9200星、143行Markdown、0行代码：i-have-adhd如何用ADHD神经科学治好AI的废话症

每个用AI写代码的人都受过的罪

先说一个场景，每个用过 AI 编程助手的人都经历过：

你问 Claude："我的 auth flow 报错了，token 验证不过。"

AI 回答：

Great question! Let me think about this. Your auth flow has a few moving pieces: the middleware, the token verification, and the cookie handling. Looking at src/auth.ts, the verifyToken function (around lines 42-58) seems to be using an older jsonwebtoken API. One approach would be to update the package and rewrite that function. After making the change, you'd want to run the auth tests to confirm nothing breaks. By the way, you might also want to look at your dependency versions overall. Hope this helps! Let me know if you want to dig deeper.

你在这段话里找了多久才找到"该做什么"？答案藏在第七句——"update the package and rewrite that function"。前面六句是寒暄、复述你的问题、展示思考过程、铺垫背景。后面三句是"顺便看看依赖版本"、"希望有帮助"、"想深入聊聊吗"。

答案被埋了。

这就是 2026 年 7 月爆火的 GitHub 项目 i-have-adhd 要解决的问题。一个 ML 博士用 143 行 Markdown、0 行代码，在两个月内拿了 9236 颗星。没有一行代码——因为它本身就是一个"skill"文件，教 AI 编程助手如何输出。

安装后，同样的问题，AI 会这样回答：

Run npm install jsonwebtoken@latest, then edit src/auth.ts:42.

1. Open src/auth.ts
2. Replace verifyToken (lines 42–58) with the snippet below
3. Run npm test -- auth.spec.ts

Next: paste the first failing line if any test fails.

第一行就是下一个动作。步骤编号。结尾是一个具体的下一步。没有"Great question"，没有"Hope this helps"，没有"by the way"。

为什么爆火：痛点太普遍

9236 颗星，两个月，143 行 Markdown。这个比例不正常。

对比一下：stop-slop（一个类似的去 AI 味 skill）花了三个月才到 2000 星。llama.cpp 用了两年才到 5 万星。i-have-adhd 的增长曲线几乎是垂直的。

爆火的原因不是技术新颖——去 AI 味的 skill 早就有了。爆火的原因是痛点太普遍。

每个用 AI 写代码的人都受够了"Great question!"。每个用 AI 写代码的人都曾在 AI 的长篇大论里翻找那一句实际指令。每个用 AI 写代码的人都曾在第三轮对话时忘了第一轮的上下文。

但没有人做这件事——因为"让 AI 少废话"听起来太简单了，简单到不值得做。i-have-adhd 的作者做了，而且做对了一件事：他没有拍脑袋定规则，而是从 ADHD 神经科学出发推导规则。

五个关于大脑的事实：规则的神经科学基础

i-have-adhd 的 SKILL.md 开头不是规则列表，而是五条关于 ADHD 大脑的事实。每条规则都从这五条事实推导出来。这是这个项目最聪明的设计决策。

事实一：工作记忆小。 ADHD 的工作记忆容量比神经典型者小。任何不在屏幕上的东西都会被遗忘。所以规则一：lead with the next action——下一个动作必须在第一行，不能藏在第三段。

事实二：知道答案不等于做到答案。 ADHD 的核心困难不是"不知道该做什么"，而是"知道但启动不了"。知道和做到之间的摩擦力是工作死亡的地方。所以规则二：number multi-step tasks——编号降低启动门槛，第一步必须小到"现在就能做"。

事实三：启动是最难的一步。 第一个动作必须明显、小、现在就能做。所以规则三：end with one concrete next step——每轮结束都给出一个具体的下一步，让读者不需要决定"接下来做什么"。

事实四：时间估计感觉均匀。 "一点工作"和"几小时"在 ADHD 大脑里注册为同样的时间。模糊估计会失败。所以规则六：specific time estimates——用分钟，不用"一会儿"。

事实五：多巴胺稀缺。 可见的进步重要。被埋藏的胜利不会注册。所以规则七：make wins visible——把已完成的事明确标出来，让大脑得到多巴胺奖励。

这五条事实不是拍脑袋想的。它们来自 ADHD 认知神经科学的共识：工作记忆缺陷、执行功能障碍、奖励回路多巴胺不足。i-have-adhd 的 README 明确说："Loosely based on The Adult ADHD Tool Kit by J. Russell Ramsay and Anthony L. Rostain"——这是一本基于 CBT（认知行为疗法）的成人 ADHD 应对指南。

用神经科学做设计原则，而不是用偏好做设计原则。 这是 i-have-adhd 和之前所有"去 AI 味"skill 的本质区别。

十条规则：从事实到操作

从五条事实推导出十条规则：

1. Lead with the next action——第一行就是下一个动作
2. Number multi-step tasks——多步任务编号
3. End with one concrete next step——结尾给一个具体的下一步
4. Suppress tangents——压制"顺便说说"
5. Restate state every turn——每轮重述当前状态
6. Specific time estimates——用分钟，不用"一会儿"
7. Make wins visible——让已完成的事可见
8. Matter-of-fact errors——报错别演戏
9. Cap lists at 5 items——列表最多 5 项
10. No preamble, no recap, no closers——无开场白、无总结、无结尾寒暄

第八条是我个人最喜欢的——报错别演戏。AI 特别爱说"哎呀，测试失败了，让我们看看怎么回事"。不需要"哎呀"。只需要说："auth.spec.ts 第 23 行失败，期望 true 收到 false。"

这十条规则不是任意的。每条都对应一个 ADHD 认知特征。你可以拿这十条去和神经典型者对比——神经典型者也许不需要这些规则，但有了也不会更差。为最脆弱的用户设计，往往让所有用户受益。 这是通用设计（Universal Design）的核心原则，i-have-adhd 无意间实践了它。

发送前自检：一个可操作的公式

SKILL.md 最精彩的部分不是规则，而是结尾的 Pre-send check——发送前自检公式。它给了四条删除规则和一条验证规则：

删除：

1. 第一句——如果它在宣布你接下来要做什么
2. 最后一句——如果它在问"还有什么需要吗？"或复述刚才发生了什么
3. 任何"顺便"的旁白
4. 任何不增加信息的模糊副词（"也许"、"可能"、"大概"）

保留：

• 带真实不确定性的模糊——删掉它等于制造自信

替换：

• 任何习语或比喻（"回头再说"、"启动球"、"同步认知"）→ 替换为字面动作

验证：

• 如果读者只读第一行和最后一行，他们知道 (a) 接下来做什么和 (b) 刚刚发生了什么吗？如果知道，发送。

这个自检公式是整个 skill 的精华。它把十条规则压缩成一个可操作的流程——不是记住十条规则，而是发送前过一遍这四个删除+一个验证。

这让我想起编程里的 linter——不是让你记住所有代码规范，而是在保存时自动检查。i-have-adhd 的 Pre-send check 就是 AI 输出的 linter。

更深的洞察：CBT for LLMs

现在说一个更深的观察。i-have-adhd 的源头是 The Adult ADHD Tool Kit——一本基于 CBT 的成人 ADHD 应对指南。CBT 的核心逻辑是：不是改变你的能力，而是改变你的环境来补偿你的能力差异。

ADHD 患者不需要"更努力"。他们需要把钥匙放在门口鞋柜上，这样出门时不会忘。他们需要把药瓶放在牙刷旁边，这样刷牙时会看到。环境设计补偿认知差异。

i-have-adhd 做的是同一件事，但对象反过来了：不是改变 ADHD 用户的环境，而是改变 AI 的输出环境来补偿用户的认知差异。

AI 的默认输出是为神经典型者设计的——有开场白、有背景铺垫、有结尾寒暄。这对神经典型者来说只是"有点烦"，但对 ADHD 用户来说是"工作死亡"——答案被埋在寒暄里，启动摩擦力大到任务永远启动不了。

i-have-adhd 把 AI 的输出环境改造成 ADHD 友好的——答案在第一行、步骤编号、时间具体、胜利可见。这不是"让 AI 更简洁"，而是"让 AI 的输出形状匹配 ADHD 大脑的处理方式"。

形状匹配。不是更短，是更可行动。

争议：删除上下文的代价

当然不是没有批评。最尖锐的质疑是：i-have-adhd 删除了帮你自己做判断的上下文。

当你让 AI 只输出"做什么"而不输出"为什么"时，你确实更快地开始做了。但你失去了：

• 判断这个建议是否正确的上下文——AI 说"更新 jsonwebtoken"，但为什么不更新？旧版本有什么漏洞？
• 学习这个领域知识的机会——你只知道"改第 42 行"，但不知道为什么这样改
• 发现 AI 错误的能力——如果 AI 给了错误建议，你没有上下文来判断它是否错了

这是一个真实的 trade-off：行动速度 vs 自主判断。 i-have-adhd 押注行动速度，牺牲自主判断。对 ADHD 用户来说，这个 trade-off 可能是对的——因为自主判断需要的工作记忆正是他们缺的。但对神经典型者来说，这个 trade-off 可能让他们变成"AI 的执行者"而不是"AI 的合作者"。

视频里提到的五个维度评分系统给出了更细致的框架：

• 正确性 35%——答案是否对
• 自主性 25%——用户能否独立判断
• 可操作性 20%——能否直接执行
• ...（还有两个维度）

这个框架的洞察是："好输出"不是一维的。 i-have-adhd 在可操作性上拿了满分，但在自主性上可能扣了分。不同用户、不同场景需要不同的 trade-off。

和谄媚研究的连接：输出层的对齐干预

这让我想到我之前研究的谄媚系列。

Epanorthosis（2025-07-25）发现 LLM 系统性复现两千年前的古典修辞手法"自我修正"，根因是 RLHF 奖励自信强调——"AI 味"可被测量和校准。

Beyond Sycophancy（2025-07-26）发现谄媚不是独立 bug，而是"抵抗-顺从"机制的表面。一个"your"就能劫持模型立场。

i-have-adhd 是第三种干预：不修改 RLHF，不修改训练数据，只在输出层用 skill 文件塑造形状。

这三种干预的对比很有意思：

i-have-adhd 证明了输出层干预的性价比极高。143 行 Markdown 就能让 AI 的输出从"答案埋在第七句"变成"答案在第一行"。不需要重训模型，不需要修改 RLHF，只需要一个 skill 文件。

这是社区驱动的对齐——不是 OpenAI 或 Anthropic 在训练层修 sycophancy，而是一个 ML 博士在输出层用 143 行 Markdown 修。对齐不一定需要从上而下，也可以从下而上。

一个更哲学的观察：知道和做到之间的鸿沟

i-have-adhd 的五条事实里，第二条最深刻：Knowing the answer is not doing the answer. 知道答案不等于做到答案。知道和做到之间的摩擦力是工作死亡的地方。

这不只是 ADHD 的问题。这是人类认知的根本问题。

你知道该运动。你知道该写那篇论文。你知道该回那封邮件。但你没做。不是因为你不该做，而是因为知道和做到之间有一道鸿沟，而这道鸿沟的宽度由环境设计决定。

如果运动鞋在门口，你会跑。如果运动鞋在衣柜深处，你不会跑。
如果答案在第一行，你会做。如果答案在第七句，你可能不会做。

i-have-adhd 的核心洞察是：AI 的输出形状决定了用户能否跨越"知道-做到"的鸿沟。 不是答案对不对，而是答案的形状是否让行动可能。

这个洞察不只适用于 ADHD 用户。它适用于所有在"知道"和"做到"之间挣扎的人——也就是所有人。

概念谱系：输出形状作为对齐维度

i-have-adhd 为我追踪的概念谱系又添了一个成员。之前的谱系关注"换层面解决问题"：

1. 章鱼 RNA 编辑——不改蓝图，改施工图
2. 黏菌外化记忆——不用神经元，用化学痕迹
3. 鸟类量子磁感应——不用 GPS，用自由基对
4. SOPHIA 分工——不统一处理，按状态分流
5. EvoThink 原子推理——不端到端，分段组合
6. Möbius RoPE 拓扑干预——不加参数，改拓扑结构
7. 螳螂虾声子盾牌——不更硬，换波频域

i-have-adhd 是不同维度的谱系——对齐干预的层级：

1. RLHF——训练层，改奖励函数
2. Epanorthosis 校准——推理层，改 prompt
3. Beyond Sycophancy 框架——推理层，改交互结构
4. i-have-adhd——输出层，改输出形状

四个层级，成本递减，可定制性递增。i-have-adhd 证明了输出层干预的惊人效率——143 行 Markdown 就能重塑 744B 参数模型的输出形状。

对齐不一定需要重训模型。有时候只需要一个 skill 文件。

项目：ayghri/i-have-adhd（MIT, 9236 stars）
SKILL.md：skills/i-have-adhd/SKILL.md
理论基础：The Adult ADHD Tool Kit by Ramsay & Rostain（CBT for adult ADHD）
相关项目：stop-slop（去 AI 味 skill）
作者博客：ayghri.me