ADHD：用并行发散思考修复 AI 编码代理的过早收敛

当你在 Claude Code 里问"给我几个设计方案"，它给出的往往是一组看起来很合理、实则都困在同一条思路里的答案。问题不在提示词写得不够好，而在推理架构本身：自回归模型会锚定它先说的那个想法。ADHD 把这个问题当作架构缺陷而不是提示词缺陷来处理——这篇文章讲清楚它怎么做的、代价在哪、什么时候值得用。

一分钟总览

ADHD（可理解为 “parallel divergent ideation”，并行发散思考）是 Udit Akhouri 为编码 Agent 写的一个 skill，基于 Claude 与 Codex Agent SDK。核心机制是两阶段循环：

Diverge（发散）: 选 N 个认知框架，并行发起 N 个互相隔离的 Agent 调用
                 每个只看到"问题 + 一个框架的视角提示"，且系统提示禁止评估
                 ——分支间互不可见，没有锚定
Focus（聚焦）:   独立批判调用，给每个想法打 新颖性/可行性/契合度 分
                 标记陷阱并给原因，按底层角度聚类，把 Top-K 幸存者深化成带风险与第一步的草图

生成与批判是机械分离的——两个独立的 LLM 调用、相反的 system prompt，而不是在一条提示词里承诺"请批判性思考"。因为批判本身也是模型输出，把"产出想法"和"审视想法"放进同一次推理，后者很容易被前者带偏。

安装一行命令：npx skills add UditAkhourii/adhd，兼容 Claude Code、Cursor、Codex、Cline、Gemini CLI、Windsurf 等 50 多种 Agent。

它针对的架构问题

这个想法立意的出发点，是自回归推理的两条主干路径的共性缺陷：线性 Chain-of-Thought（CoT，思维链）锚定它先输出的内容；Tree-of-Thought（ToT，思维树）扩大了搜索空间，但所有分支仍共享同一份上下文，锚定会跨分支持续存在。ADHD 的答案是在发散阶段做真正的隔离：

• 每个分支进程有零共享上下文
• 每个分支被一个刻意扭曲的认知框架驱动
• 独立的批判过程负责打分、聚类、剪枝陷阱、深化幸存者

“刻意扭曲"是关键。正常的思考会收敛到最稳妥的角度；这里故意给每个分支一个偏离主流的视角（比如经济激励、感知扭曲、冗余竞赛），逼它看到默认视角看不到的选项。三个参数直接控制发散宽度与聚焦深度：

--frames 3   一次用几个认知框架（发散宽度）
--ideas 8    每个框架产出几个想法
--top 2      最终保留深化几个幸存者（聚焦深度）

适合的场景：设计决策、模糊调试、命名、API 表面设计、策略，以及任何形如"给我几个思路"的提问。

一个直观的对比案例

README 里给出一个经典评估问题：“我们有个调用 LLM 的 CLI 有时会挂起 90 秒，设计正确的重试/超时/UX 策略。”

基线（单次提问）走通了四个教科书模式：分阶段超时、快速失败 + 指数退避、hedged 并行请求、流式 keepalive，最后给一个 15s/30s/90s 的混合建议。合理、专业，但没有命名任何陷阱，也没有质疑"等待然后重试同一个模型"这个框架本身。

ADHD 展开 6 个隔离框架，浮出 30+ 个跨 经济激励、异步控制面、游戏化、感知扭曲、集体智能、冗余竞赛 聚类的想法，然后：

• 非显而易见的选点：“rage-quit = 一键中止 + 切换到更便宜/更快的模型”——一个等待越久脉搏越热的按钮，一次点击取消并重新提交给 Haiku 级别模型。基线从未考虑过的关键点：慢模型可能根本不是这个提示词该用的模型。
• 附带短名单：30s 时侦察式 fork 到备选端点；把 CLI 守护进程化并带 ticket ID；并发跑 3 个 LLM 副本、缓存胜者。
• 标记 20 个陷阱并各附一行原因——包括"反向流式 token"和"耐心 token 计费"这类看起来很可爱、实则浪费工程时间的想法。

独立 LLM 评审：广度 9 vs 6、新颖性 8 vs 3、陷阱检测 ~8 vs ~2。

实测数据

这个 benchmark 在测什么，要先说清楚：它测的不是解码质量或代码正确性，而是开放式工程问题上的方案探索能力。项目给出 6 个开放式工程问题的平均分对比（0-10，ADHD vs 单次基线），由独立 LLM 以怀疑的资深工程师提示词评判，A/B 顺序随机化：

6 个问题上 ADHD 赢下 5 个，最大差距出现在陷阱检测（基线几乎从不点名"看起来诱人、实则会翻车"的想法）——这正是"批判与生成分离"这段机制的直接收益。但也要警惕这些数字能推出什么、推不出什么。项目在评测文档里也坦承了它的局限，值得原样读一遍：

• 同模型判分：评审与被评审是同一模型家族，自带熟悉性偏差；跨模型判分仍在路线图上。
• 样本很小：只有 6 个问题，且全是工程向的。
• 规模代差：评测跑在 K=5 分支上，而学术界的多样性研究普遍在 K=100 规模。
• 反例未被回避：一项受控的 CHI 2025 研究发现，在人类设计师 + LLM 问题重构场景下收益不显著；ADHD 是 LLM 对 LLM，语境不同，但这确实是坦诚的反面证据。

收益主要来自发散与批判带来的广度、新颖性与陷阱检测，以显著的时间和 token 成本换取——不是所有任务都值得。 对具体问题，最好自己用同一模型跑一遍 ADHD 与单次基线对比，不要无条件相信榜单数字。

它怎么接入你的 Agent

npx skills add UditAkhourii/adhd        # 自动检测你的 Agent

然后在 Claude Code 里显式调用 /adhd "your problem"，或让它按意图自动触发。CLI 与库两种形态：

adhd "name this function" --frames 3 --ideas 8 --top 2

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(renderText(result));
// result.shortlist · result.nonObviousPick · result.traps · result.deepened · result.clusters

生态信号

按项目方整理，ADHD 已在多个开源项目落地：repowire 第一个把它正式移植到自己的 mesh-orchestrator 原语（PR #313 合并后作为默认编排模板内置）、mstack 把它 vendored 进插件市场作为 think 插件、zk-flow-oss 把 IDEATION_FRAMES 前置于批判工作流以削弱锚定、han（testdouble）发布了 11 个来源、8 轮验证的研究型应用。The New Stack 也为它做过专题报道。整体属于"有人认真接手、也有人在挑刺迭代"的早期阶段——信号积极，但离成熟共识还早。

适用边界

• 适合：设计决策、模糊调试、命名、API 设计、策略，以及需要"多个方案 + 识别坑"的创意/跨学科工作。
• 不适合：确定性任务（明确的正误答案、简单重构），这类任务发散反而浪费时间；对延迟和成本敏感、且任务收益覆盖不了约 2 倍开销的场景。
• 采用顺序建议：先在 1 个真实问题上用单次基线跑一遍，记住它漏掉什么；再装 ADHD 跑同题，对比是否有质的补充。若你的日常工作靠"广撒网、多探测"赚钱，这 2 倍开销是划算的。

小结论

ADHD 的贡献不是又一个"更聪明的提示词”，而是把发散-批判变成了一种机械强制、互相隔离的架构，直接回应了自回归推理"先入为主"的结构性缺陷。它的权衡也很诚实——用时间和 token 换广度和陷阱识别。如果你的工作是"从一堆选项里找出真正好的那个"，装上这个 skill 跑一次对比，会比空想"要不要发散思考"更有说服力。