。
技巧 4：每次得到好的回答后——永久保存它。
默认习惯：获得一个很好的回答，复制结果，关掉标签页，然后忘记它。Karpathy 说这正在悄悄地摧毁你的长期生产力。模型需要参考。
每次有价值的回答之后：
“将其保存为永久页面：wiki/topic/.md”
然后定期检查你的笔记，查找重复、冲突和过时的信息。
跳过这一步，你最好的 AI 输出就会悄悄淹没在聊天历史中。你会花很多时间重复解决已经解决过的问题。
技巧 5：任何持续超过一周的项目——添加 index.md 和 log.md。没有例外。
两个文件。两个用途：
- index.md——所有内容的索引
- log.md——运行变更日志：日期 | 类型 | 描述
示例：28-05-2026 | 摘要 | 客户访谈分析
如果你每天用 vibe-coding 1-2 小时，两周后你根本不会记得第三天构建了什么。这两个文件就是你的记忆层。
技巧 6：AI 是一个知识渊博但没有品味的实习生。像对待实习生一样对待它。
Karpathy 的定位：AI Agent 是“拥有海量知识、但经常产生幻觉、对代码毫无品味”的超级实习生。它们需要紧的缰绳。
他实际的工作循环：
- 加载完整上下文
- 只要求 2-3 个针对下一步小步骤的选项
- 选择一个
- 评估、测试、提交
- 重复
永远不要让它在一个提示词里完成所有事。那样你会得到 500 行无法调试的烂摊子。
技巧 7：一句话让每个研究提示词的可读性提升 10 倍。
在任何分析或研究提示词的末尾加上这句话：
“将你的最终回复结构化为一个自包含的 HTML 文件。”
AI 模型能在几秒钟内将任何内容渲染成干净、可导航的 HTML。阅读时间大大减少。你只需要花一句话的成本。每次都使用它。
奇怪的是这一切。
这些技巧没有一个是秘密。没有一个需要付费订阅、特殊工具或 40 小时的课程。一旦你看到它们，它们都完全显而易见。当然模型需要完整的上下文。当然你应该保存有效的东西。当然一个项目需要一张地图和一个日志。
然而——现在去看看你实际使用 AI 的方式。老实说，这七件事中有多少已经落实在你的工作流中了？
大多数人对 AI 处于一种奇怪的状态。他们相信 AI 很强大——他们见过它做出令人印象深刻的事——但到了自己手里却总是表现不佳。所以他们假设差距在于模型、或提示词、或他们还没找到的某种内幕知识。他们花几个小时寻找技巧，而不是花二十分钟打基础。
Karpathy 的整个信息是：差距不在于魔法。而在于记忆、结构和渐进式推进。把你的全貌给模型。保存它构建的东西。用小而确定的步骤工作。模型不是瓶颈——你的工作流才是。
未来两年内能从 AI 中获得巨大收益的人，不是那些找到最佳提示词的人。而是那些围绕模型构建了最佳系统的人——即使是很简单的系统。一个 /raw 文件夹、一个 /wiki、一个正确的 CLAUDE.md、两个 Markdown 文件和一个工作循环。
这就是全部优势。小得几乎令人尴尬。但几乎没有人这样做。
回到开头的故事。那个在晚上 11 点 frustrated、关掉标签页的人——那不是关于一个糟糕 AI 的故事。那是一个关于工作流没有记忆、没有结构、没有渐进循环的故事。模型本来准备好帮忙了。只是它不知道自己在帮什么忙。
现在你知道该构建什么了。从一个文件开始。一个文件夹。一次保存的回答。这个系统会快速积累。
总结
别再调整提示词了。开始构建基础设施。一个正确的配置文件、一个 /raw 和 /wiki 结构、永久参考页面、长期项目的 index 和 log 文件、小步骤工作循环、以及一个 HTML 技巧。模型不再猜测——而是开始真正帮忙。优势不是秘密。它是一个系统。而且只需要一个下午就能设置好。
如果这篇文章对你有用——请收藏它。你以后会想回来看的。
关注 @ScottyBeamIO 获取更多类似的分析。
不废话，只讲真正有效的东西。
