这个i-have-adhd为编程助手（如 Claude Code）提供了一套“技能”，旨在让助手的回答更简洁、直接，避免冗长和模糊的表述。
项目目标与解决的问题
很多 AI 编程助手在回答时，常常会先铺垫一大段思考过程，或者以“希望这能帮到你！”等客套话结尾，这容易让用户抓不住重点。
i-have-adhd 的目标就是改变这种沟通方式，让 AI 的回复遵循 “行动优先” 的原则。
项目在 README 中给出了一个很直观的对比示例：
- Before (改进前): 回答以“好问题！让我想想...”开头，中间夹杂着分析和建议，最后以“希望这能帮到你！”等客套话结尾。
- After (改进后): 回答直接以具体的操作命令（如 Run npm install...）开头，接着是带编号的、清晰的步骤，并以一个明确的下一步行动结束。
十大核心规则
为了实现这种简洁、直接的沟通风格，项目定义了 10 条核心规则：
- 以下一步行动开头：直接告诉用户该做什么。
- 多步骤任务要编号：让步骤清晰有序。
- 以一个具体的下一步结束：每次回复都指明一个明确的行动点。
- 抑制题外话：保持专注，不跑题。
- 每轮都重述状态：确保双方信息同步。
- 给出具体的时间估计：用分钟数，而不是“一会儿”。
- 让成果可见：突出显示已完成的事项。
- 实事求是地陈述错误：直接、不绕弯子。
- 列表最多 5 项：避免信息过载。
- 没有前言、总结和结束语：直入主题，干净利落。
让AI编程助手闭嘴说重点，这个GitHub项目靠一份规则文件拿下2万星！
你刚问了一个技术问题，AI却先给你来一段“好问题！让我想想……”的暖场，再分析一遍上下文，最后才把答案藏在某段话的中间位置。等你翻完屏幕，原本要干的活已经被这股废话冲散了。
一个靠规则文件而不是模型升级来解决AI话痨问题的开源项目，已经在GitHub上获得超过2.6万颗星。它不训练模型、不改代码能力，只做一件事：重新规定AI回答的顺序。答案放最前面，步骤编号，废话全部删掉。
为什么AI助手总爱把答案藏起来
用过Claude Code、Codex这类编程助手的人，多半经历过同一个场景。你问它怎么修复一个报错，它先来一句“好问题！让我想想”，然后分析你的认证流程有中间件、Token验证和Cookie处理几个环节，再建议你更新jsonwebtoken包、重写验证函数、跑测试确认没有破坏其他功能，末了还补一句“顺便提一下，你可能还想检查一下整体依赖版本”。最后来一句“希望这对你有帮助”。
答案确实给了，但你需要从一堆文字里把它刨出来！
这背后有一个被很多人忽视的现实：大语言模型的训练数据大量来自教程、博客、技术文档和论坛回答。这些文本天然带有解释性结构和礼貌性表达。模型学到的不仅是知识本身，还有“回答问题的方式”——先铺垫、再分析、最后给方案、结尾加寒暄。
更要命的是，模型内部有复杂的对齐机制和奖励信号，倾向于生成“看起来更完整、更有帮助”的长回答。在一个追求“有用性”的评分体系里，字数越多、解释越全面，得分往往越高。这就形成了一个正反馈循环：模型越啰嗦，评分越高；评分越高，下一个版本越啰嗦。
Anthropic官方其实也意识到了这个问题。Claude Code内置了“Concise”输出风格，官方描述是“Claude直接给出结果，跳过前言和叙述，默认保持回答简短”。但很多用户反馈这个功能远远不够——规则会随着对话轮次增加而被遗忘，模型很快又会回到那种“充满热情地反复重述”的默认状态。
问题不在于用户不会提要求，而在于模型的“啰嗦”是训练出来的深层习惯，几条表面指令根本压不住。
一份140行的规则文件，凭什么让AI闭嘴
i-have-adhd这个项目的核心，就是skills/i-have-adhd/SKILL.md这个文件。140行，6.65KB，没有模型微调，没有复杂架构，就是一份纯文本规则。
但它做了一件很多提示词工程没做到的事：它不光告诉AI“要简洁”，还解释了“为什么要简洁”。
文件开篇直接定义了五个关于ADHD读者的事实：工作记忆很小，不在屏幕上的内容立刻被遗忘；知道答案不等于能执行答案；开始行动是最难的一步；时间估计对所有人都一样模糊；多巴胺稀缺，看不见的进展等于没进展。
这五个事实不是废话。它们把“为什么需要这种输出风格”说清楚了，而不是简单地命令AI“你给我简短点”。
基于这五个事实，项目定义了10条具体规则。
第一条：以下一步行动开头。第一行必须是读者可以执行的操作，不是背景、不是计划、不是分析。同样是修复认证问题，改造前AI先来一段“好问题！让我想想”，改造后直接就是“运行npm install jsonwebtoken@latest，然后编辑src/auth.ts:42”。
第二条：多步骤任务要编号。每个步骤是一个独立操作，任何一步不能包含两个以上的“然后”。步骤宁少勿多，能合并的就合并。
第三条：以一个具体行动结尾。任何未完成的事情，只给一个两分钟内能做完的动作。不说“希望这有帮助”，只说“下一步：运行测试并把第一个失败的行贴出来”。
第四条：抑制跑题。如果有第二个问题，先完成第一个，再把第二个作为单独的问题提出。
第五条：每轮都重述状态。让读者随时知道进度——“已完成第3步，共5步”。
第六条：给出具体的时间估计。用分钟，不用“一会儿”。
第七条：让成果可见。改动之后，明确告诉读者什么现在能用了。
第八条：实事求是地陈述错误。说清楚位置、原因和修复方案，不加戏。
第九条：列表最多5项。超过5项就拆。
第十条：没有前言、没有总结、没有结尾寒暄。
这套规则本质上是一份“AI回答规范”。它不依赖模型的能力提升，而是通过调整信息出现的顺序和拆分的粒度来改变用户体验。
但有一个问题：规则会被遗忘
Hacker News上关于这个项目的讨论里，有一条评论获得了很高的认同：“在我的经验中，这个技能只能维持几轮对话的简洁性，之后它们就会完全忘记，回到那种无法理解的冗长状态”。
这不是i-have-adhd独有的问题。任何通过提示词或规则文件来约束模型行为的方式，都面临同一个困境：随着对话上下文变长，早期注入的指令会被稀释、被覆盖、被遗忘。
有用户尝试了各种方法——把规则放进全局的CLAUDE.md、在对话中手动重复、用钩子（hook）在每个响应后重新注入规则——效果都不持久。甚至有人让模型自己“调试”为什么总是违反规则，模型发现部分冲突指令来自Claude Code自身的系统提示，而系统提示的权重高于用户自定义规则。
这揭示了一个更深层的问题：模型的“啰嗦”不是表层行为，而是训练数据、对齐目标和奖励机制共同塑造的深层特征。用提示词去压制它，就像用胶带去堵一个正在喷水的水管——能撑一会儿，但迟早会被冲开。
真正的对手不是AI，是训练数据
为什么所有主流模型都有这个毛病？Claude有“Claudeisms”，GLM有类似的问题，连DeepSeek也逃不掉。
答案可能藏在训练数据里。
现代大语言模型的训练数据中，有大量来自技术博客、教程、论坛回答和产品文档的文本。这些文本天然带有解释性结构：先介绍背景，再分析问题，最后给出方案。这种结构对人类读者来说是合理的，但模型学到的不只是结构，还有“铺垫”这种行为本身。
更麻烦的是，互联网上还有大量SEO优化的“干货文章”——为了增加广告展示空间而用各种策略填充内容。这些文本进一步强化了“长=好”的模式。
有研究者指出，这种现象可能正在导致一种“模型坍缩”。每一轮训练都加入更多AI生成的文本，而AI生成的文本本身又带有这种啰嗦特征，于是下一轮模型变得更啰嗦。这是一个自我强化的循环。
Anthropic内部显然也意识到了问题。有信息显示他们正在着手修复，并已经推送了一个临时性的输出风格补丁来对抗Opus 5的糟糕文风。但效果如何，还需要时间验证。
一个项目的意外启示：AI需要“翻译官”
i-have-adhd这个项目最有趣的地方，不在于它解决了什么问题，而在于它揭示了一个被很多人忽视的事实：AI和人类之间的沟通，需要一层“翻译”。
模型知道答案，但它不知道怎样把答案以人类能立刻执行的方式呈现出来。这不是能力问题，是表达方式问题。
项目作者在README里写了一段话：“松散地基于J. Russell Ramsay和Anthony L. Rostain的《The Adult ADHD Tool Kit》一书。改编自LLM应该如何回应，而不是人类应该如何组织他们的一天”。
这句话点出了关键。ADHD患者使用的工具——把大任务拆成小步骤、减少信息负担、让下一步行动清晰可见——这些方法对任何人都有效。它们不是“残疾人辅助工具”，而是“沟通优化器”。
有用户尝试在提示中直接说“我有ADHD，能再解释一遍吗”或“我有ADHD”，发现效果出奇地好。这不是因为AI真的理解了ADHD是什么，而是因为这些词触发了模型输出风格的变化——更短、更直接、更行动导向。
讽刺的是，一个为“特殊人群”设计的工具，最终被证明对所有人都有用。
但你不需要装这个插件也能达到同样效果
i-have-adhd在GitHub上已经获得超过2.6万颗星和1600多个分支。对于一个只包含一份140行规则文件的项目来说，这个数字相当惊人。
但一个值得思考的问题是：你真的需要装这个插件吗？
项目的核心——那10条规则——本质上就是一份提示词模板。你可以直接把规则复制到CLAUDE.md、AGENTS.md或者任何AI助手的系统提示里。甚至更简单：在每次提问后面加一句“直接告诉我该怎么做，不要铺垫”。
项目自己也提供了“Always-on”模式，通过创建一个标记文件让规则在每次会话开始时自动加载。这本质上就是把规则塞进了系统提示里。
但正如前面提到的，无论通过什么方式注入规则，随着对话变长，规则都会被稀释。这不是安装方式的问题，是模型架构的深层限制。
有用户在Hacker News上评论道：“我不认为我们能通过技能（skill）来解决这个问题”。
这话可能有点绝对，但它指向了一个真实的问题：当模型的“啰嗦”是训练出来的深层特征时，表层的规则约束只能治标，不能治本。
一个还没讲完的故事
i-have-adhd这个项目目前在GitHub上仍有多个未解决的问题，包括SessionStart钩子在某些环境下无法加载的bug。项目最近的更新停留在2026年5月。
但这不妨碍它成为一个现象级的项目——用一个140行的规则文件，撬动了2.6万名开发者的关注。
它揭示的真相可能比它解决的问题更重要：AI和人类之间的沟通，远没有我们想象的那么顺畅。模型知道答案，但它不知道怎样把答案说清楚。这不是模型的错，也不是用户的错，这是两个完全不同的认知系统在对话时必然产生的摩擦。
而那个让AI“闭嘴说重点”的简单规则，可能只是这场漫长对话的开始。