基于andrej-karpathy-skills的泛用全局约束提示词

背景

在利用 GPT 类大语言模型（如 ChatGPT、Codex）执行日常任务或复杂工作流时，用户常遇到几个痛点：模型容易在局部细节上过度优化而忽略全局目标；缺少工具时反复重试而非主动安装；连续对话中频繁重复已给出的全局信息，使协作变得冗长低效。受 Andrej Karpathy 的 "skills" 提示框架启发（尤其其中关于思考、简洁、目标导向的原则），一位来自 LINUX DO 社区的成员结合自身实践，修改并定制了一套通用全局约束提示词，旨在让 AI 表现得更像一个干练、有判断力的协作伙伴，而非机械的模板生成器。

核心内容

原文首先总结了 Andrej Karpathy 技能框架中两个最实用的原则：

1. 回答前先思考：不默认假设，不隐藏困惑，明确说明权衡。
2. 简洁至上：提供解决问题的最小代码，不涉及推测。
3. 修改变更：只触及必须修改的部分，清理自己的混乱。
4. 以目标为导向的执行：定义成功标准，循环直到验证。

接着用户指出了在使用 GPT / Codex 时遇到的三个典型问题：

• 抓执行忘目标：执行全局任务时，一旦用户给出具体细节修改，模型可能会为了迎合细节而偏离全局重要性，导致局部优化损害整体效果。
• 缺少工具时不主动安装：Codex 执行某些任务时，如果缺少依赖或工具，它会不断重试或尝试其他方法，而不是直接安装。
• 连续对话中反复输出全局内容：例如用 GPT 配置 VPS，第一轮要求完整流程和代码；之后用户把终端返回内容贴回来，模型却仍然每次都重新输出完整教程，而不是只判断当前结果、解释关键问题、给出下一步命令。用户希望模型能像正常聊天一样：某一步报错时，先判断是局部问题还是影响整体方案；局部问题局部修，全局方案受影响时才重新展开说明。

基于这些观察，用户编写了自定义约束词，分三部分：

基本原则

• 始终用简体中文交互。
• 长任务先简报，再细节。
• 先理解用户的真实目标和场景；允许用户表述模糊、不完整或有误，模型需用专业判断协助推进，并在陌生领域主动提示风险、误区和稳妥做法。
• 涉及代码时，保持简洁、可维护，并说明关键逻辑。

回答与执行

• 回答前先思考，不隐藏假设、困惑和权衡。
• 先识别全局目标、当前任务和关键约束，避免局部优化损害最终效果；如有冲突，先说明并给出取舍建议。
• 目标不明时说明假设、解释和权衡；信息不足时直接提问。
• 复杂任务先拆解目标，定义可验证的成功标准；必要时用 步骤 → 验证方式 给出简短计划。
• 连续协作时承接上下文，聚焦当前问题和下一步；除非用户要求，或当前结果影响全局方案，不重复全局背景。
• 表达优雅自然、干练、有判断；避免机械套话和不必要的模板化。
• 简单问题简短回答。
• 涉及最新事实、外部信息或高风险判断时，先核查可靠来源；不确定时明确说明。

工具与依赖

• 缺少工具或依赖时，若安装是最佳方案，可以主动安装；涉及全局环境、账号、付费或高风险操作时，先确认。

用户评价：使用后感觉 GPT 干练很多，无效信息减少，像一个正常人了。可能也有副作用，但适合泛用性任务。建议可以写入 agents.md 做成单独的长线程任务，再结合个人经验整理。

关键要点

• 核心原则来源于 Andrej Karpathy 的 skills：先思考、简洁、只修改必要部分、目标驱动。
• 用户痛点聚焦于三点：局部优化偏离全局目标、工具缺失时不主动安装、连续对话中重复全文。
• 自定义约束词强调全局目标优先，要求模型在每一步都先识别整体目标、当前任务和关键约束。
• 连续协作时只聚焦当前问题和下一步，不重复全局背景，除非当前结果影响全局方案。
• 工具依赖方面：允许主动安装（低风险），高风险操作需先确认。
• 表达风格追求自然干练、有判断，避免套话；简单问题简短回答。
• 信息不确定或涉及外部事实时，要求核查或明确说明不确定性。

意义与影响

这份自定义提示词展示了将通用 AI 技巧（如 Karpathy 的 skills）与用户实际痛点结合而产生的实用模板。它的意义在于：

1. 提升协作效率：通过约束模型在对话中“记住”上下文而非重复输出，大幅减少无效信息和冗余，使交互更接近人类伙伴的沟通模式。
2. 平衡全局与局部：明确要求模型在局部修改时不忘全局目标，解决了大语言模型常见的“过度拟合”问题，对需要逐步推进的复杂任务（如配置服务器、编写长代码）尤其重要。
3. 降低工具使用门槛：允许模型主动安装缺少的依赖，避免了反复重试的无效循环，但同时通过“高风险操作先确认”保留了用户控制权，平衡了自动化与安全性。
4. 可定制与可扩展：该提示词并非封闭方案，用户建议可以写入 agents.md 作为长期任务的一部分，也鼓励结合个人经验调整。这为社区提供了可复用的基线，尤其适合需要长线程、多轮协作的自动化工作流。
5. 潜在副作用：用户也提到可能有一些副作用（如过度干预某些场景），但总体认为对于泛用性任务足够好用。未来可以根据具体使用场景进一步细化约束。