今天在 GitHub Trending 上看到一个有意思的项目：ADHD — a skill for coding agents，它解决的是一个很实际的问题——大语言模型在编程时容易「过早收敛」，一旦给出了第一个方案，后续思考就被锚定住了，难以探索更多可能性。
一、项目概述
ADHD 是由 Udit Akhouri 开发的一个 AI 编程代理技能，核心定位是解决 LLM 在生成式推理中的「过早收敛」（Premature Convergence）问题。它借鉴了人类神经多样性中 ADHD（注意力缺陷多动障碍）的特质——思维在多个方向上同时发散——将这一特性工程化为一套可量化的双阶段推理框架。
该项目的核心特点：
- generator-critic 硬分离：生成器和评分器是两次完全独立的 LLM 调用，中间有「硬墙」阻断，不允许在生成阶段就自我评判，从架构上杜绝了锚定效应
- 多认知框架并行发散：一次生成 N 个隔离的思考分支，每个分支拥有不同的认知「框架」（如经济激励、感知扭曲、集体智慧等），框架之间完全隔离，零共享上下文
- 陷阱检测能力大幅提升：独立评分器专门负责识别「看起来对但实际有坑」的想法，实验数据显示陷阱检测得分提升 5.2 倍（9.50 vs 1.83）
已在多个开源项目中正式集成，包括 repowire、mstack、zk-flow-oss 等，并被 The New Stack 专题报道。
二、技术原理
2.1 为什么传统 CoT 和 ToT 也会过早收敛？
Chain-of-Thought（思维链）的问题在于：它锚定在第一个说出口的答案上，后续推理都是在第一个答案的框架里修修补补。
Tree-of-Thought（思维树）虽然做了分支搜索，但因为所有分支共享同一个上下文树，锚定效应仍然会跨分支传递——你在分支 A 里看到分支 B 说了什么，就会不由自主地受影响。
ADHD 的诊断是：这是一个架构问题，而不是提示词问题。
2.2 双阶段架构
阶段一：Diverge（发散）
1. 从预定义库中选择 N 个认知框架（默认 6 个）
2. 为每个框架启动独立的 LLM Agent
3. 每个 Agent 收到：问题 + 框架视角 + 禁止评价的系统提示
4. N 个分支完全隔离运行，结果互不可见
阶段二：Focus（聚焦）
1. 收集所有分支的想法（30+ 个）
2. 独立 Critic Agent 评分：新颖性、可行性、与问题的契合度
3. 标记陷阱并给出原因（如：「流式令牌逆序——会让 UI 体验很差」）
4. 聚类相似想法
5. 深化 Top-K 幸存者，给出具体步骤和风险
关键源码片段（TypeScript）：
import { run, renderText } from "adhd-agent";
const result = await run({
problem: "How should we shard this queue under bursty load?",
framesPerRun: 5,
topK: 3
});
console.log(result.shortlist); // 精选想法列表
console.log(result.nonObviousPick); // 最反直觉但最有力的方案
console.log(result.traps); // 被识别的陷阱
console.log(result.clusters); // 按角度聚类的结果
2.3 15 种认知框架
ADHD 内置了 15 种认知框架，覆盖不同思维方式：
| 框架 | 典型视角 |
|---|---|
| economic-incentive | 成本与收益分析 |
| async-control-surface | 异步控制流设计 |
| gamification | 游戏化激励机制 |
| perceptual-distortion | 感知与 UX 失真 |
| collective-intelligence | 群体智慧视角 |
| redundancy-race | 冗余与竞态分析 |
| new-grad / archeologist | 新手视角 / 考古视角 |
| security-researcher | 安全研究员视角 |
| on-call-at-3am | 值夜班工程师视角 |
开发者也可以自定义框架并贡献到社区。
三、安装与快速开始
3.1 安装
一行命令，自动识别你的代理工具（Claude Code、Cursor、Cline、Windsurf 等）：
npx skills add UditAkhourii/adhd
也可以通过 npm 全局安装 CLI：
npm install -g adhd-agent
3.2 快速使用
安装后在支持的代理中调用：
# Claude Code / 其他代理
/adhd "design a rate limiter that survives a leader election"
/adhd "name this function" --frames 3 --ideas 8 --top 2
3.3 作为库使用
import { run, renderText } from "adhd-agent";
const result = await run({
problem: "design a rate limiter",
framesPerRun: 5, // 并行框架数量
topK: 3 // 深化 Top-K 想法
});
console.log(renderText(result));
四、使用场景与实战效果
4.1 什么时候用 ADHD？
项目文档明确推荐的使用场景：
- 设计决策：给出几个方案/思路（「give me a few ways to…」）
- 模糊调试：问题描述不清、方向不明
- 命名：函数名、变量名、API 命名
- API 表面设计：接口设计选型
- 策略规划：技术路线选择
不推荐使用的场景：简单的事实查询、有标准答案的问题、精确计算类任务。
4.2 实验数据
在 6 个开放式工程问题上，独立 LLM 评委（持怀疑态度的高级工程师视角）对 ADHD 和单次生成基线的评分（0-10）：
| 维度 | ADHD | 基线 | 提升 |
|---|---|---|---|
| 思考广度 | 9.00 | 4.83 | +4.17 |
| 新颖性 | 7.83 | 2.67 | +5.17 |
| 陷阱检测 | 9.50 | 1.83 | +7.67 |
| 可操作性 | 9.50 | 6.50 | +3.00 |
| 对工程师有用程度 | 7.67 | 6.83 | +0.83 |
最大亮点是陷阱检测，提升 5.2 倍——基线方法几乎不会主动识别「看起来有道理但实际是坑」的想法，而 ADHD 能系统性地发现并警告它们。
4.3 真实案例对比
以「设计一个 LLM CLI 超时重试策略」为例：
基线回答：给出教科书式的渐进超时 + 指数退避重试方案，最终推荐 15s 首 token 超时、30s 间隔超时、90s 绝对超时——Google SRE Book 第 22 章的标准答案。缺陷：没有识别陷阱，没有考虑「用户可能想直接取消」或「慢模型可能本身就是错误选择」。
ADHD 回答：同时发散 6 个框架，产生 30+ 个想法，聚类后包括经济激励、异步控制面、游戏化等多个角度。输出了 20 个陷阱警告，其中包括：「流式令牌逆序显示」和「耐心-代币计费」这两个看起来有道理但实际有问题的想法。最反直觉的pick：「rage-quit = 即时中止 + 切换到更便宜的 Haiku 级模型」——这个方案基线完全没有考虑。
五、常见问题
Q：运行 ADHD 会增加多少时间和成本？ A：单次调用 ADHD 相比单次生成约增加 2.3× 时间和 1.9× token 消耗（约 1.9 倍）。但因为陷阱在规划阶段就被识别，避免了后期返工，实际项目效率整体提升。
Q：支持哪些编程语言？ A：作为 Claude Agent SDK 上的技能，TypeScript/JavaScript 项目原生支持。CLI 和库也支持 Python 等语言通过子进程调用。
Q：和 CoT、ToT 的本质区别是什么？ A：三个关键架构差异——(1) 生成阶段禁止评价，从架构上消除自我锚定；(2) 框架选择与最终决策完全解耦；(3) 独立 Critic 不是提示词技巧，是物理上分离的 LLM 调用。
六、总结
ADHD 是一个兼具学术深度和工程实用性的 AI 推理增强框架。它将「思维发散」从一个模糊的概念工程化为可配置、可测量、可复现的双阶段流程。在需要创意和策略的设计类任务上，它能显著提升 AI 输出的广度、新颖性和安全性。如果你经常感觉 AI 给出的第一个答案「差点意思」但又说不清哪里不对，ADHD 或许正是你需要的工具。
项目地址：https://github.com/UditAkhourii/adhd
预印论文：https://adhdstack.github.io/