用一份 Skill 文件，强迫 AI 编程助手把答案放在第一行
核心观点
i-have-adhd是一个针对 Claude Code / Codex 等编程 Agent 的"行为约束插件"，本质是一份精心设计的系统提示词规则集（SKILL.md），通过 10 条强制性输出规则，把 AI 助手的回复模式从"絮叨顾问"改造成"外科手术指令"。它解决的不是 AI 能力问题，而是AI 输出格式的认知摩擦问题。
关键信息
这个插件改变了什么？
对比一目了然：
| 改造前（典型 LLM 输出） | 改造后（i-have-adhd 输出） |
|---|---|
"Great question! Let me think…你的 auth flow 有几个关键组件，middleware、token 验证和 cookie 处理。看了一下src/auth.ts，verifyToken 大概在 42-58 行用的是旧版 API……Hope this helps!" | Run npm install jsonwebtoken@latest, then edit src/auth.ts:42。① 打开文件 ② 替换函数 ③ 运行测试。Next：把第一行失败信息粘贴过来。 |
答案不是被删掉了，而是从第 5 段挪到了第 1 行。
10 条核心规则（精简版）
- 行动优先：第一句话就是可执行的命令
- 步骤编号：多步任务必须有序号
- 每轮以一个具体下一步收尾
- 压制偏题：不展开与当前任务无关的建议
- 重述当前状态：每轮对话重新同步上下文
- 时间估计用分钟，不用"一会儿"/"很快"
- 让进展可见：完成一步就标注完成
- 错误就事论事：不道歉，直接给原因和修复
- 列表上限 5 条
- 无前言、无总结、无客套语
安装方式（Claude Code）
# 安装插件 claude plugin marketplace add ayghri/i-have-adhd claude plugin install i-have-adhd@i-have-adhd # 使用时输入 /i-have-adhd # 每次自动生效（写入持久化标志） touch ~/.claude/.i-have-adhd-alwaysCodex 版本：
codex plugin marketplace add ayghri/i-have-adhd --ref main codex plugin add i-have-adhd@i-have-adhd # 使用时输入 $i-have-adhd自定义方式
Fork 仓库 → 编辑skills/i-have-adhd/SKILL.md→ 卸载原版、装自己的版本。适合团队有特定输出规范的场景。
机制：真正关键的那个点
这个插件最聪明的地方不是"让 AI 简洁一点"，而是把认知科学原则编码进了提示词。
项目的灵感来源是《The Adult ADHD Tool Kit》（Ramsay & Rostain），这本书本来是教 ADHD 患者如何结构化自己日程的。作者把书里的策略反向工程成了 LLM 输出约束：把"做最重要的事放在最前面"变成"Lead with the next action"，把"不要同时做多件事"变成"Cap lists at 5 items"。
这个方向转换很有价值——ADHD 工具包的核心是降低决策摩擦、消除歧义，这恰好也是工程师在阅读 AI 输出时的核心需求。ADHD 不是医学条件的障碍，而是一个比喻：任何注意力有限的人（也就是每个人）都受益于直接、可执行的信息。
对比：比之前的方案好在哪，又牺牲了什么？
已有的替代方案：
- 每次手写"直接给我答案，不要废话"的提示词 → 不持久，每次会话都要重来
- 在
CLAUDE.md/.cursorrules里自己写规则 → 有效，但需要自己设计规则，门槛高 - 换模型 → 治标不治本，所有主流 LLM 都存在冗长补偿问题（见下方交叉验证）
i-have-adhd 的优势：规则由社区持续迭代，安装即用，支持版本更新，可 Fork 定制。
牺牲了什么：这是必须诚实说明的边界——
规则强制压制细节，有时候 AI 的"废话"里藏着重要警告。比如"顺便看一下你的依赖版本"，在某些情况下是真正关键的建议。强制"Suppress tangents"可能导致你错过真正的潜在风险提示。这个权衡需要使用者自己拿捏。
交叉验证
信源一：arXiv 论文《Verbosity ≠ Veracity》（2024年11月/12月）
链接：https://arxiv.org/html/2411.07858v2
这篇学术论文从实证角度完全支持并深化了原文的核心诊断。研究发现：
- GPT-4 的"冗长补偿"（Verbosity Compensation）频率高达 50.4%，开源模型平均 39.8%——意思是有将近一半的时间，模型给出的回答比必要的长，而且这种冗长会降低答案准确性（Qasper 数据集上性能下降 27.61%）
- 冗长的根本原因是模型不确定性：当模型对答案没把握时，首个 token 的概率分布变得平坦，它会先生成一个"安全"的铺垫词（如"Great question!"），然后被迫继续说下去
- 这个问题与模型能力强弱没有线性关系，更强的模型不一定更简洁
这直接解释了i-have-adhd存在的必要性：用规则强制约束输出格式，是目前对抗"冗长补偿"最低成本的工程手段。
补充而非原文提到的点：论文提出的"级联模型选择"（弱模型先答，冗长则换强模型重答）是另一个方向，但工程成本更高，适合 API 层的系统级优化，不适合个人开发者。
信源二：chudi.dev 博客《Claude for ADHD: The Coding Workflow I Built for My Brain》（2026年2月）
链接：https://chudi.dev/blog/claude-code-adhd-workflows
这位开发者独立摸索出了类似但不同路径的方案，对原文观点构成补充与部分修正：
- 认同点：他同样在
CLAUDE.md里写入强制规则，包括"一次只问一个问题"、"要求实际构建证据而非'应该能跑'"，思路与i-have-adhd高度一致 - 补充点：他的方案更强调任务原子化（45 分钟内可完成的粒度）和外部化工作记忆（把所有上下文写进文件而不是对话），而
i-have-adhd更聚焦于输出格式本身 - 隐性反驳：他的案例表明，光靠输出格式规则还不够——如果任务本身没有拆分好，AI 给出的"行动优先"指令仍然可能方向错误。格式和结构，缺一不可。
个人启发
对个人开发者：立即可做的事
- 装上试用一周。8200+ Star 的项目，安装两行命令，零成本验证对你的工作流是否有效
- Fork 后定制规则。比如把"Cap lists at 5"改成你团队习惯的格式，或者加入"总是附上可运行的命令"
- 把 SKILL.md 的设计思路用于自己的 CLAUDE.md。即使不用这个插件，它的 10 条规则是一份很好的"如何写 AI 行为约束"的参考模板
对团队/工程负责人：
这个项目的价值不只是一个插件，更是一份可工程化的输出规范。团队可以把类似规则写进内部 AI 使用规范，统一所有人和 AI 协作时的输出预期，降低代码 Review 里"AI 给的建议太啰嗦没人看"的问题。
需要警惕的地方：
不要把这个插件当成银弹。它解决的是"答案在哪里"，不解决"答案对不对"。当你过滤掉 AI 的所有铺垫后，要对"行动优先"的第一条指令保持更高的批判性——因为没有了前置说明，错误指令也不会有任何警示。
延伸思考
"行动优先"原则是否会随 AI 能力提升而自动实现？从 arXiv 论文的数据来看，模型能力的提升与冗长程度没有线性关系——GPT-4 的冗长补偿率仍高达 50%。这意味着这类"行为约束插件"在相当长时间内不会被模型进化自然取代，反而会形成一个细分的"AI 输出格式工程"赛道。
10 条规则本身是否存在内在矛盾？"Restate state every turn"（每轮重述状态）和"No recap"（无总结）之间存在张力——重述上下文本质上也是一种 recap。这个矛盾在复杂多轮对话中会如何展现，值得在长任务场景里实际测试。
如果 AI 的"废话"本身携带信息熵，强制压缩后损失的是什么？学术研究表明冗长往往源于模型不确定性——那些被压制掉的"偏题建议"，有没有可能是模型在以间接方式表达置信度不高？一个更理想的方案或许不是删掉不确定性，而是让模型显式地标注置信度，而非用絮叨来隐晦地传递它。
📚 参考来源
- GitHub - ayghri/i-have-adhd: A skill for your coding agent to stop it from burying the answer. ADHD-friendly output. · GitHub
