1. 痛点突围:它究竟击穿了什么工程死穴?

当前的 AI 编码助手普遍存在严重的冗余信息倾倒倾向。开发者在输入故障排查或架构重构请求后,大模型总是在开头输出热烈的情绪肯定、在中间罗列长篇大论的实现方案分析,并在结尾附带无意义的礼貌性祝福。这种对话模式不仅严重干扰开发者的心流状态,更在每次交互中白白燃烧宝贵的上下文 Token。ayghri/i-have-adhd 项目直接切入这一工程顽疾,通过严苛的输出规范强迫 AI 丢弃所有客套,直接将可执行的操作步骤推送到终端屏幕。

💡 架构核心洞见:通过将对话状态机的输出约束编码为不可妥协的指令集,直接砍掉 LLM 的推理叙事层,把推理结果压缩为纯动作指令流。

2. 核心架构与底层数据流向解析

i-have-adhd 采用轻量级 Skill/Plugin 插件化架构注入目标 AI 编码环境。其底层不依赖任何额外的服务端常驻守护进程,而是利用大模型对系统提示词(System Prompt)或 Skill 文件的强遵循特性,在客户端解析阶段重构输出拓扑。开发者发起交互请求后,数据流会经过本地网关和注入的规则过滤层,直接截断大模型的反思文本,迫使生成引擎输出符合 10 条硬核规则的响应内容。

[ Developer Prompt ] ---> [ Claude / CLI Gateway ] ---> [ i-have-adhd SKILL.md ]
                                                              │
                                                              ▼
                           [ Action-First Stream Engine ] <--- [ Rule Filter ]

该项目的工程权衡非常极端:它完全放弃了面向普通用户的交互温度和拟人化体验,将所有的优化资源压注在代码编写的绝对执行效率上。通过限制列表长度、禁止任何寒暄总结以及强制以动作指令开头,整个交互的吞吐密度提升了三倍以上。

3. 技术选型与性能横向硬核对比

选型维度 本方案 (i-have-adhd) 传统实现范式 典型竞品方案 生产环境收益
交互延迟 极低(零中间代理) 较高(需等待冗长文本生成) 中等(带过滤中间件) 减少 40% 的等待焦虑
Token 消耗 极省(输出文本缩减 70%) 臃肿(包含大量废话) 一般(过滤后丢弃浪费) 显著降低 API 账单开销
规则定制 纯 Markdown 文本修改 复杂后端代码重构 闭环配置后台 修改成本降至几秒钟
环境依赖 仅需 Claude CLI / 插件支持 自建代理服务器 商业 SaaS 客户端 无额外运维复杂度

表格中的指标显示,传统 AI 助手在处理紧急排错时会产生大量冗余的文本负荷。i-have-adhd 放弃了解释性文本,换取的是开发人员在排查故障时能够一秒钟定位到精确的代码修改行号与命令语句。

4. 手把手极客实操:从零构建最小闭环

在本地终端中运行以下命令,完成 i-have-adhd 技能包的全局安装操作:

# 卸载旧版官方或同名冲突插件
claude plugin uninstall i-have-adhd
claude plugin marketplace remove i-have-adhd

# 将你的自定义 fork 市场源添加至本地环境
claude plugin marketplace add your-username/i-have-adhd

# 安装目标版本的生产级 skill 插件
claude plugin install i-have-adhd@i-have-adhd

安装完成后,重启你的编码助手终端,在任意代码库路径下显式调用该技能:

/i-have-adhd 检查 src/auth.ts 文件中 verifyToken 函数的类型越界问题

助手输出的预期结构将不再包含任何问候语,直接展现行动指令:

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.

5. 生产落地踩坑指南与避坑建议 (Gotchas)

将这套硬核规则投入日常高强度工程开发时,必须注意大模型对极端简洁指令的服从度衰减问题。当多轮对话上下文拉长时,AI 有概率会遗忘部分约束规则,重新恢复喋喋不休的解释习惯。

⚠️ 避坑预警 规则漂移:多轮对话超过 15 轮后,大模型容易出现上下文遗忘。解决方案是在单次任务解决后立即重置会话,或者在本地修改 SKILL.md 强化关键约束动词。

⚠️ 避坑预警 插件命名冲突:由于上下游仓库名称完全一致,直接通过 marketplace 安装时极易触发本地缓存冲突。解决方案是严格遵循官方的卸载与清理命令,确保本地注册表中只存在你当前 Fork 的有效源。