OpenAI 創始成員、现任 Anthropic 预訓練團队成員 Andrej Karpathy 週二（7/21）在 X 上公开自己跟 LLM 協作的固定套路，遇到複雜任務时他不打字，直接切到语音输入连講 10 分鐘，內容可以跳躍、混亂、毫无章法。他的觀察是模型很擅长从语无倫次的长篇裡还原你真正想做的事，吐回来的版本通常比你自己講的还乾淨。 （前情提要：OpenAI 創始成員 Andrej Karpathy 宣布加入 Anthropic：重返 LLM 研发最前線） （背景補充：Andrej Karpathy 提煉「CLAUDE.md 四大準則」引爆 GitHub，让 AI 寫 Code 準確率飆破 90%）
懶得打字，就用講的。Andrej Karpathy 週二（7/21）在 X 上寫下自己跟 LLM 協作的一个固定套路，需要交代的背景太多、手指卻跟不上腦袋的时候，他会往椅背一靠，切到 /voice 语音输入，然后连续講 10 分鐘。「完全一團亂，什麼都可以講，全程意识流。」
我发现，使用 LLM 时一个有用的模式是来一段很长的拉雜閒聊。有时候 LLM 需要更多信息来理解你想达成什麼目標，但你又懶得把它們打出来。在这些情況下，我喜歡往椅背一靠，切換到 /voice，然后就只管拉雜地講上大概 10… — Andrej Karpathy (@karpathy) 2026 年 7 月 21 日
我发现，使用 LLM 时一个有用的模式是来一段很长的拉雜閒聊。有时候 LLM 需要更多信息来理解你想达成什麼目標，但你又懶得把它們打出来。在这些情況下，我喜歡往椅背一靠，切換到 /voice，然后就只管拉雜地講上大概 10…
— Andrej Karpathy (@karpathy) 2026 年 7 月 21 日
有时候他会先跟模型打聲招呼，在开头補一句「切換成语音辨识了，错字先说聲抱歉」；有时候他乾脆把这段獨白變成一场小型訪談，让模型反过来追问幾輪，把散落的線索一條一條挖出来。
语音输入本身不是新东西，Karpathy 真正在講的是输入量。与其花力气把想法整理成一段乾淨的指令，不如把整包想法直接丟过去，让模型自己拆开来重組。
他給的理由很直接。「LLM 不知为何非常擅长重建冗长而语无倫次的獨白，它們迴音給你的那份，往往比你原本那團思緒还乾淨得多。」他寫道，結果是 mind meld（心靈融合，指人跟模型对彼此意圖的理解逐漸对齐）改善了，从那个时间点之后，需要回头糾正的地方反而更少。
这句話点出这套方法真正的成本結構。大部分人省了前期打字的力气，代价是后面反覆修正、来回丟訊息澄清自己的意思；Karpathy 的做法是把成本全部押在前面那 10 分鐘，用一次超大量的背景资訊交代，換掉后面五輪的「不是这个意思」。
X 回覆区大致分成两派。支援的人说这套已经佔掉自己八成的 prompt，也有人形容改以语音为主之后产出效率翻了 5 到 8 倍，多语使用者則喜歡它不挑语言。
反对的聲音則集中在同一个顾慮，把「把話講清楚」这件事整个外包給模型，长期下来自己的組织能力跟寫作能力会不会退化。有人給出折衷做法，模型整理完之后自己再手动蒸餾一次，不要照單全收。
两边其实沒有誰对誰错，Karpathy 的用法是把模型当成会整理的镜子，不是代筆，差別只在你有沒有把它整理出来的版本读回去。
**
4.75万 热度
602.16万 热度
16.23万 热度
121.69万 热度
791.96万 热度
Andrej Karpathy 公开大神 Prompt 心法：开语音跟 AI 狂聊 10 分鐘
OpenAI 創始成員、现任 Anthropic 预訓練團队成員 Andrej Karpathy 週二（7/21）在 X 上公开自己跟 LLM 協作的固定套路，遇到複雜任務时他不打字，直接切到语音输入连講 10 分鐘，內容可以跳躍、混亂、毫无章法。他的觀察是模型很擅长从语无倫次的长篇裡还原你真正想做的事，吐回来的版本通常比你自己講的还乾淨。
（前情提要：OpenAI 創始成員 Andrej Karpathy 宣布加入 Anthropic：重返 LLM 研发最前線）
（背景補充：Andrej Karpathy 提煉「CLAUDE.md 四大準則」引爆 GitHub，让 AI 寫 Code 準確率飆破 90%）
懶得打字，就用講的。Andrej Karpathy 週二（7/21）在 X 上寫下自己跟 LLM 協作的一个固定套路，需要交代的背景太多、手指卻跟不上腦袋的时候，他会往椅背一靠，切到 /voice 语音输入，然后连续講 10 分鐘。「完全一團亂，什麼都可以講，全程意识流。」
有时候他会先跟模型打聲招呼，在开头補一句「切換成语音辨识了，错字先说聲抱歉」；有时候他乾脆把这段獨白變成一场小型訪談，让模型反过来追问幾輪，把散落的線索一條一條挖出来。
语音输入本身不是新东西，Karpathy 真正在講的是输入量。与其花力气把想法整理成一段乾淨的指令，不如把整包想法直接丟过去，让模型自己拆开来重組。
前期多講一点，后面少改一点
他給的理由很直接。「LLM 不知为何非常擅长重建冗长而语无倫次的獨白，它們迴音給你的那份，往往比你原本那團思緒还乾淨得多。」他寫道，結果是 mind meld（心靈融合，指人跟模型对彼此意圖的理解逐漸对齐）改善了，从那个时间点之后，需要回头糾正的地方反而更少。
这句話点出这套方法真正的成本結構。大部分人省了前期打字的力气，代价是后面反覆修正、来回丟訊息澄清自己的意思；Karpathy 的做法是把成本全部押在前面那 10 分鐘，用一次超大量的背景资訊交代，換掉后面五輪的「不是这个意思」。
反对的人都擔心同一件事
X 回覆区大致分成两派。支援的人说这套已经佔掉自己八成的 prompt，也有人形容改以语音为主之后产出效率翻了 5 到 8 倍，多语使用者則喜歡它不挑语言。
反对的聲音則集中在同一个顾慮，把「把話講清楚」这件事整个外包給模型，长期下来自己的組织能力跟寫作能力会不会退化。有人給出折衷做法，模型整理完之后自己再手动蒸餾一次，不要照單全收。
两边其实沒有誰对誰错，Karpathy 的用法是把模型当成会整理的镜子，不是代筆，差別只在你有沒有把它整理出来的版本读回去。