AI 真的太爱说废话了。

为此，Karpathy 专门分享了一组技巧，针对的就是怎么让大模型越来越多的输出变得更容易理解。

链接：https://x.com/karpathy/status/2105819303471976479

方法有点出人意料。

因为 Karpathy 拿出的是一套 40 年前的航空写作规范。

40年前的航空规范，让大模型输出清晰易读

上世纪 70 年代，欧洲航空业面对越来越国际化的维修体系。英文维修手册需要交给来自不同国家、不同语言背景的技术人员使用。这就要求维修手册里的每一句话，都只能有一种理解。

于是，航空业开始主动给英语加限制。这套受控英语后来逐步发展为 ASD-STE100。最新 Issue 9 包含 53 条写作规则，并配有约 900 个批准使用的基础词，以及约 1200 个建议避免、同时提供替代表达的词。

规则很朴素:

一句程序性指令尽量控制在 20 个词以内；

一句话只安排一个操作；

尽量用主动语态，说明谁做什么；

同一个概念，从头到尾尽量只用同一个名字。

大模型经常为了让语言更「丰富」而频繁使用同义词，但在很多时候，这种轮换造成了一定的阅读障碍。

ASD-STE100 的思路正好相反。它不追求词汇变化，也不鼓励漂亮的长句。能叫一个名字，就一直叫这个名字。

Karpathy 发现，把这套规范交给 LLM 之后，输出会变得更清晰易读。

不过，他也没有真的要求模型严格执行一整本航空规范。有时候，他会要求：做到「80% 的 ASD-STE100」。

完整版 ASD-STE100 毕竟是为了专业技术文档设计的，日常如果一板一眼全部执行，很容易显得过于僵硬。

但紧接着，Karpathy 又觉得：文字还不是最好的办法。能画图，为什么还要把所有东西都写成字？

他的第二个建议是，直接让模型生成 diagram 或者 image。

图示可以帮助读者组织信息。即使这张图只为你一个人服务，看完以后再也没人使用，生成它也依然是划算的。

甚至还有更好的形式：网页，直接让模型「用 HTML 输出」。

随着代码模型越来越擅长前端，这个答案可以不再是一段静态内容，而是一个带有布局、动画甚至交互功能的页面。

比如你想理解神经网络里的学习率。文字可以告诉你，学习率太小收敛很慢，太大又可能震荡。网页可以直接放一个滑块。你自己改变学习率，看着一个小球实时改变下降轨迹。

这时，模型已经不只是在「解释」。它临时做了一个帮助你理解这件事的小工具。

评论区还有人补充了一种类似思路：如果是数学和技术内容，可以直接要求 Agent 用 TeX 输出 PDF 技术报告。公式、代码、图表和示意图都能得到更合适的排版。

也就是说，用户可以要求模型根据问题本身，选择更适合理解的表达方式。

最后就是 Karpathy 目前最看好的形式：为任何一个主题，生成完全定制的讲解视频。

他给出了一个很具体的案例：让模型「制作一段 3b1b 风格的视频解释」，再接入 ElevenLabs API 生成旁白；没有 API，也可以继续让模型寻找能够在本地运行的免费替代方案。

这里的 3b1b 就是 3Blue1Brown。它最典型的特点，是用程序化动画把抽象概念一步一步「演」出来，并配合讲解。

这几种技巧都着眼于一个主题，那就是把模型已经完成的工作，重新变成人更容易理解的东西。

Karpathy 最后给出的判断也正是如此。

随着 LLM 越来越强，越来越多具体工作会被模型自主完成。人的工作则继续向上移动，更多变成监督、检查和理解。

幸运的是，AI 也可以继续帮助人完成这部分工作。因为当智能和代码越来越便宜，我们已经可以为了一个非常具体的问题，临时生成过去根本不值得专门制作的东西。

Karpathy 把它们称为：large, custom, discardable software artifacts。大型、定制、用完就可以丢掉的软件产物。

Tibo马上实测

Karpathy 刚刚发出这条建议，Tibo 马上甩出一条实测。

他只给了一个非常简单的任务：「解释一下 Shazam 是怎么工作的。」

然后，模型生成了一段专门讲解 Shazam 工作原理的视频。

有人试过之后觉得，效果意外地明显。尤其面对比较复杂的 HTML Artifact，加入 ASD-STE100 式约束之后，信息结构变得更清楚。

但也有人把普通回答和 ASD-STE100 版本放在一起比较，最后得出的结论是：「好像也没什么区别。」

这其实并不奇怪。如果只是问一个很简单的问题，模型原本就只需要回答几句话，再套一层规范，也很难出现天翻地覆的变化。

这种规范更适合的场景是长技术解释、多步骤操作或者不同 Agent 之间传递的信息。内容越复杂，越容易看到效果。

还有网友进一步发现，整套规则直接搬过来，依然可能太严格。更好的方法是挑出真正适合自己使用场景的那部分。

于是有人想出了一个用法：让模型随机抽取过去一周里自己和它进行的十段交互，再用 ASD-STE100 逐条检查。

哪些回答当时不够清楚？哪些地方产生了不必要的歧义？如果应用某一条规则，会不会让那段对话更容易理解？最后，再把真正有效的那些规则写进用户级 AGENTS.md。

事实上，三个月前，就已经有人把 ASD-STE100 做成了开源 Skill。

github：https://github.com/danyuchn/asd-ste100-skill

asd-ste100-skill 把这套思路进一步用在 tool description、error message、Agent 之间的指令、system prompt 等场景。它甚至专门分出了两种模式。

一种是 Strict，适合程序步骤、工具描述、Agent 间指令等误读成本更高的内容；

另一种是 STE-flavored，更适合 README、解释性文本等普通场景，保留句长、主动表达、结构清晰等原则，但不会把词汇完全锁死。

这其实很像 Karpathy 那句「80% 的 ASD-STE100」被进一步产品化了，并不是所有地方都需要最严格的规范。

有开发者干脆做了一个可以立即使用的 Claude Skill，并把代码直接放上 GitHub。

github：https://github.com/danyuchn/asd-ste100-skill

反正 Karpathy 已经把技巧分享出来了，大家也快去试试吧。

参考链接：

https://x.com/karpathy/status/2105819303471976479

https://www.asd-ste100.org/