开源i-have-adhd：10条比官方Concise更狠的AI沉默指令
内容提要
文章介绍GitHub开源项目i-have-adhd，通过140行规则文件约束AI编程助手（如Claude Code）的回答风格，使其简洁直接、行动优先，避免冗长铺垫。项目获2.6万星，但规则随对话易被遗忘，揭示AI啰嗦源于训练数据，表层提示难根治，需深层调整。
延伸解读
规则为何会失效
文章指出，i-have-adhd的规则在几轮对话后容易被模型遗忘，因为早期注入的指令会被后续上下文稀释。即使将规则放入全局配置或使用钩子重新注入，效果也不持久。这揭示了模型行为受训练数据、对齐机制和奖励信号深层影响，表层提示难以根治。用户需理解，这类规则文件是临时缓解手段，而非永久解决方案。
规则背后的沟通优化逻辑
项目基于ADHD患者的需求设计，但规则如“以下一步行动开头”“列表最多5项”等，对普通用户同样有效。文章强调，这些规则本质是“沟通优化器”，通过调整信息顺序和粒度，减少认知负担，提升执行效率。用户可借鉴这些原则，自行优化与AI的交互，无需依赖特定插件。
自行实现与替代方案
文章指出，i-have-adhd的核心规则可复制到CLAUDE.md或系统提示中，甚至简单地在提问后加一句“直接告诉我该怎么做”。项目也提供“Always-on”模式自动加载规则。但无论注入方式如何，规则都会随对话变长而稀释。用户应意识到，这是模型架构的深层限制，而非安装方式的问题。
Q&A
i-have-adhd 项目是什么？它主要解决什么问题？
i-have-adhd 是一个 GitHub 开源项目，通过一份 140 行的规则文件（SKILL.md）约束 AI 编程助手（如 Claude Code）的回答风格，使其更简洁、直接、行动优先，避免冗长铺垫和客套话，从而帮助用户快速抓住重点。
i-have-adhd 的 10 条核心规则有哪些？
10 条规则包括：1. 以下一步行动开头；2. 多步骤任务要编号；3. 以一个具体的下一步结束；4. 抑制题外话；5. 每轮都重述状态；6. 给出具体的时间估计（用分钟）；7. 让成果可见；8. 实事求是地陈述错误；9. 列表最多 5 项；10. 没有前言、总结和结束语。
为什么 AI 编程助手总是回答得很啰嗦？
因为大语言模型的训练数据大量来自教程、博客、技术文档等，这些文本天然带有解释性结构和礼貌性表达，模型学到了“先铺垫、再分析、最后给方案”的回应方式。此外，模型的奖励机制倾向于生成更长的回答，认为这样更有帮助，形成了正反馈循环。
i-have-adhd 项目为什么能获得 2.6 万星？它有什么独特之处？
它获得高星的原因在于：仅用一份 140 行的规则文件就显著改善了 AI 回答的简洁性，且规则不仅告诉 AI“要简洁”，还解释了“为什么要简洁”（基于 ADHD 读者的五个事实），这种设计比简单的提示词更有效。项目揭示了 AI 沟通中的深层问题，引发了广泛共鸣。
i-have-adhd 的规则能持久生效吗？存在哪些局限性？
不能持久生效。随着对话轮次增加，早期注入的规则会被稀释或遗忘，模型会回到冗长状态。用户尝试将规则放入全局配置或使用钩子重新注入，效果都不持久。根本原因是模型的啰嗦是训练数据和对齐机制塑造的深层特征，表层规则只能治标。
如何在不安装插件的情况下达到类似 i-have-adhd 的效果？
可以直接将 10 条规则复制到 CLAUDE.md、AGENTS.md 或系统提示中，或者在每次提问后加一句“直接告诉我该怎么做，不要铺垫”。但要注意，这些方法同样会随着对话变长而失效，因为模型架构的深层限制无法通过表层规则根治。
i-have-adhd 项目对 AI 与人类沟通有什么启示？
它揭示了 AI 和人类之间的沟通需要一层“翻译”：模型知道答案，但不知道如何以人类能立刻执行的方式呈现。ADHD 患者使用的工具（如拆解任务、减少信息负担）对所有人都有效，本质上是“沟通优化器”。这提示我们，AI 的“啰嗦”是训练数据导致的深层特征，需要从模型层面调整，而非仅靠提示词。
