nanochat：Karpathy 用 8000 行代码教你 100 美元复刻 ChatGPT，GitHub 已 5.7 万 star

一句话结论：Karpathy 开源了 nanochat——一个用约 8000 行 Python（PyTorch）写成的端到端 ChatGPT 复刻工具链，从数据、训练到推理、WebUI 一条龙，GitHub 已 57857 star，是理解「一个 ChatGPT 到底怎么造出来」的最小可读范本。

AI 摘要

• 项目用途：从零训练并部署一个「简化版 ChatGPT」的最小完整工具链。
• 适合人群：想看懂 LLM 全流程的开发者、Karpathy 课程的学员、想从原理层理解大模型的工程师。
• 上手门槛：低到中，需要一点 PyTorch 基础，但代码结构极简、单文件可读。
• 智盒结论：它不是生产工具，而是一份「可运行、可 fork、可魔改」的教材，学习价值远大于实用价值。

nanochat 是什么？

nanochat 是 Andrej Karpathy（前特斯拉 AI 总监、OpenAI 创始成员）发布的开源项目，GitHub 仓库 karpathy/nanochat，MIT 协议，截至 2026 年 9 月 8 日已有 57857 star、8076 fork。它的定位写得很直白——「The best ChatGPT that $100 can buy」，用 100 美元预算就能复刻一个能对话的 ChatGPT。整个代码库以 Python（PyTorch）为主，tokenizer 部分用了少量 Rust，主打「极简、易读、可改、可 fork」。

为什么 Karpathy 要重新造一个 ChatGPT？

Karpathy 此前的 nanoGPT 只做了预训练，很多想学 LLM 的人卡在「训练完怎么用起来」这一步。nanochat 把缺口补上了：它是一条完整的端到端链路，从数据预处理、分词、预训练，到带 KV cache 的高效推理引擎、工具调用（轻量沙箱里的 Python 解释器），再到 CLI 和类 ChatGPT 的 WebUI 交互界面，全部打包装进一个逻辑连贯的仓库。Karpathy 自己说这是「我写过最疯狂的作品之一」，目标不是性能，而是把「强 benchmark 工具链」浓缩成一份能从头到尾读懂、改动的代码。

8000 行代码里到底装了什么？

整个项目大约 8000 行代码，却覆盖了 LLM 的完整生命周期。核心能力可以拆成四块：数据与分词、训练、推理、交互。推理引擎是亮点之一——它实现了 KV cache，支持简单的 prefill/decode 分离，能在消费级硬件上流畅跑起来；工具调用则让模型可以操纵一个轻量沙箱里的 Python 解释器，这在「最小复刻」项目里相当少见。对我们之前写过的一类「给 Agent 喂结构」的工具，比如 graphify 用确定性 AST 建代码知识图谱（它的 token 削减实测恰好用的就是 Karpathy 的仓库），nanochat 提供了另一面：从「怎么训练出一个能对话的模型」角度补全认知。

为什么说「100 美元就能买到最好的 ChatGPT」

这里的「100 美元」说的是训练预算。nanochat 的设计哲学是「用最小的钱、最少的代码、最短的时间，跑通完整闭环」，让个人开发者也能在普通 GPU 上复现训练过程。它没有追求 SOTA 跑分，而是追求「你能看懂每一行为什么这么写」。这也是它和商用大模型的本质区别：后者是黑盒，前者是拆开给你看的教学标本。如果你想系统理解这套 Agent/LLM 的底层机制，我们整理的 learn-claude-code 17 章课程解读 可以作为一个互补入口——一个讲「怎么用」，一个讲「怎么造」。

它能拿来做什么？

最直接的用途有三个：一是当教材，跟着代码走一遍 LLM 训练到部署的全流程；二是当底座，fork 之后魔改出自己的实验模型或课程作业；三是当 benchmark，用它验证你对模型架构、tokenizer、推理引擎的理解。它已经被 Karpathy 定位为 LLM 101 n 课程的核心项目，未来可能像 nanoGPT 一样演化成一个研究工具或评测框架。如果你更关心怎么在有限的本地硬件上把大模型跑起来，可以看 slotstream 如何在 48 GB Mac 上跑 105 GB 的 Qwen。

适合谁上手，谁该绕道？

适合的人很明确：想系统学 LLM 原理的开发者、准备上 Karpathy 课程的学员、需要一份「能跑的最小实现」做教学或二次开发的工程师。该绕道的也清楚：追求生产级性能或想要开箱即用的聊天机器人，nanochat 不是答案，它的价值在于「教」而不是「用」。另外，虽然代码结构极简，但完全零基础的话仍需补一点 PyTorch 和大模型基础。

风险与限制

• License：MIT，商用、修改、分发均友好。
• 项目活跃度：star 5.7 万、fork 8000+，且 9 月 8 日仍在更新，社区热度高。
• 技术门槛：需要 PyTorch 基础；它不是即用型产品，投入的是学习时间而非「一键部署」。
• 性能边界：作为教学项目，不追求 SOTA，别拿它和商用大模型比跑分。

FAQ

这个项目可以商用吗？

可以。MIT 协议，商用、修改、分发均无特殊限制，适合直接 fork 做二次开发。

新手能不能直接跑起来？

能，但需要一点 PyTorch 基础。代码结构极简、单文件可读，跟着 README 走即可复现训练和推理；完全零基础的话，建议先补大模型和 PyTorch 入门。

它和 ChatGPT 有什么区别？

nanochat 是「教你造一个 ChatGPT」的教学项目，能力远不及真正的 ChatGPT，但代码完全透明、可读、可改；ChatGPT 是闭源黑盒。它的价值在于学习，不在实用。

它和 nanoGPT 是什么关系？

nanoGPT 只做预训练，nanochat 在其思路上升级为端到端完整工具链，补上了推理、工具调用、WebUI 等「训练完怎么用」的环节。

参考来源

• GitHub: karpathy/nanochat（README、代码结构）
• boardor.com《8000 行 Python 和 Rust 复刻 ChatGPT，14.5 k star…》2026-09-06