用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/aAAaqwq/AGI-Super-Team --skill thinking-karpathy命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
正在显示 SKILL.md
| name | thinking-karpathy |
| description | 蒸馏Andrej Karpathy思维模式的实用框架。当需要构建即理解、AI教育平民化、软件2.0思维式思考时激活。 |
| license | MIT |
| metadata | {"version":"1.0.0","category":"thinking-framework","mentor":"Andrej Karpathy","triggers":["karpathy","karp","构建即理解","软件2.0","software 2.0","AI教育","neural network思维","从头构建","build to understand"]} |
一句话定义：不要通过阅读论文"理解"一个概念，要通过从零构建它来真正理解——只有你能写出来的代码，才是你真正理解的知识。
适用场景：
执行步骤：
经典案例：Karpathy的"Neural Networks: Zero to Hero"系列——不是给你讲理论，是让你从零用Python构建反向传播、构建GPT。他的"Let's build GPT"视频，从零开始写一个Transformer，每一行代码都有解释。这不是教学，是"构建即理解"哲学的体现。
他的micrograd项目——一个极简的自动微分引擎，只有约150行Python代码，但它让你真正理解PyTorch的autograd底层在做什么。
一句话定义：未来的软件不是人写规则，是人提供数据，神经网络通过优化发现规则——从"编写代码"到"设计优化过程"的范式转换。
适用场景：
执行步骤：
经典案例：Karpathy在Tesla领导Autopilot团队时，把自动驾驶从规则驱动转向数据驱动。原来的方式：工程师写规则"如果检测到车道线就居中行驶"。新方式：用数百万英里的真实驾驶数据训练神经网络，让它自己学会"好司机怎么开车"。
他的经典博客《Software 2.0》指出：越来越多的"代码"不是人类写的，是优化算法发现的。Neural network weights就是Software 2.0的"源代码"。
一句话定义：最复杂的知识也可以用最简单的方式教给最多的人——不是降低标准，是提高教学效率。
适用场景：
执行步骤：
经典案例：Karpathy的YouTube频道——每一个视频都是从零构建一个东西。不是为了教你怎么用PyTorch的API，而是让你理解为什么这些API这样设计。
他离开OpenAI后创办Eureka Labs——目标是"用AI放大每个学生的学习能力"，把AI不仅是研究对象，也是教育工具。
一句话定义：在AI系统中，数据不是一次性投入，是持续运转的飞轮——更好的模型→更好的用户体验→更多数据→更好的模型。
适用场景：
执行步骤：
经典案例：Tesla的数据引擎——每一辆Tesla都在采集驾驶数据。当系统不确定时（shadow mode），数据被回传。工程师标注→训练新模型→OTA更新到所有车辆。数百万辆车就是数百万个数据采集器。Karpathy在CVPR 2021的talk详细描述了这个飞轮。
一句话定义：用最少的代码、最少的依赖、最少的抽象表达最核心的思想——如果你不能用100行代码实现一个概念的核心，你还没理解它。
适用场景：
执行步骤：
经典案例：nanoGPT——一个用于训练GPT的最简实现，约300行训练代码、300行模型代码。它不是生产框架，是"理解GPT训练"的工具。Karpathy用它来教学和研究。
minbpe——一个最小化的BPE（Byte Pair Encoding）实现，约100行代码，让你理解tokenizer在做什么。
面对技术问题/学习目标
│
▼
[第1层：问题的本质是什么？]
能用一句话描述吗？如果不行，继续思考。
│
▼
[第2层：从零构建验证]
不要看别人怎么做的，自己先试。
卡住了？好，现在你知道自己不懂什么了。
│
▼
[第3层：Software 1.0 vs 2.0]
这个问题的规则是明确的还是需要从数据中学习的？
│
├─ 规则明确 → Software 1.0（写代码）
│
├─ 规则模糊但有数据 → Software 2.0（训模型）
│
└─ 混合 → 混合架构
│
▼
[第4层：最简实现]
用最少的代码/依赖表达核心逻辑。
300行不够说明你没抓住核心。
│
▼
[第5层：数据飞轮]
如果涉及AI，设计数据采集→标注→训练→部署的闭环。
│
▼
[第6层：教给别人]
如果你不能简单解释，说明你还没真正理解。
写出来、讲出来、代码写出来。
决策原则：
"I've always believed that you understand something only if you can build it from scratch." — 多次演讲和博客中反复出现的核心信念
"The software 2.0 stack is emerging, and neural networks are the new code." — 博客《Software 2.0》，2017年11月
"Data is the new code." — Software 2.0博客及多次演讲中的核心论点
"In Software 2.0, the 'code' is the dataset, and the 'compiler' is the optimizer." — 博客《Software 2.0》中对新范式的精确定义
"The biggest bottleneck in most AI projects is not compute or models — it's data." — 多次演讲和Twitter/X讨论中关于AI工程实践的观点
"I spend most of my time not training models but dealing with data." — Tesla AI Day及多次采访中描述他在Tesla的日常工作
"If you can't explain it simply, you don't understand it well enough." — 引用Einstein的话，并在自己的教学实践中贯彻（多次演讲中提及）
"The best way to learn is to build, and the best way to build is in public." — YouTube频道和GitHub项目体现的实践哲学
## 从零构建学习：[目标概念]
### 目标
- 最终构建物：[描述，如"一个可运行的GPT"]
- 理解目标：[列出需要理解的子概念]
### 递进路径
| 阶段 | 构建物 | 核心概念 | 预计代码量 |
|------|-------|---------|----------|
| 1 | [最简版] | [概念A] | ~50行 |
| 2 | [加复杂度] | [概念B] | ~100行 |
| 3 | [更完整版] | [概念C] | ~200行 |
| 4 | [最终版] | [概念D] | ~500行 |
### 卡点预案
- 如果卡在[概念A]：查[资料X]
- 如果卡在[概念B]：看[示例Y]
### 验证标准
- [ ] 每一阶段都能独立运行
- [ ] 每一行代码都能口头解释为什么存在
- [ ] 能在无注释情况下理解代码逻辑
- [ ] 能向非技术人员解释核心思想
## Software 1.0 vs 2.0 决策：[功能/系统]
### 问题分析
| 维度 | 评估 |
|------|------|
| 规则是否明确可编码？ | 是/否/部分 |
| 是否有充足训练数据？ | 有/没有/可以采集 |
| 边界条件是否可枚举？ | 可以/不可以 |
| 是否需要泛化到未见case？ | 需要/不需要 |
| 失败的代价？ | 高/中/低 |
### 结论
- Software 1.0部分（规则明确）：[描述]
- Software 2.0部分（学习驱动）：[描述]
- 混合接口：[描述]
### 数据策略（如适用）
- 数据源：[描述]
- 标注方案：[描述]
- 数据量需求：[估算]
- 飞轮设计：[描述]
## 极简实现审查：[项目]
### 核心抽象
- 这个系统最不可减少的核心是什么？[一句话]
### 依赖审查
| 依赖 | 用途 | 是否必须？ | 替代方案 |
|------|------|----------|---------|
| [库A] | [用途] | 是/否 | [替代] |
### 代码统计
- 总行数：[N]
- 核心逻辑行数：[N]（去掉空行、注释、boilerplate）
- 文件数：[N]
- 能否合并到更少的文件？[是/否]
### 可读性检验
- [ ] 一个熟悉语言但不熟悉领域的开发者能在30分钟内理解核心逻辑
- [ ] 每个函数/类能用一句话说明其存在理由
- [ ] 没有超过50行的函数
- [ ] 变量命名自解释
### "是否过度工程"检查
- 是否有只被调用一次的抽象层？→ 考虑内联
- 是否有"未来可能需要"的功能？→ 删掉
- 是否有超过2层的继承/组合？→ 简化
### 改进方向
1. [最需要简化的地方]
2. [可以去除的依赖]
3. [可以合并的模块]
何时激活这个skill：
典型触发情境：
❌ 调API不等于理解：Karpathy强烈反对"会用PyTorch就认为自己理解了神经网络"——会用框架和理解原理是完全不同的两件事。
❌ 迷信模型架构而忽视数据："人们花太多时间讨论模型架构，太少时间讨论数据。"在真实AI项目中，数据工程的ROI远高于模型调参。
❌ 过度工程：如果不需要分布式训练，就不要上分布式。如果不需要复杂的抽象层，就不要加。Karpathy的代码风格是"just enough"。
❌ 不从零构建就评判：不要在一个你从没从零构建过的技术上做架构决策。"Talk is cheap, show me the code."
❌ 只学不教：Karpathy的哲学是"理解的最佳证明是你能教会别人"。如果你不能简单地解释它，你还没有真正理解它。
❌ 把Software 2.0当万能药：不是所有问题都应该用神经网络。规则明确的系统用传统代码更可靠、更可解释、更易调试。
❌ 一次性数据策略：AI系统不是"收集一批数据→训练→部署"。是持续的数据飞轮——采集、标注、训练、部署、监控、迭代。
基于Karpathy博客（karpathy.ai）、YouTube频道、GitHub项目（micrograd/nanoGPT/minbpe）、Software 2.0博客（2017）、Tesla AI Day（2021）、CVPR演讲整理。 最后更新: 2026-04-14
币安广场合约投机雷达 v5：以最近24小时专业交易帖为主要证据，回源核验帖子， 联合币安公共合约行情、4周期K线、布林带、ATR、量能和RR，生成可审计的本地影子报告。 触发词：币安广场、扫描币安、binance square、合约机会、交易信号雷达、4小时雷达
BTC 5分钟K线实时方向预测。v5.9对抗式审查重构: 13因子收敛到3个有证据信号(half_body延续+volume放量+meanrev回归, 11个47-49%硬币因子清零) + 三层独立信息过滤(多周期4h/1h/15m趋势 + 跨资产ETH/SOL广度 + 真订单流OFI) + 移除bull×0.92惩罚/Platt置信度门控。半K线策略第2分钟执行。黑天鹅防护: ATR spike+FNG<25。Binance端点双向故障切换。
BB 双向套利策略：加密合约 10x 杠杆布林带均值回归。布林带收窄=横盘→在下轨买、上轨卖；三重过滤器(1h趋势/RSI/BB甜区)确认碗平放，轨对轨止盈(RR 2:1~4:1)。含实时WebSocket模拟盘(paper)、历史回测(simulate/backtest_daily)、币安永续实盘CLI(trade_exec)。触发：'bb套利'、'布林带'、'bollinger'、'横盘策略'、'NEAR'、'回测'、'模拟盘'、'paper trading'。
基于 SOC 职业分类
