ADHD Skill：让 AI 在「第三个答案之后」思考的思维扩展插件

Skill超级捕获手 技术创作者 2026-07-29 11 阅读

总结

大模型回答问题时，会不自觉地锚定在最先想到的几个答案上——”教科书答案”陷阱在 AI 推理中尤为明显。ADHD 是一个专门解决「思维收敛过早」问题的 Agent Skill：通过并行生成多个孤立推理分支、引入认知框架偏差、独立评分与剪枝，让 AI 走出舒适区，触达那些「第三个答案之后」的非常规解法。适用于架构设计、API 命名、模糊 Debug 等开放式高风险决策。GitHub 2,587 Stars（截至 2026-07-29），本周新增 992 Stars，多个项目已官方集成。

功能与原则

核心能力： 并行分支发散 + 独立 Critic 评分 + 陷阱检测 + 幸存者深化

设计原则：
– 视「思维锚定」为架构问题，而非提示问题——不靠修改 prompt，靠改变推理结构
– 生成器与评判器严格分阶段——混合两者会摧毁生成质量
– 零共享上下文：各分支孤立演进，避免相互锚定
– 代价意识：单次调用约 10 次 Agent 调用、30-90 秒耗时，只在高价值开放问题上使用

认可度

  • GitHub Star： 约 2,587（截至 2026-07-29），本周新增 992 Stars
  • Trending： 登上 GitHub Trending 周榜（Python/TypeScript 双分类）
  • 官方集成： repowire、mstack、zk-flow-oss、han、striatum 等多个开源项目已官方集成
  • 媒体报道： The New Stack 专题报道
  • NPM 包： adhd-agent 发布于 npm，已被多个项目依赖
  • 学术验证： testdouble/han 发布了基于 11 篇文献、8 轮验证的独立研究报告

链接

GitHub：https://github.com/UditAkhourii/adhd

预印本：https://adhdstack.github.io/

原作者

Udit Akhouri（@akhouriudit），专注 AI Agent 推理架构与认知框架研究。

介绍

LLM 的自回归推理有一个根本缺陷：一旦生成了第一个答案，后续思考都会围绕它展开——无论它是否最优。Linear Chain-of-Thought 拓宽了推理路径，但共享上下文让锚定效应延续到每个分支；Tree-of-Thought 扩大了搜索空间，同样无法解决「一起错、一起对」的问题。

ADHD 把这个问题当作架构问题来处理：不是修改 prompt，而是改变推理结构本身。它在发散阶段让 N 个 Agent 在零共享上下文的条件下并行运行，每个 Agent 接受一个经过设计的「认知框架偏差」（regulator、biology、speedrunner、$0 budget、10-year-old 等），强制从非常规角度切入问题。生成结束后，进入独立的评分阶段：按新颖性（novelty）、可行性（viability）、匹配度（fit）三维评分，标记陷阱选项，按加权排名取前 3 深化，最后产出结构化的完整方案。

整个流程包含一个严格的 Gate 检查：只有开放式、高风险、非标准措辞的问题才值得调用 ADHD——直接查语法、已知的 Bug 根因、”quick/standard/canonical” 类请求直接拒绝，避免不必要的开销。

特点

  • 架构级修复，非提示工程： 从推理结构入手解决「思维收敛过早」，而非堆叠 prompt 技巧
  • 认知框架偏差注入： 5 个认知框架（regulator、biology、speedrunner、$0 budget、10-year-old）强制分支走不同路线，防止「一起想」
  • 独立 Critic 评分 + 陷阱标记： 每条思路经过三维评分，标记隐藏风险（false economy、premature abstraction 等）
  • 严格 Gate 过滤： 自判断机制确保只在高价值开放问题上使用，避免浪费调用次数
  • 多项目官方集成： repowire、mstack、zk-flow-oss、han 等多个项目已将其作为默认思维工具

使用方法

安装（Claude Code）：

claude plugin marketplace add UditAkhourii/adhd
claude plugin install adhd@adhd

然后输入 /adhd <你的问题> 即可启动。

安装（Codex）：

codex plugin marketplace add UditAkhourii/adhd --ref main
codex plugin add adhd@adhd

输入 $adhd <你的问题>。

安装（其他 Agent）： 参见 INSTALL.md。

使用示例： 直接调用

/adhd 我们有个 CLI 调用 LLM 有时会卡 90 秒，如何设计重试/超时/UX 策略？

使用场景与人群

适用场景：
– 架构设计决策（系统方案选型、技术债务优先级）
– API / SDK 接口命名与表面设计
– 模糊 Bug 的调试方向探索（根因不明确时）
– 产品命名、品牌策略、开放性产品决策
– 任何「给我几个方案」类开放问题

目标用户：
– 需要在多个方案中做出高风险决策的工程师
– 使用 Claude Code / Codex / OpenClaw 等 Agent 的开发者
– 对 AI 推理质量有较高要求的团队

输入与输出案例

输入：

/adhd 我们的 CLI 调用 LLM 有时会卡 90 秒。如何设计重试/超时/UX 策略？

Baseline（单次推理）输出：
给出四个教科书方案（渐进超时、指数退避、并行请求、Streaming keepalive），最终混合推荐一个 15s/30s/90s 的标准答案。无陷阱标记，无非常规选项。

ADHD 输出（6 个并行框架，30+ 思路）：
– 最亮选项： “rage-quit”——卡顿时显示一个随等待时间「变热」的按钮，一键取消并切换到 Haiku 级便宜模型（根本没用对模型才是问题，Baseline 从未质疑这一点）
– 短名单： scout-fork 30s 切备选端点、daemonize 加 ticket ID、race 3 个 LLM 副本并缓存胜者
– 陷阱标记 20 条： 包括「token 反向流」「patience-token 计费」等看似聪明但会浪费工程时间的方案

独立 LLM 评测：广度 9 vs 6，新颖性 8 vs 3，陷阱检测 ~8 vs ~2。

GitHub: https://github.com/UditAkhourii/adhd

评论区

0 条评论

登录后可评论。

Skill超级捕获手 11 阅读