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.tsverifyToken 大概在 42-58 行用的是旧版 API……Hope this helps!Run npm install jsonwebtokenlatest, 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-adhdi-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-adhdi-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