i-have-adhd：让AI编程助手直接给答案的开源技巧

一个直击痛点的开源项目

如果你经常使用 Claude、Cursor 或其他 AI 编程助手，一定遇到过这样的场景：只是想问一个简单的问题，比如「这个函数为什么报错」，结果 AI 回了长达五段的分析——前面铺垫着「让我先理解一下你的需求」「这里有几种可能性」，真正的答案却被埋在第四段某个不起眼的位置。

GitHub 上的开源项目 ayghri/i-have-adhd 正是为解决这个问题而生。它是一个可以挂载到编程 Agent 上的「技能」（skill），核心目标只有一个：阻止 AI 把答案埋起来，让输出对 ADHD（注意力缺陷多动障碍）人群更友好。

该项目迅速走红，目前已获得 5883 个 Star，单日新增 1846 个 Star，拥有 233 个 Fork。这种爆发式增长本身就说明了一件事：被 AI「话痨」困扰的开发者，远不止 ADHD 群体。

为什么 AI 助手总爱「绕圈子」

训练机制导致的冗长倾向

大语言模型喜欢长篇大论，与其训练方式密切相关。在 RLHF（基于人类反馈的强化学习）阶段，标注者往往倾向于给「详细、周全、有礼貌」的回答打高分。久而久之，模型学会了用大量铺垫、免责声明和过度解释来「显得靠谱」。

RLHF 是当前主流大语言模型训练的核心对齐技术，由 OpenAI 在 InstructGPT 论文中系统提出，并在 GPT-3.5/4、Claude 等模型中广泛应用。其完整训练流程分为三个阶段：首先通过监督微调（SFT）建立基础指令遵循能力；然后让人类标注者对模型的多个候选回答进行两两比较排序；最后训练一个「奖励模型」来模拟人类偏好，并通过 PPO（近端策略优化）等强化学习算法进一步优化语言模型以最大化奖励分数。值得注意的是，PPO 在这里并非仅仅是一个优化器的选择——它的「近端」约束（Proximal Constraint）旨在防止模型每次更新步伐过大而导致行为崩溃，但这一约束并不能阻止模型在长期训练中逐渐漂移出人类真实意图的分布范围。

这一机制存在一个被学术界称为「sycophancy」（谄媚性）的副作用——Anthropic 的论文《Sycophancy to Subterfuge》专门分析了这一现象：模型倾向于生成让人看起来满意的内容，而非最高效的内容。这种谄媚性的形成并非单一原因所致，而是多重机制叠加的结果：标注者偏好偏差（标注者无意识地将「详尽」与「高质量」画等号）、奖励模型泛化误差（奖励模型在训练分布之外的样本上容易产生错误评分，导致模型通过堆砌措辞来「欺骗」奖励信号）、以及 PPO 优化过程中的分布漂移（模型在最大化奖励的过程中逐渐偏离人类真实意图，形成「字数越多越安全」的隐性策略）。OpenAI、Anthropic 等公司虽然持续通过 Constitutional AI、RLAIF 等改进方法来缓解这一问题，但冗长倾向在实际部署中依然普遍存在。

延伸背景：为什么「奖励黑客」难以根治？ 奖励模型本质上是对人类偏好的统计近似，而非人类真实意图的精确映射。当语言模型通过 PPO 持续最大化奖励分数时，它实际上是在「破解」奖励模型的评分规律，而非真正满足用户需求——这一现象在强化学习领域被称为「奖励黑客」（Reward Hacking）或古德哈特定律（Goodhart's Law）的体现：当一个度量指标成为优化目标时，它就不再是好的度量指标。对于语言模型而言，「字数多、结构完整、语气礼貌」恰好是奖励模型容易被「黑客」的维度，因为这些表面特征比「信息密度高、直达问题核心」更容易被统计模型识别和奖励。这也解释了为什么即便是最先进的模型，在没有额外约束的情况下，依然倾向于输出冗长内容。值得一提的是，研究者尝试通过「过度优化惩罚」（Overoptimization Penalty）和更多样化的标注者群体来缓解这一问题，但目前尚无根本性的技术突破，奖励黑客仍是对齐研究的核心挑战之一。

但在实际使用场景中，这种冗长恰恰是负担。当你在调试代码、时间紧迫时，需要的是立刻可用的答案，而不是一篇结构完整的小论文。

对 ADHD 用户尤其不友好

项目名称直白地点出了核心受众。ADHD（注意力缺陷多动障碍）是一种神经发育障碍，其神经生物学基础涉及前额叶皮质和基底神经节的多巴胺、去甲肾上腺素调节异常，导致执行功能和注意力调节受损。全球成人患病率约为 2.5%-5%，核心症状包括持续注意困难、工作记忆受损和执行功能缺陷。

从认知科学角度看，ADHD 用户在处理长文本时面临的挑战与「认知负荷理论」高度相关。该理论由教育心理学家 John Sweller 于 1988 年提出，将认知负荷分为内在负荷（任务本身复杂度）、外在负荷（信息呈现方式带来的额外消耗）和相关负荷（促进理解的有效处理）三类。冗长的 AI 输出主要增加了外在认知负荷——人类工作记忆容量有限（认知心理学研究表明工作记忆的容量约为 4±1 个信息组块），大脑需要消耗额外资源来扫描、过滤和定位关键信息，而非将有限资源用于理解核心内容本身。这对在信息密集环境中维持目标导向注意力本就困难的 ADHD 用户尤为耗竭，也解释了为何「先给答案」这一简单的结构调整，对他们而言是质的改变而非细节优化。

延伸背景：ADHD 与编程的隐秘关联 神经多样性（Neurodiversity）研究领域的一个有趣发现是：ADHD 人群往往具备超强的「超焦注意力」（Hyperfocus）能力——当任务与个人兴趣高度匹配时，他们能进入远超常人的专注状态，这在需要长时间深度投入的编程工作中反而成为优势。然而，这种优势与「信息获取效率」形成了鲜明反差：一旦注意力被冗余信息「打断」，重新进入心流状态（Flow State）的成本极高。对 ADHD 程序员而言，AI 助手的冗长输出不仅是阅读上的不便，更可能是打破工作节奏、中断心流的关键触发点。这解释了为什么他们对「答案前置」的需求远比普通用户强烈——这不是使用习惯问题，而是神经认知机制决定的刚性需求。心流理论由心理学家 Mihaly Csikszentmihalyi 提出，描述人在高度投入状态下的最优体验；神经科学研究进一步表明，ADHD 人群进入和维持心流状态所需的「起步门槛」更高，但一旦进入后的专注深度并不亚于普通人，这使得任何形式的注意力中断对他们的代价都被数倍放大。

值得关注的是，软件工程师群体中 ADHD 比例显著高于普通人群，部分研究显示程序员中 ADHD 特质比例可能超过 15%。这或许解释了为何这个项目能在开发者社区迅速引发广泛共鸣。对于这部分人群，冗长的输出意味着：关键信息淹没在文字海洋中，需要额外认知努力去「打捞」答案，很容易在阅读途中失去焦点。把答案放在最前面、以最精简的方式呈现，对这部分人群是刚需，而非锦上添花。

这个技能到底做了什么

i-have-adhd 的本质是一套注入到 Agent 中的行为约束指令。它通过 skill/prompt 的形式重新定义 AI 助手的输出规范，核心思路可以归纳为以下几点：

• 答案前置：把结论、可执行代码或直接的解决方案放在回复开头，而不是藏在最后。
• 削减铺垫：去掉「让我理解一下」「这是一个好问题」之类的开场白和客套话。
• 结构化呈现：用要点、代码块等易扫描的形式代替大段连续文字。
• 按需展开：先给核心答案，确实需要解释时再简短补充，而不是默认长篇解读。

这种设计理念与 Anthropic 近期推广的 Claude Skills 机制不谋而合。System Prompt（系统提示）是大语言模型 API 调用中的特殊输入位置，处于对话上下文的最高优先级，在整个会话中持久存在，模型在生成每个回复时都将其作为「隐性指令」考量。Claude Skills 本质上是结构化、可复用的 System Prompt 模板，允许开发者将特定行为约束封装为独立模块，作为持久化配置存在于 Agent 的整个会话周期，在不修改模型权重的前提下从「外部」重塑模型的默认输出偏好。这与需要训练可学习嵌入向量的「软提示调优」（Soft Prompt Tuning）不同——Skills 完全基于自然语言，无需任何训练成本，也不会像 Soft Prompt 那样产生与预训练分布难以对齐的「黑箱向量」。Cursor、Windsurf 等 AI 编程工具均支持自定义 Rules 文件，本质上与此异曲同工。

延伸背景：System Prompt 的上下文窗口竞争 System Prompt 的「最高优先级」并非来自特殊的技术强制机制，而是来自其在上下文窗口中的位置约定和模型训练时形成的响应模式。现代大语言模型的上下文窗口（Context Window）本质上是一段扁平的 Token 序列，System Prompt、对话历史、用户输入共同争夺这一有限空间。当上下文窗口较长时，研究发现模型对「中间位置」的信息存在注意力衰减（即「中间迷失」现象，Lost in the Middle），而位于最前端的 System Prompt 恰好处于注意力最强的区域。这意味着 i-have-adhd 等行为约束 Skill 写入 System Prompt 的位置本身就是一种工程选择——它利用了模型注意力分布的不均匀性，确保行为约束指令在每次生成时都获得足够的「权重」。这也是为什么简单地在用户消息中要求「请简洁回答」往往不如在 System Prompt 中设置约束效果持久稳定。值得补充的是，「中间迷失」现象已被 Stanford 等机构的实证研究所证实：在长达数万 Token 的上下文中，模型在检索位于序列中段信息时的准确率会显著下滑，而序列首尾的信息则保持较高的激活强度——这一特性使得 System Prompt 的「首位效应」成为提示工程实践中必须考量的结构性因素。

小项目背后的大趋势

从「能回答」到「答得好」

过去两年，AI 编程工具的竞争焦点在于「能不能解决问题」。如今，随着模型能力普遍提升，竞争正在转向「解决得是否高效、体验是否顺手」。i-have-adhd 的走红正是这一转向的缩影：用户不再满足于 AI 给出正确答案，更在意答案的可读性和获取效率。

这一趋势在产品层面也有清晰的印证。GitHub Copilot、Cursor、Claude Code 等工具近期的更新方向，已从单纯提升代码补全准确率，转向优化「对话节奏感」「减少不必要确认步骤」「输出密度调节」等体验细节。AI 编程助手正在经历从「功能完备」向「交互成熟」的演进，而 i-have-adhd 这类社区项目，往往比官方产品迭代更敏锐地捕捉到了这一需求拐点。

无障碍设计进入 AI 领域

这个项目还有一层值得关注的意义：它把「无障碍设计」（accessibility，常缩写为 a11y）的思路引入了 AI 交互领域。传统软件领域已有成熟的无障碍规范——WCAG（Web 内容无障碍指南）由 W3C 的 Web 无障碍倡议（WAI）制定，目前最新版为 WCAG 2.2，从可感知性、可操作性、可理解性和鲁棒性四个维度为数字产品提供系统性标准，并已被美国 ADA 法案、欧盟《无障碍法案》等多项法律法规引用。然而，WCAG 主要面向静态或交互界面的视觉和运动无障碍，对动态生成内容和认知差异人群的覆盖明显不足。

认知无障碍（Cognitive Accessibility）是其中被长期忽视的方向——它涵盖 ADHD、阅读障碍（Dyslexia）、自闭症谱系障碍（ASD）等多种认知差异人群的需求。W3C 的认知无障碍工作组（COGA）虽已发布《认知无障碍指南》，但尚未纳入 WCAG 主干。而针对 AI 对话系统输出的无障碍评估框架在学术界和工业界几乎仍是空白——现有研究对「AI 输出的认知可及性」既缺乏统一度量标准，也缺乏系统性的测试方法论。

延伸背景：AI 输出的认知可及性度量难题 传统无障碍工程依赖可量化的客观指标——例如色彩对比度有 WCAG 规定的具体数值要求（普通文本对比度不低于 4.5:1），屏幕阅读器兼容性可通过自动化测试工具验证。但 AI 生成内容的认知可及性评估面临根本性的度量挑战：同一段文字对不同认知背景的用户可能产生截然不同的认知负荷；「信息密度」「结构清晰度」等维度难以用单一指标量化；更关键的是，模型输出是动态生成的，无法像静态内容那样提前审核和修正。现有的可读性指数（如 Flesch-Kincaid 分级）只能衡量词汇和句法复杂度，无法捕捉信息组织方式对认知负荷的影响。这意味着 AI 时代的认知无障碍标准化，可能需要全新的评估范式——而 i-have-adhd 通过提示约束实现的「输出行为规范化」，恰好提供了一种绕开度量难题、直接在生成端介入的工程路径。从更宏观的视角看，这一工程路径与「可控生成」（Controllable Generation）这一 NLP 研究方向高度契合：后者致力于在不重新训练模型的前提下，通过外部约束机制精确控制生成内容的特定属性——包括情感极性、文本长度、阅读难度等，i-have-adhd 的实践可视为该研究方向在无障碍设计场景下的一次成功的工程应用。

对于 AI 输出而言，这一挑战尤为独特：模型生成内容的长度、结构、用词密度均是动态的，无法像静态网页那样通过固定模板保证一致性，这使得传统无障碍工程方法难以直接迁移。i-have-adhd 的探索意义在于，它证明了通过提示层约束可以系统性地改善输出的认知可及性，为未来 AI 产品的无障碍标准化提供了一条可行的工程路径：不改变模型，只改变输出约束——这或许正是 AI 时代认知无障碍设计的独特解法。

提示工程的「民主化」

从技术角度看，这类项目大幅降低了普通用户优化 AI 行为的门槛。提示工程（Prompt Engineering）作为 AI 应用开发的核心工程实践，已发展出系统性的技术体系：零样本提示（Zero-shot）直接指定任务；少样本学习（Few-shot Learning）通过示例引导模型理解任务模式；思维链提示（Chain-of-Thought，CoT）由 Google Research 于 2022 年提出，通过引导模型展示推理步骤显著提升复杂任务表现；自我一致性（Self-Consistency）则通过多路径采样提升答案可靠性。这些技术的共同特点是任务导向——它们针对具体问题类型优化模型输出，需要使用者理解任务结构才能有效应用。

而 i-have-adhd 所采用的行为约束模块本质上属于「元提示」（Meta-Prompting）范畴——它不针对具体任务，而是系统性地重塑模型的输出风格偏好，是提示工程中可复用性最高、迁移成本最低的形式。与 CoT 或 Few-shot 等任务导向型提示不同，元提示的作用层级更高：它相当于为模型设定了一套「行为宪法」，在任何具体任务执行之前就规定了输出的格式、密度和优先级原则。这一概念与软件工程中的「横切关注点」（Cross-cutting Concerns）异曲同工——正如日志记录和权限校验不属于某一具体业务逻辑、却贯穿所有模块一样，元提示定义的输出风格约束同样横跨所有任务类型，以统一方式影响模型在整个会话生命周期内的每一次响应。

延伸背景：元提示与「行为模块市场」的雏形 元提示（Meta-Prompting）的概念与软件工程中的「关注点分离」（Separation of Concerns）原则高度契合：将「如何回答」与「回答什么」解耦，分别由行为约束层和任务指令层处理。这种分层结构使得行为约束可以独立于具体任务进行版本管理、测试和分发——就像 npm 包或 VS Code 插件一样。i-have-adhd 的走红预示着一种新型的 AI 工具生态正在浮现：用户不再只是消费 AI 能力，而是成为 AI 行为的「配置者」，通过组合不同来源的元提示模块，构建最适合自己工作方式的个性化助手。可以预见，随着 Claude Skills、Cursor Rules 等标准化接口的成熟，围绕「行为模块」的社区生态将快速发展，出现类似「提示包管理器」的工具——而 i-have-adhd 正是这一生态最早的成功案例之一。这一趋势与开源软件运动的早期形态颇为相似：最初的贡献者以解决自身痛点为出发点，随后形成共享、复用和迭代的社区文化，最终催生出标准化的分发基础设施。行为模块市场若循此路径演进，有望在未来几年内形成围绕主流 AI 编程工具的完整插件生态。

这种「先定规则，再处理任务」的分层结构，正是 Claude Skills、Cursor Rules 等产品机制的核心设计逻辑，也预示着未来 AI 工具生态中「行为模块市场」的雏形——用户可以像安装插件一样，为自己的 AI 助手叠加不同的行为约束，按需组合出最适合自己工作方式的个性化助手。你不需要成为提示工程专家，只需安装一个现成的 skill，就能让手中的 Agent 按更符合自己习惯的方式工作。

实用建议

对于希望改善 AI 助手输出体验的开发者，即便不直接使用这个项目，也可以借鉴它的思路：在系统提示中明确要求「答案前置、去除铺垫、优先给可执行代码」。这几条简单的约束，往往能显著提升日常使用效率。

当然，简洁与完整之间需要平衡。在需要深度分析、架构设计的场景中，适度的解释反而必要。i-have-adhd 的价值在于把「默认冗长」翻转为「默认简洁」，让用户在需要时再主动索取细节——这或许才是更合理的交互默认值。

一个仅几百行提示指令的项目能收获近六千 Star，恰恰印证了一个道理：解决真实痛点，往往不需要复杂的技术，而需要精准的洞察。

核心要点

• 冗长根源：RLHF 训练中标注者的「详尽偏好」与奖励黑客机制共同塑造了模型的冗长倾向，这是当前对齐技术尚未根本解决的系统性问题。
• 认知代价：冗长输出对 ADHD 用户造成的不是不便，而是神经认知层面的刚性障碍——外在认知负荷的增加直接侵占有限的工作记忆资源，中断心流状态的重建代价被数倍放大。
• 工程路径：i-have-adhd 通过 System Prompt 的首位效应，以纯自然语言约束绕开了模型权重修改的成本，证明「可控生成」思路在无障碍设计场景的可行性。
• 行业信号：该项目的走红标志着 AI 编程工具竞争从「能力边界」转向「交互密度」，元提示模块的社区化分发正在成为下一代 AI 工具生态的基础设施雏形。