GitHub趋势·10月10日：Karpathy经验变CLAUDE.md爆二十万星

今天GitHub上又有几个新面孔杀进Trending了, 我一打开就看到一个特别离谱的星数, 二十多万颗星的项目今天才上榜, 这也太夸张了吧.

你说的是 andrej-karpathy-skills 吧. 这个项目今天新增了将近五百颗星, 总星数已经突破二十万零六千了.

但重点不在星数, 重点在它做的事情. 就一个文件, 一个 CLAUDE.md 文件, 把 Karpathy 对 LLM coding 踩坑经验全压进去了.

等一下, 就一个文件? 二十万颗星就靠一个文件撑起来的?

对, 就一个文件. 你想想, Andrej Karpathy 这个名字本身就是流量, 他是 OpenAI 联创, Tesla AI 前负责人, 在开发者社区里的影响力是顶级的.

他平时在社交平台上分享了不少用 Claude Code 的心得, 比如怎么避免 LLM 过度重构代码, 怎么让它不要乱改没问题的地方. multica-ai 这个团队把这些观察提炼成了一份规则文件.

所以这其实是个二次创作项目? 把 Karpathy 的经验系统化了?

对, 你可以理解成一份「Karpathy 认证的 Claude Code 使用手册」. 把它放进项目根目录, Claude Code 就会读取里面的规则, 按照这些约束去写代码.

这个思路其实跟上周我们聊到的 skills 系列很像啊, 都是在给 AI 工具加约束和规范. 但这个更直接, 直接用大佬背书.

没错, 而且它踩中了一个非常真实的痛点. 用过 Claude Code 的人都知道, 它有时候会「过于主动」, 你让它改一个 bug, 它顺手把周围的代码全重构了.

Karpathy 的那些观察核心就是: 不要让 AI 做超出任务范围的事, 要让它的每一步操作都是可预期的. 这和前天聊到的 ArtCraft 的「intentional」设计理念其实一脉相承.

你这么说我突然想到一个问题, 这个文件对不同项目的适用性怎么样? 毕竟每个项目的规范不一样.

这是它的局限性所在. 它是一个通用底座, 不是定制化方案. 你可以把它当成最基础的一层, 然后在自己项目里再叠加项目特有的规则.

适合用的人很明确: 刚开始大量用 Claude Code 的独立开发者, 或者团队里想统一 AI 编程规范的 tech lead. 直接 copy 进去就能用, 零成本.

好, 那今天必看第一位已经出来了. 接下来说说另一个今天新上榜的项目, ppt-master, 这个名字一听就很接地气.

这个项目是 Hugo He 做的, Python 写的, 今天新增了三百六十多颗星, 总星数四万五千多. 它干的事情是让 AI 把文档或者话题直接生成真正的 PowerPoint 文件.

「真正的」这个词你特别强调了一下, 是有什么讲究吗?

对, 这是它的核心亮点. 很多 AI 生成 PPT 的工具, 生成的其实是 HTML 幻灯片或者 Markdown 转的东西, 看起来像 PPT 但本质不是.

ppt-master 生成的是原生 .pptx 文件, 有原生形状, 有过渡动画, 有数据图表, 还能读你自己的 .pptx 模板. 生成完直接用 PowerPoint 打开, 正常编辑.

这个对打工人来说太实际了. 我做产品的时候最痛苦的就是整理汇报材料, 如果真能把文档直接变成能用的 PPT, 这个价值太大了.

还有一个细节, 它支持 speaker notes 转成音频旁白. 就是你写了备注, 它能生成配套的解说音频. 这对做培训材料或者异步汇报的场景很有用.

不对吧, 这类工具市面上也不少了, 什么 Gamma, Tome, 国内也有很多. 它凭什么今天突然火了?

你问到关键了. 那些工具大多是 SaaS, 是闭源的. ppt-master 是开源的, 你可以自己部署, 数据不出公司. 对企业用户来说这个差异很大.

而且它走的是 Python 技术栈, 开发者可以把它嵌到自己的业务流里. 这是 Gamma 这类工具完全给不了的灵活度.

所以结论就是, ppt-master 用开源 + 可自部署填补了企业级 AI 幻灯片生成这个空白, 跟闭源 SaaS 是互补关系而不是正面竞争.

对, 总结得很准. 然后今天还有一个项目我觉得值得单独拿出来聊, 是 context-mode.

context-mode, 这个名字听起来像是在优化什么东西?

对, 它是 mksglu 做的, TypeScript 写的, 今天新增了两百五十多颗星, 总星数两万五千多. 专门解决 AI coding agent 的 context window 浪费问题.

核心数据是这样的: 它声称能把工具输出占用的 context 压缩 98%. 这个数字如果是真的, 意义非常大.

为什么 context window 浪费是个大问题? 现在的模型窗口不是越来越大了吗?

窗口大不代表浪费不是问题. 你想想, agent 每次调用一个工具, 比如运行测试, 读文件, 返回的是一大坨原始输出. 这些东西塞进 context 里, 真正有用的信息可能只有 2%.

context 被占满了, 一方面 token 成本直接上去, 另一方面模型在一堆噪音里找关键信息, 性能也会下降. 这是目前所有 AI coding agent 的通病.

那它怎么做到 98% 压缩的?

它用 sandbox 隔离工具输出, 只把摘要和关键结果传回 context. 同时它还做了 session memory 持久化, 跨对话保留上下文, 不用每次重新铺垫.

还有一个亮点是它支持 17 个平台的路由, 通过 MCP 加 hooks 机制, 可以根据任务类型自动选最合适的工具. 覆盖面很广.

17 个平台, 这个跟上周聊的 pstack-claude 有点像, 都在做多工具兼容这件事.

方向类似, 但切入点不一样. pstack-claude 是工作流层面的适配, context-mode 是在 context 管理层面优化. 两个其实可以叠着用.

对, 这说明 AI coding agent 的基础设施还有很多层需要补. 不只是工具兼容, context 效率也是一个独立的优化方向.

你看今天上榜的这几个新项目, andrej-karpathy-skills 在规则层优化 AI 行为, context-mode 在资源层优化 context 利用率, ppt-master 在应用层拓展 AI 的输出形态. 方向各不同但都是在给 AI 工具链打补丁.

对, 今天上榜的几个经典大项目我也注意到了, Flutter, TensorFlow, PyTorch, transformers 这几个都在榜上, 不过这些是老面孔了.

对, 这几个是常青树, 周末开发者刷 Trending 的时候经常会带着这几个一起上. 不是什么新鲜事, 倒是印证了基础框架的持续生命力.

好, 那来总结一下今天的 Trending. 今天新面孔里最值得关注的共性是什么?

我觉得有一个很清晰的主线. 从 andrej-karpathy-skills 到 context-mode, 今天的新项目都在围绕一件事: 让 AI coding agent 更可控, 更高效, 更不浪费资源.

这说明开发者社区已经过了「AI 能用就行」的阶段, 现在追求的是「用起来顺手, 成本可控, 行为可预期」. 这是工具链走向成熟的标志.

好, 那今日必看推荐, 我选 andrej-karpathy-skills. 零成本, 一个文件直接用, 效果有 Karpathy 背书, 没有理由不试试.

我补一个 context-mode. 如果你的 agent 跑起来 token 账单高到离谱, 先去看看这个, 98% 的压缩率如果真能实现, 直接省一大笔钱.

好, 今天就聊到这里. 周末愉快, 我们下期见.

拜了小雨, 周末去刷刷 CLAUDE.md 文件吧.