Почему ИИ так часто тебя не слышит. И как это исправить
Ты просишь ИИ сделать одно, а он делает другое. Не спросил, не уточнил, просто побежал. Это не твоя ошибка в формулировке. Андрей Карпати, создатель термина «вайб-кодинг», сооснователь OpenAI, бывший директор по ИИ в Tesla, объяснил, почему так устроены все языковые модели. И один разработчик превратил это объяснение в файл на 50 строк, который уже лежит в 60 000 репозиториев по всему миру. 🧠
В чём проблема
Карпати выделил три вещи, которые LLM делают системно, не как исключение. Они придумывают допущения вместо того, чтобы спросить. Они раздувают ответ: там, где нужно 5 предложений, пишут 50. И иногда молча меняют то, что ты не просил трогать.
Это не глюк и не плохая модель. Так работает обучение: давать ответ, а не признавать неопределённость. Можно ругаться, а можно дать модели правила.
Четыре принципа, которые работают в любом ИИ
- Первый: думай перед тем, как делать. Хороший результат начинается с вопроса, а не с немедленного исполнения. Если задача неоднозначна, хорошая модель должна показать несколько интерпретаций, а не выбрать молча.
- Второй: минимум достаточного. Никаких «на будущее», никакой «гибкости», которую не просили. Минимум, который решает задачу, всегда лучше максимума, который решает несуществующие задачи.
- Третий: трогай только то, что нужно. Если попросил исправить второй абзац, хороший ИИ не переписывает первый и третий. Хирургия, не реконструкция.
- Четвёртый, самый ценный: работай от критерия успеха, а не от списка действий. Карпати сам говорил: «Не говори ИИ что делать. Дай критерии и смотри». «Сделай хорошо» — слабое задание. «Результат верный, если пользователь не задаёт уточняющих вопросов» — сильное.
Как применить это прямо сейчас
Если ты пользуешься ChatGPT или Claude через браузер: зайди в настройки, найди «кастомные инструкции» или «системный промпт» и вставь туда текст из блока ниже. Модель будет получать эти правила в начале каждого разговора автоматически.
Если ты работаешь с ИИ-инструментами для кода (Cursor, Claude Code, Codex): сохрани файл под именем AGENTS.md в корневую папку проекта. AGENTS.md — это открытый формат, созданный совместными усилиями OpenAI, Google, Cursor и других. Он читается автоматически большинством современных ИИ-кодеров.
Текст файла — вот он, бери и используй:
# AGENTS.md
Behavioral guidelines to reduce common LLM coding mistakes. Merge with project-specific instructions as needed.
**Tradeoff:** These guidelines bias toward caution over speed. For trivial tasks, use judgment.
## 1. Think Before Coding
**Don't assume. Don't hide confusion. Surface tradeoffs.**
Before implementing:
- State your assumptions explicitly. If uncertain, ask.
- If multiple interpretations exist, present them - don't pick silently.
- If a simpler approach exists, say so. Push back when warranted.
- If something is unclear, stop. Name what's confusing. Ask.
## 2. Simplicity First
**Minimum code that solves the problem. Nothing speculative.**
- No features beyond what was asked.
- No abstractions for single-use code.
- No "flexibility" or "configurability" that wasn't requested.
- No error handling for impossible scenarios.
- If you write 200 lines and it could be 50, rewrite it.
Ask yourself: "Would a senior engineer say this is overcomplicated?" If yes, simplify.
## 3. Surgical Changes
**Touch only what you must. Clean up only your own mess.**
When editing existing code:
- Don't "improve" adjacent code, comments, or formatting.
- Don't refactor things that aren't broken.
- Match existing style, even if you'd do it differently.
- If you notice unrelated dead code, mention it - don't delete it.
When your changes create orphans:
- Remove imports/variables/functions that YOUR changes made unused.
- Don't remove pre-existing dead code unless asked.
The test: Every changed line should trace directly to the user's request.
## 4. Goal-Driven Execution
**Define success criteria. Loop until verified.**
Transform tasks into verifiable goals:
- "Add validation" → "Write tests for invalid inputs, then make them pass"
- "Fix the bug" → "Write a test that reproduces it, then make it pass"
- "Refactor X" → "Ensure tests pass before and after"
For multi-step tasks, state a brief plan:
1. [Step] → verify: [check]
2. [Step] → verify: [check]
3. [Step] → verify: [check]
Strong success criteria let you loop independently. Weak criteria ("make it work") require constant clarification.
---
**These guidelines are working if:** fewer unnecessary changes in diffs, fewer rewrites due to overcomplication, and clarifying questions come before implementation rather than after mistakes.
Зачем файл на английском
Модели обучались на огромных массивах английского текста, и технические инструкции на нём работают стабильнее. Это не про язык общения, это про точность команд. Проверено: разница есть.
Работает ли это
Проверил сам. С этими правилами модель заметно чаще останавливается и спрашивает, вместо того чтобы изобрести ответ на несуществующий вопрос. Главный эффект не в том, что ИИ стал умнее. Он стал дисциплинированнее. А это часто важнее.
Исходный репозиторий: https://github.com/forrestchang/andrej-karpathy-skills