Karpathy Methodology 是从 Andrej Karpathy 2023 至 2026 年间在 X 上最受欢迎的内容、其 LLM Wiki Gist 以及相关技能仓库中提炼出来的方法论集合，共包含 14 项核心技能。该技能本身是主索引：被调用时，既可以应用与用户当前任务相关的具体子方法，也可以引导用户从 14 项中选出合适的一项。
主要能力由 14 项子方法构成，每项有一句话要点：
- karpathy-agentic-engineering：用清晰任务与可验证的成功标准来编排智能体。
- karpathy-llm-wiki：让 LLM 维护你的知识库，你负责探索。
- karpathy-llm-simulator：让 LLM 模拟专家辩论，而不是只给一个意见。
- karpathy-minimalism：200 行纯 Python 胜过 50 个 npm 包。
- karpathy-vibe-to-agentic：vibe coding 抬高下限，agentic engineering 抬高上限。
- karpathy-autoresearch：智能体在 git 分支上循环，你只改提示词。
- karpathy-output-evolution：文本 → Markdown → HTML → 渲染，始终要求结构化。
- karpathy-understanding-first：可以外包思考，但绝不外包理解。
- karpathy-idea-files：交付 Gist（摘要加标准），而不是代码。
- karpathy-meta-reflection：每月审计，什么在退化，什么在爆发。
- karpathy-supply-chain-hygiene：每个依赖都是攻击面。
- karpathy-education-first：让一切可教学，用纳米项目而非单体项目。
- karpathy-system-prompt-learning：像写教科书一样把策略写进系统提示词。
- karpathy-practice-environments：搭建让智能体尝试、失败、学习的训练场。
使用方式方面，资料给出了按任务类型的快速决策树：需要构建或编码时，从第 1 项 Agentic Engineering 开始（清晰任务加成功标准），叠加第 4 项 Minimalism（避免臃肿），最后用第 8 项 Understanding First 验证所构建的内容；需要研究或学习时，用第 2 项 LLM Wiki 构建知识、第 3 项 LLM Simulator 挑战假设、第 10 项 Meta-Reflection 校准下一步学什么；需要做决策时，先用第 3 项辩论模式，再用第 8 项掌握自己的结论；设计产品或工具时，用第 4 项 Minimalism 加 Agent-Native、第 14 项 Practice Environments、第 12 项 Education First；想分享想法时，用第 9 项 Idea Files（Gist 优先）、第 7 项 Output Evolution（结构化输出）、第 12 项 Education First（可教学）；做 ML 研究时，用第 6 项 AutoResearch、第 13 项 System Prompt Learning、第 14 项 Practice Environments。
当用户未指定子方法时，该技能提供一个统一的主提示词模板，其核心约束为：理解先于外包，绝不交付无法解释的东西；最小化依赖，优先 200 行以内的纯实现；面向智能体的输出，CLI 友好、Markdown 结构化、LLM 可读；可验证目标，每个任务必须有可测试的成功标准；边构建边教学，输出应能被好奇的初学者理解。模板中留有任务、成功标准与约束的占位位置。
统一上述 14 项的元原则是：“你可以外包你的思考，但你不能外包你的理解。”资料称其约有 46k 点赞（2026 年）。用 AI 提速，用自己的大脑判断方向是否正确。
适用场景为编程、研究学习、决策、产品设计、分享想法与 ML 研究等任务，并可借助决策树选择具体子方法。限制方面，资料未提供安装命令、运行方式、支持平台、收费或价格信息，也未说明这些方法在何种模型或工具上可直接执行。