I-have-ADHD开源项目：让AI先说下一步再解释原因

当Coding Agent的回答变成一场阅读障碍

如果你用过Claude Code、Codex这类编程助手,大概率遇到过这样的场景:你只是让它修一个登录报错,它却给你回了满满一大段——开头铺垫背景,中间罗列一堆可能的原因,结尾还顺手聊起了缓存优化和测试覆盖。等你读完,还得自己去这堆文字里翻找:现在到底先改哪里?

Coding Agent技术背景

Coding Agent是基于大语言模型(LLM)的编程辅助工具,代表产品包括Anthropic的Claude Code、OpenAI的Codex等。这类工具通过自然语言理解开发者意图,生成代码建议、调试错误或解释技术概念。但随着模型能力增强,一个矛盾逐渐显现:模型为了展示推理能力和提供全面信息,往往会生成冗长的上下文铺垫、多种可能性分析和延伸建议,这种"过度解释"反而增加了开发者的认知负担。尤其在需要快速定位问题的调试场景中,开发者更需要的是"先告诉我做什么,再解释为什么",而非传统学术论文式的"背景-分析-结论"结构。

据B站UP主的拆解,这正是一个名为 I have ADHD 的开源项目要解决的问题。这个项目在GitHub上已经积累了超过17000颗星,但它做的事情出乎意料地朴素:它不增加模型的能力,也不帮你管理待办事项,甚至名字里虽然带着「ADHD」,它也不会去判断你有没有注意力障碍。

ADHD与信息处理模式

ADHD(注意力缺陷多动障碍)患者在信息处理上有独特模式:他们对冗长、结构松散的信息特别敏感,容易在阅读过程中失去焦点或需要反复回溯。但这个项目名为"I have ADHD"并非真的为ADHD人群设计专用工具,而是借用这个概念指出一个普遍问题——在快节奏工作场景中,所有人都可能表现出类似"注意力不足"的特征。当你在调试线上故障、处理多个并行任务或在碎片时间查看代码建议时,传统的"学术式"回答结构会显著降低信息提取效率。项目实质是将"结论先行"的沟通原则应用到AI交互中。

它唯一做的事,就是改变模型交出答案的顺序——让AI先说下一步,再解释为什么。

I-have-ADHD如何重排AI回答结构

项目文档里给了一个很典型的例子:登录失败。普通模式下,模型会先分析身份验证逻辑,再补几条额外建议,真正要改的文件和操作步骤却被夹在一大段文字中间,需要你自己去挖。

启用这个Skill之后,回答的结构完全变了:第一行先告诉你要补什么,接着直接指出要改哪个文件,如果三步能做完就直列三步,回答结尾再留一个「马上能做的动作」。你不需要重新去理解模型的思路,因为它已经把最关键的行动项前置了。

Skill机制的工作原理

Skill在AI编程工具中是一种系统提示词(System Prompt)增强机制。系统提示词是在用户对话之前就注入模型的隐藏指令,用于约束模型行为和输出格式。I have ADHD项目本质是一套精心设计的提示词规则集,通过明确的结构化要求(如"第一句必须是可执行动作""列表不超过5项"等)来重塑模型的输出模式。不同工具对Skill的支持方式不同:Claude Code通过启动脚本加载,Cursor可在配置文件中声明,Codex支持全局Skill注册。这些规则不修改模型权重,只在推理阶段引导模型按特定格式组织已有知识,因此可以随时启用或关闭。

本质上,它并没有让模型变得更聪明,只是换了一种表达顺序,把「结论先行」这个写作原则强行注入到了AI的每一次回复中。

规则文件里的核心设计细节

这个项目的核心其实就是一套可读、可改的规则文件,里面写了不少细节值得说道:

• 多步任务必须编号:任务如果超过一步,模型要用数字把顺序排好,避免让你自己去梳理先后关系。
• 续接对话先报进度:聊到下一轮时,它会先说明「已经做到哪里」,免得你重新翻前面的对话历史。
• 收住临时旁支:模型临时想到的延伸话题会先收住,不再顺手展开。
• 禁止模糊时间:它不能只说「很快」或「稍后」,而要尽量告诉你大概需要几分钟。

• 列表控制在五项以内:通常不超过五项,避免信息过载。
• 明确完成与报错:任务做完后会明确告诉你完成了什么;遇到报错则直接说明现象和下一步检查方向,不用一大段道歉客套开场。

这些规则叠加起来,重复总结、客套话和顺手延伸的内容都会明显减少。

安装与启用:不同工具的配置方法

装好Skill之后,你还需要在当前会话里手动启用一次。你可能没注意到,Claude Code 和 Codex 的调用写法并不相同。启用之后,规则会跟着当前会话持续生效;如果你想换回普通回答,只需告诉它「恢复正常模式」即可。

项目也提供了自动加载的方法:Claude Code 可以在启动时加载这份规则,Codex 可以把它放进全局配置,Gemini CLI、Cursor、OpenCode 以及其他支持 Skill 机制的工具也都有对应入口。

不过UP主给出了一个务实的建议:先手动开几次再考虑自动加载。因为有些规则执行得太死,反而会漏掉信息。

使用时值得警惕的几个坑

这个项目虽然简单,但并非没有争议点,UP主也如实指出了几处:

列表五项的硬限制可能丢信息。规则要求列表最多保留五项,但如果第六项也很重要,模型可能会直接把它删掉。仓库里已经有人提议把这条改成「先给最重要的五项,其余内容按需展开」,这是更合理的折中。

规则执行的技术权衡

将自然语言规则强制应用到概率模型上存在固有张力。大语言模型本质是根据概率分布生成token序列,而"列表最多5项""必须先说结论"这类硬性规则需要在采样阶段施加约束。当规则与模型自然输出倾向冲突时,可能出现两种问题:一是信息截断(如第6个重要原因被丢弃),二是强行凑数(模型为满足"必须说明原因"而编造解释)。这就是为什么社区建议将硬性规则改为优先级指引——"优先展示最重要的5项"比"只能有5项"更符合实际场景。理想的规则集应该是启发式的(heuristic)而非强制性的,给模型留出根据上下文灵活调整的空间。

强制给报错原因可能导致猜测。另一条规则要求模型说明报错原因和修复方法,但当模型手里没有足够证据时,它可能会「猜一个听起来合理的原因」。这个隐患同样有人在issue里提了出来。

Windows用户要格外留意。Claude Code 的常驻脚本用了类UNIX环境的写法,目前在Windows上存在公开问题;手动启用走的是另一条入口,相对安全。此外项目在Windows上的测试兼容性也有已知问题。

跨平台兼容性挑战

开源AI工具的跨平台支持往往滞后于核心功能开发。Claude Code的启动脚本使用了Bash shell和类Unix路径约定(如~/.config),这在macOS和Linux上运行良好,但Windows的PowerShell和CMD有不同的语法规则、环境变量机制和路径分隔符。虽然WSL(Windows Subsystem for Linux)可以缓解部分问题,但许多Windows开发者并未安装WSL。项目提到的"已知问题"通常指脚本无法正确解析路径、权限设置失败或进程管理异常。手动启用相对安全,因为它绕过了启动脚本,直接在运行时通过API注入规则。对于开源项目维护者,完整的跨平台支持需要针对每个OS编写测试用例和条件执行逻辑,这在早期阶段常被延后处理。

此外,仓库虽然带了评测脚本,但完整的前后对比数据还没做完,项目目前也还没有正式的版本标签。换句话说,它还处在比较早期的阶段。

一套可以自己调整的AI回答习惯

把这个项目拆开看,它没有任何复杂的程序逻辑,主要内容就是一套可以自己调整的回答习惯。如果你觉得五条列表不够用,或者不想让模型估算时间,完全可以直接去改规则文件。

这也正是它的价值所在:在大模型能力越来越强、但输出越来越冗长的当下,很多痛点其实不在「模型不够聪明」,而在「模型不懂怎么把答案交给人」。I have ADHD 用最轻量的方式提醒我们——有时候优化AI的交互体验,不需要动模型,只需要动它说话的顺序。

建议的用法也很简单:找一段你自己最不想读的AI长回答,套上这个Skill再问一遍,对比一下体验。如果某条规则执行得太生硬,直接改掉就是。

核心要点