# KP-01｜Karpathy 的 AI 学习与使用方法

整理与核验：2026-10-10。读完本章，应能把作者的方法转成有来源、有适用条件、能复查的个人工作流程。前置：LLM-01／02、AG-01／02。

![学习与使用逻辑架构图](<../../图表/KP-01_架构.svg>)

## 1. 先认识材料，而后提炼方法

本章使用三类材料：2025 年的 *How I use LLMs* 讲座、本地保存的编程 Agent 使用笔记、作者的 Verifiability 与 LLM Wiki 原文。讲座描述的是当时产品体验，不能把旧界面、模型选择和功能入口作为当前操作说明。编程笔记中的工作比例是作者自述，没有成为本项目的效率测量。

| 材料 | 要回答的问题 | 定位与证据性质 |
|---|---|---|
| How I use LLMs | 怎样把对话、文件、搜索和计算组合使用？ | [原始视频](<https://www.youtube.com/watch?v=EWvNQjAaOHw>)；本地剪辑与全文视频分别计时 |
| 编程 Agent 使用笔记 | 怎样控制假设、修改范围与成功标准？ | [本地保存译文](<../../sources.html#ref-839fb511f0f97f>)，个人经验 |
| Verifiability，2025-11-17 | 为什么检查办法影响任务难度？ | [作者文章](<https://karpathy.bearblog.dev/verifiability/>)，方法论观点 |
| LLM Wiki，2026-04-04 | 怎样积累可回查的派生知识？ | [作者 Gist](<https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f>)，概念方案 |

本地 129 分钟视频开头是半句，不能给原视频时间统一加一个猜测偏移。使用 [本地时间定位表](<../../sources.html#ref-db830e355b7cb1>) 和 [英文逐字稿](<../../sources.html#ref-fae8f922a0de3d>) 回查。机器中文译文用于检索，关键术语应对照英文和原音。

## 2. 组织一次有帮助的对话

给模型一个具体工作对象，说明需要它完成什么、你已经知道什么、结果如何使用。例如“解释这个布局规划器中的坐标转换，指出厘米和像素在哪里交接”，比“讲一下 PCG”更容易形成可核查答案。把相关代码、字段和真实样例放入上下文，不要只给结论性摘要。

追问应针对未解决的理解点：要求一个数值例子、对照失败输入、解释哪个前提变化会使结论失效。问答结束时自己复述机制，再用代码或来源检查复述。新问题与原任务关联很弱时，建立新的任务说明；关联很强时，保留已经确认的约束和事实。

这些是整理者对材料的归纳，具体上下文组织见 AG-02。对话长度、回答语气和模型自信都不是理解正确的指标。

## 3. 阅读和研究需要返回原文

本地剪辑 00:25:06 附近进入搜索，00:36:28 附近讨论研究，00:45:53 附近进入文件阅读。使用前先确认这三个时间指向的是本地文件。研究任务可分为发现资料、读正文、比较证据、形成结论四步，避免把搜索摘要直接拼成报告。

对每条关键结论保存“原文位置—证据类型—自己的解释”。例如文档称某模块零依赖，而 package 清单出现协议依赖，就登记措辞差异，并分别说明宿主注入和包依赖，不能为了报告整齐删掉不一致材料。

阅读检查可以从反例开始：作者举出的条件是什么？材料没有回答什么？如果删掉这一段引用，剩下的证据还支持结论吗？这比要求模型“认真分析”更能暴露缺项。

## 4. 让工具承担计算，让人判断含义

讲座本地 00:54:04 附近讲代码执行，00:59:33 附近讲数据处理。把数据交给解释器计算，可避免仅靠自然语言生成数字；但脚本仍可能使用错误口径。输入检查、计算定义和业务解释需要分别审查。

本版本提供 [确定性学习实验](<../../示例/学习实验/README.md>)，输入帧耗时为 `10, 12, 缺失, 14, 16` 毫秒。有效观测均值为 `(10+12+14+16)/4=13 ms`；把缺失当零得到 `10.4 ms`，看似更快，却改变了缺失值含义。两项结果来自实际脚本运行，见 [实验记录](<../../检查记录/学习实验结果.json>)。

这里没有运行性能采集，也没有模型生成分析报告；数据是明确标注的教学数据。均值不能证明真实界面的卡顿程度，还需要时间序列、分位数、设备条件与缺失原因。

## 5. 与编程 Agent 协作

作者保存笔记提到，Agent 可能选择错误假设、产生过多抽象或顺手修改无关代码。可迁移的做法是：用清楚的成功条件约束任务，提供真实失败输入，检查差异，让可执行反馈进入下一轮。不要把“持续尝试很多次”当成有效调查。

资产检查器任务可以这样写：输入 CSV；缺少 `kind` 时返回输入错误；合法样本继续通过；只改字段解析及相关提示；提交复现输入、原因和结果。这样的条件能直接连接检查。美术风格任务则需要参考图、比较对象和人工评价，不能用程序退出码代替审美判断。

目标表达和评审方法见 CC-01／03。作者个人体验不保证所有仓库都获得同样速度，也不能替代项目中的权限与数据约束。

## 6. 可验证性决定反馈的质量

Verifiability 讨论检查结果与产生结果之间的差异，本章只采用“预先设计检查办法”这一方法，不把它推导成所有任务都能自动判定的保证。[作者原文](<https://karpathy.bearblog.dev/verifiability/>)。

| 任务 | 可执行反馈 | 仍需判断 |
|---|---|---|
| CSV 字段检查 | 已知输入与期望异常 | 规则是否符合业务 |
| 帧耗时统计 | 输入、公式、复算 | 指标能否代表体验 |
| PCG 建筑布局 | 越界、碰撞、引用 | 景观与风格是否合理 |
| 学习稿 | 引用、覆盖、链接 | 解释是否便于理解 |

先建立简单基线，再改变一个关键因素。比较前说明输入、版本和评分口径；失败样例同样保存。没有稳定反馈的任务，应缩小范围或增加人工评审。

## 7. 从记录到可复用知识

LLM Wiki 提出把原始资料与持续维护的派生知识分开，用来源链接和交叉引用积累认识；作者说明这是可按需求取舍的模式，而不是统一目录或强制工具方案。[原始 Gist](<https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f>)。

本版本采用原始副本、学习正文、来源登记和实验记录四类成果。原始副本用于保留证据，正文可修改解释，实验记录说明实际执行范围。新资料纠正旧结论时更新正文并保留变更理由；不能让摘要永久覆盖源码事实。

复用单位可以是一张方法卡，而不必建设复杂检索系统。卡片至少包含问题、方法、来源、适用条件、练习和检查办法，模板见 [方法卡与来源摘记](<../../模板/方法卡与来源摘记.md>)。

## 8. 三张方法卡与 TA 迁移

| 方法卡 | 来源位置 | 本项目练习 | 接受条件 |
|---|---|---|---|
| 计算先定口径 | 本地讲座 00:54:04／00:59:33 | 复算有效帧耗时，解释缺失值 | 得到 13 ms，说明分母为 4 |
| 开发先定成功标准 | 保存的编程 Agent 笔记 | 为资产缺列问题写任务说明 | 修复前能复现，修复后关键样本通过 |
| 知识保留来源路径 | LLM Wiki 原文 | 将包依赖差异写成来源卡 | 能返回 package 清单，注明版本 |

上表练习是整理者设计，不是作者原文中的 TA 案例。将方法用于 PCG 时，补充坐标、资产包围盒、运行配置与地图报告；用于资料研究时，补充发布日期、原始正文和转述关系。

## 练习与验收

写三张自己的方法卡，每张选择不同材料。附准确位置、适用条件和能执行的检查。至少一张使用反例，至少一张说明人工判断仍然承担什么。能复述一条方法并完成检查，再把它加入长期工作流程。

![方法思维导图](<../../图表/KP-01_思维导图.svg>)

配套：本章离线阅读页与 16 页演示稿由版本首页进入；[跨平台原始整理](<../../sources.html#ref-f1ed0474431769>) 是历史背景资料；当前产品操作回查官方文档。