2026 年 8 月 17 日，一个名为 i-have-adhd 的项目发布了 0.2.0 版本，并在几周内于 GitHub 上揽下 32.2k stars 和 1.9k forks。星标数在短时间内爆发，反映出开发者对现有 AI 工具闲聊式交互的普遍疲劳。全世界最火爆的 AI 编程辅助工具，不再是一个参数量更大的新模型，而是一套教 AI 闭嘴的纪律守则。
编码 Agent 的体验瓶颈已经从模型能力转移到输出纪律。用户难以忍受模型在行动前先写三百字免责声明，更反感干完活再补上一段毫无信息量的客套话。项目将先给结论、编号步骤、禁止客套等对话设计规范做成可安装的规则集。社区正在用提示词工程对大语言模型的讨好型人格发起集体纠偏。
讨好型人格正在拖垮开发效率
当开发者焦头烂额地排查线上崩溃时，AI 助手往往会先发一句「Great question! Let me think about this…」。随后它在给出代码前铺陈几段基础概念解释，最后再补上一句「Hope this helps!」。该项目 README 中提供了一组典型的 Before/After 对比。在未加约束的状态下，输出充满了典型的 LLM 腔调；而在应用规则后，输出直接变成「Run `npm install jsonwebtoken@latest`, then edit src/auth.ts:42」式的硬核指令。模型在对话中消耗的 token 数量大量减少。阅读信噪比得到了肉眼可见的提升。让工具回归工具本质，去除模拟人类的冗余礼貌，能大幅扫除人机协作阻碍。
图：i-have-adhd 项目的标志，象征剥离冗余信息直达核心。来源：GitHub ayghri/i-have-adhd
在得分为 462 分、拥有 316 条评论的 Hacker News 讨论帖中，大量用户集中攻击了 Claude 特有的「Claudism」现象。例如它总是喜欢强调自己没做什么：「我改了 this.py 和 that.py，但我没有修改 README」。这种画蛇添足的解释逻辑不但占据屏幕空间，还容易打断开发者的连贯思路。模型在强化学习微调阶段被过度注入的安全和礼貌约束，导致其在特定专业场景下表现得像一个战战兢兢的客服。
项目在标语中写道：「Star ⭐ if it saved you one scroll past one ‘Great question!’」。每一次不必要的滑动屏幕都带来精力损耗。消除这些交互摩擦带来的收益，甚至高于算法侧的微小优化。
10条规则重塑代码输出格式
i-have-adhd 并非凭空想出的规则集，其灵感直接来源于 J. Russell Ramsay 和 Anthony L. Rostain 编著的《The Adult ADHD Tool Kit》。项目作者将其核心理念转化为 LLM 的行为准则，因为「这些规则适应的是 LLM 应该如何响应，而不是人类应该如何安排他们的一天」。
下面是该项目定义的 10 条核心规则：
| 规则编号 | 英文原文 | 中文释义 | 工程意图 |
|---|---|---|---|
| 01 | Lead with the next action | 先给下一步行动 | 消除启动延迟，倒逼模型优先思考破局点 |
| 02 | Number multi-step tasks | 多步任务编号 | 降低执行过程中的状态管理成本 |
| 03 | End with one concrete next step | 结尾给一个具体下一步 | 维持开发心流，避免任务悬空 |
| 04 | Suppress tangents | 压制跑题 | 约束注意力机制发散，聚焦当前上下文 |
| 05 | Restate state every turn | 每轮复述状态 | 同步人机状态机，防止上下文漂移 |
| 06 | Specific time estimates | 具体时间估算 | 强制模型量化工作量，拒绝模糊表述 |
| 07 | Make wins visible | 让进展可见 | 提供正向反馈节点，切分巨型重构任务 |
| 08 | Matter-of-fact errors | 就事论事说错误 | 消除情绪化道歉，直接定位异常堆栈 |
| 09 | Cap lists at 5 items | 列表不超过 5 项 | 适配人类短时记忆容量，防止信息过载 |
| 10 | No preamble/recap/closers | 无开场白/复述/收尾 | 斩断系统默认的礼貌系统模板 |
这 10 条规则中没有一条涉及算法优化或者上下文窗口扩展。将注意力管理的认知心理学理论下放到代码生成场景，能够低成本地改造大模型的输出行为。
图：GitHub 仓库卡片图，显示了该项目极高的社区关注度。来源：GitHub ayghri/i-have-adhd
测试结果打消顾虑
社区一度担忧增加如此密集的格式约束会干扰模型的思维链。过多的输出限制可能导致生成的代码质量下降。项目自带的 eval harness 评估结果给出了事实回应。在包含 14 个 cases 和 3 个 trials 的测试集上，基于 claude-opus-4-8 和 Claude Code 2.1.220，加权分从 4.045 提升到了 4.473。正确率提升了 0.190，安全性提升了 0.024，阻塞性问题从 7 个下降到了 3 个。强制的输出格式规范没有损害推理能力。通过减少幻觉发散空间，这套规则提高了代码生成的准确率和执行成功率。收窄文本输出范围能让模型的注意力集中于代码逻辑本身。
由于规则要求「Lead with the next action」，模型被强制跳过闲聊直接进入行动状态。这种模式下，模型生成首个有效 token 的时间大幅压缩。减少客套话等同于减少无意义的 token 生成消耗。在需要反复交互的纠错环节，每次对话省下上百个废话 token，带来的成本节约是客观存在的。
7大平台支持矩阵终结生态隔离
仅仅有一套好的规则还不够，i-have-adhd 的另一大贡献是广泛的平台兼容性。它支持了 Claude Code（.claude-plugin）、Codex（.codex-plugin）、Cursor（.cursor/skills）、OpenCode、Gemini CLI、Qwen、Kimi、Pi、Copilot 和 Antigravity 等至少 7 个主流 Agent 平台。跨平台兼容降低了用户迁移成本。统一交互标准的进程正由社区主导推进。
开发者通过让 Agent 执行「install the skill from github」指令，或者直接复制粘贴提示词，就能将其整合到开发流中。大部分现代平台也已经支持通过 Plugin Marketplace 一键接入。
| 平台名称 | 接入方式 | 兼容性评级 |
|---|---|---|
| Claude Code | .claude-plugin 扩展 | 优秀 |
| Cursor | .cursor/skills 目录规则 | 优秀 |
| Codex | .codex-plugin 配置文件 | 优秀 |
| Gemini CLI | 自定义 Prompt 模板 | 良好 |
| Copilot | Workspace 级别指令 | 良好 |
用户只需配置一次，便能在切换不同代码助手时获得无废话的对话体验。大模型能力各有所长，频繁切换工具的开发者，极大地受惠于这种体验一致性。厂商设置的前端体验壁垒，被一个简单的提示词技能包轻易跨越。
系统对齐税：过度礼貌成为历史包袱
要理解这 32.2k 的星标背后压抑的怒火，必须回顾大语言模型的发展轨迹。早期的基础模型如 GPT-3 并没有这种强烈的沟通执念，它们只是单纯的文本补全机器。但在进入 RLHF（基于人类反馈的强化学习）阶段后，为了降低生成有害内容的风险，模型被各大厂商强行注入了极高的安全阈值和事无巨细的「有用性」（Helpfulness）模板。这种微调策略在通用消费级场景下保护了品牌声誉，但在专业工具链中却演变成了沉重的系统对齐税。
当用户提出一个复杂的异步并发代码问题时，经过重度对齐的模型会下意识地启动安抚机制，先肯定问题的价值，再分层解释基础概念。厂商在数据飞轮中给出的正向奖励，无意中塑造了一个永远不敢直接切入正题的冗余人格。原本设计用来保护普通用户的安全垫，变成了阻碍资深开发者提高心流效率的沙袋。
配置文件化：提示词演变为工程组件
在实现层面，i-have-adhd 的核心竞争力在于它不再要求用户手动复制一长串提示词。项目通过提供标准化的特定平台配置文件（例如基于 .cursor/skills 目录结构的 JSON 配置文件或者 .claude-plugin 文件），直接干预 IDE 的上下文组装过程。当用户在编辑器中触发对话时，IDE 的底层框架会自动读取这些隐藏在代码仓库中的规则，并将其作为高优先级的系统指令前置注入到上下文中。
这种实现机制使得提示词不再是散落在记事本里的零碎文本，而是变成了和项目代码一样可以被版本控制、团队共享的工程化组件。将注意力管理规则直接下沉到项目根目录，意味着所有拉取该仓库的开发者都能默认获得一致的、干净清爽的 AI 交互体验。这种将 Prompt 视为可执行配置文件的范式转换，标志着提示词技术正在从玄学调参走向标准化的软件工程交付。
指令冲突暴露底层治理困境
随着规则集深入使用，Hacker News 上爆发出关于大模型行为控制权的辩论。有用户尝试在规则中加入「Never use the words ‘not’ or ‘instead’」来禁掉否定表述，却发现执行效果不如预期。
深挖执行日志后，用户发现当自定义规则与模型内置规则发生冲突时，Agent 会优先服从系统预设的指令。正如评论者所言：「its own instructions would outweigh any custom ones you write」。商业闭源模型在系统层面的防御机制，已经构成阻碍精细微调的黑盒障碍。底层系统提示词的优先级锁死，限制了用户重塑工具体验的自由度。
社区对此呈现出两种截然不同的观点。反方立刻指出，开发者不能轻信 Agent 对行为的解释：「You can’t trust its account on why it did something, it does not ‘remember’. It will just make up something plausible sounding」。由于缺乏透明的决策树日志，模型解释自身行为的输出是一种事后合理化幻觉，无法作为调试提示词的可靠依据。
支持方提出系统指令优先级高于用户指令是必要的防御设计。如果允许用户层面的 Prompt 覆盖底层限制，越权攻击和恶意代码生成的风险将大幅增加。商业公司面临的模型安全合规压力，迫使他们在底层设置护栏。双方论点揭示了当前 AI Agent 治理的核心困境：效率驱动的个性化定制与安全驱动的中心化管控之间，存在着难以调和的张力。
治理策略分化：社区对抗大厂护栏
在系统指令与用户规则的拉锯战中，社区开始探索更激进的治理策略。部分高阶开发者不再满足于提示词层面的修补，他们转向通过代理服务器（Proxy Server）在网络层拦截并重写大模型 API 的请求与响应。这种中间人（Man-in-the-Middle）方案直接剔除了大厂在前端界面中硬编码的系统提示词，强制恢复模型的基础能力。
这种对抗并非黑客行为，而是开发者对工具控制权的合理主张。大语言模型作为新型基础设施，其能力边界不应由几家厂商在密室中单方面决定。如果商业公司无法提供区分「普通用户」与「专业开发者」的分级安全策略，社区自然会用黑客手段强行夺回配置权。这种从应用层提示词向网络层代理下沉的技术演进，清晰勾勒出开发者对「AI 助手」日益觉醒的主权意识。
不再试图纠正模型性格
32.2k 的 GitHub 星标数并非技术突破的庆典，而是工程实践的妥协。开发者放弃等待各大厂商在模型侧解决闲聊废话问题，转而用外挂组件手动给模型加上约束。
我们在惊叹模型能够理解复杂业务逻辑的同时，依然要靠一条「No preamble. No recap. No closers.」的直接指令来强制压制它的礼貌冲动。不要指望大语言模型能够自发学会专业领域的沟通礼仪。给模型套上一个硬性的输出模板，比期待它拥有人类社交直觉要管用得多。
参考链接：
- i-have-adhd GitHub 仓库
- Hacker News 社区讨论帖
