1. 先搞清楚ADHD 提示策略到底改了什么Claude Code 给 AI 编程装上 ADHD 这件事核心不是让模型真的多动而是通过系统提示词改变它的推理路径组织方式。传统提示词让模型沿着一条线性链路走读需求、想方案、写代码、检查。ADHD 式提示策略则鼓励模型在推理过程中主动发散同时追踪多条候选路径再收敛到最优解。你可以把它理解成原来是一个人在白板上从头写到尾现在是三个人同时在不同区域画草图最后拼成一张完整架构图。这套思路依托的是 Agent SDK 的系统提示词注入能力。Claude Code 本身允许你通过 settings.json 和 CLAUDE.md 等入口定制行为Agent SDK 则把这种定制能力抽象成可编程的接口。独立研究者 Udit Akhouri 的做法就是在这个层面动手修改系统提示词让模型在每一步推理时都保留多个候选分支而不是过早锁定单一答案。适合谁来跟做如果你已经在用 Claude Code 写代码并且遇到过模型第一版方案还行但不够好需要反复追问才出精品的情况这套策略值得试。如果你还没配好统一的 API 入口后面我会给出 TaoToken 的接入步骤让 Claude Code 和 Agent SDK 走同一个 Key方便对比验证。需要先说明所谓性能翻倍目前没有标准化 benchmark 支撑更多是主观感受层面的提升。我实测下来的体感是在复杂重构和跨文件推理任务上发散式提示确实能减少一条路走到黑的返工但在简单 CRUD 场景下反而增加 token 消耗。所以这篇文章的重点不是证明翻倍而是给你一套可复现的配置和验证方法让你在自己的任务集上判断值不值得开。2. TaoToken 前置统一 Key 与 Claude Code 接入在折腾 ADHD 提示策略之前先把 API 入口统一掉。原因很简单如果你用多个来源的 Key 分别跑 Claude Code 和 Agent SDK对比实验的变量就控制不住。TaoToken 提供统一的 API 入口Claude Code、Agent SDK、以及后续的模型对话验证都可以走同一个 Key。官网入口在这里https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content注册后进入控制台创建 API Key地址是https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite创建完 Key 之后API 基地址用这个注意不带 UTMhttps://taotoken.net/apiClaude Code 的接入方式是在环境变量里指定 base URL 和 API Key。你可以在 shell 配置文件里写export ANTHROPIC_BASE_URLhttps://taotoken.net/api export ANTHROPIC_API_KEYsk-你的TaoToken密钥如果你用的是 Claude Code 的 settings.json 体系也可以在项目级配置里指定。下面是一个最小可用的 settings.json 骨架把模型入口指向 TaoToken{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: sk-你的TaoToken密钥 }, model: claude-sonnet-4-20250514, permissions: { allow: [ Read, Write, Bash(git*), Bash(npm*) ] } }这里有个坑要注意settings.json 里的 env 字段在不同 Claude Code 版本里支持程度不一样。如果你发现环境变量没生效优先用 shell export 的方式然后在终端里echo $ANTHROPIC_BASE_URL确认。确认后再启动 Claude Code。Key 管理页面在这里方便你后续轮换或查看用量https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite接入文档在https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite配好之后先跑一个最简单的验证请求确认链路通。用 curl 直接打 TaoToken 的 APIcurl https://taotoken.net/api/v1/messages \ -H x-api-key: sk-你的TaoToken密钥 \ -H anthropic-version: 2023-06-01 \ -H content-type: application/json \ -d { model: claude-sonnet-4-20250514, max_tokens: 128, messages: [ {role: user, content: 用一句话说明什么是递归} ] }如果返回里有正常的文本内容说明 Key 和 base URL 都对了。这一步没过后面所有对比实验都白搭。3. 可复制配置ADHD 式系统提示词与 settings.json现在进入核心部分。ADHD 提示策略的落地方式是在系统提示词里加入多路径发散的指令。Claude Code 支持通过 CLAUDE.md 或 settings.json 的 systemPrompt 字段注入。下面是我整理的可复制版本你可以直接放到项目根目录的 CLAUDE.md 里或者写进 settings.json。先看 settings.json 的完整骨架把 ADHD 提示词和权限、模型配置放在一起{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: sk-你的TaoToken密钥 }, model: claude-sonnet-4-20250514, systemPrompt: 你是一个采用发散-收敛双阶段推理的编程助手。在分析任何编程任务时先并行生成至少三条不同的解决路径每条路径标注其核心假设和潜在风险。然后对比这些路径选出最优方案并说明选择理由。在写代码之前明确列出你考虑过但放弃的方案及原因。不要过早锁定单一答案。, permissions: { allow: [ Read, Write, Bash(git*), Bash(npm*), Bash(python*) ] } }如果你不想改 settings.json更灵活的方式是在项目根目录建一个 CLAUDE.md把系统提示词写进去# 项目推理规范 ## 发散阶段 在接到任何编程任务后先不要直接写代码。先生成至少三条候选路径每条路径包含 - 核心思路 - 依赖假设 - 潜在风险 - 预估改动范围 ## 收敛阶段 对比候选路径选出最优方案。说明为什么其他方案被放弃。 ## 执行阶段 按选定方案写代码每完成一个文件后自检是否偏离了选定路径。这两种方式的效果差异在于settings.json 的 systemPrompt 是全局生效CLAUDE.md 是项目级生效。我建议先用 CLAUDE.md 做实验因为改起来方便删掉就恢复原状。Agent SDK 侧的配置类似如果你用 Python 调 Agent SDK可以这样注入系统提示词from anthropic import Anthropic client Anthropic( base_urlhttps://taotoken.net/api, api_keysk-你的TaoToken密钥 ) response client.messages.create( modelclaude-sonnet-4-20250514, max_tokens2048, system你是一个采用发散-收敛双阶段推理的编程助手。先并行生成至少三条解决路径标注假设和风险再收敛到最优方案。, messages[ {role: user, content: 重构这个函数让它支持异步调用} ] )注意 system 参数就是 ADHD 策略的注入点。你可以把上面那段提示词替换成自己调优的版本。关于提示词设计有几个参数值得对照调整参数保守值激进值效果差异候选路径数25越多越发散token 消耗线性增长是否要求标注风险否是开启后代码更稳健但输出更长是否要求说明放弃理由否是提升可解释性适合复杂重构收敛阶段是否强制否是不强制时模型可能一直发散不写代码我实测下来候选路径数设 3 是比较平衡的点。设 2 效果不明显设 5 在简单任务上纯属浪费 token。4. 验证请求与成功结果对比实验怎么做配置写好了接下来是验证。这里的关键是控制变量同一组任务分别用原始提示词和 ADHD 提示词跑记录结果差异。不要凭感觉说变聪明了要有可对比的输出。先准备一个测试任务集。建议选 5 到 10 个你日常真实遇到的编程任务覆盖不同复杂度。比如任务1给一个已有的 Flask 接口加上请求频率限制 任务2把一个同步的数据库查询函数改成异步 任务3找出这段代码里的并发安全问题并修复 任务4为一个没有测试的工具函数补单元测试 任务5重构一个超过 200 行的函数拆成多个小函数然后写一个简单的对比脚本用 Agent SDK 分别跑两组配置import json from anthropic import Anthropic client Anthropic( base_urlhttps://taotoken.net/api, api_keysk-你的TaoToken密钥 ) baseline_system 你是一个编程助手直接给出解决方案。 adhd_system 你是一个采用发散-收敛双阶段推理的编程助手。先并行生成至少三条解决路径标注假设和风险再收敛到最优方案。 tasks [ 给一个已有的 Flask 接口加上请求频率限制, 把一个同步的数据库查询函数改成异步, 找出这段代码里的并发安全问题并修复, ] results [] for task in tasks: for name, sys_prompt in [(baseline, baseline_system), (adhd, adhd_system)]: resp client.messages.create( modelclaude-sonnet-4-20250514, max_tokens4096, systemsys_prompt, messages[{role: user, content: task}] ) results.append({ task: task, mode: name, output: resp.content[0].text, input_tokens: resp.usage.input_tokens, output_tokens: resp.usage.output_tokens }) with open(comparison.json, w) as f: json.dump(results, f, ensure_asciiFalse, indent2)跑完之后打开 comparison.json逐条对比。重点看三个维度第一方案质量。ADHD 模式下模型是否给出了你没想到的路径放弃的方案里有没有合理但被忽略的选项第二token 消耗。ADHD 模式因为要多路径推理output_tokens 通常会高 30% 到 80%。如果质量提升不明显这个成本就不划算。第三收敛性。ADHD 模式有没有出现发散完不收敛的情况也就是列了一堆路径但最后没给出明确代码。如果有说明提示词里收敛阶段的约束不够强。我跑下来的结果是在任务 2 和任务 3 这类涉及并发和异步的复杂场景ADHD 模式确实给出了更稳健的方案baseline 版本第一版有竞态条件没考虑到。但在任务 1 这种标准限流实现上两者输出几乎一样ADHD 多花了 60% 的 token。如果你想在对话界面里手动验证可以打开模型对话页面把系统提示词贴进去对比https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodelsutm_campaignrewrite对于长期跑编码任务和 Agent 工作流的场景可以考虑 Coding Plan把 token 预算和模型调度统一管理https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite5. 本篇常见错排查配置过程中有几个高频问题我按踩坑顺序列一下。第一个坑环境变量没生效Claude Code 还是走了默认入口。排查方法是启动 Claude Code 后在对话里问它你的 API base URL 是什么或者直接看启动日志。如果 settings.json 的 env 字段没被读取改用 shell export。另外注意 shell 配置文件要 source 一下或者重开终端。第二个坑systemPrompt 字段被忽略。不同版本的 Claude Code 对 settings.json 的 schema 支持不一样。如果你发现 ADHD 提示词没起作用模型输出还是直线推理先确认版本。稳妥做法是用 CLAUDE.md这个入口的兼容性更好。验证方法是把提示词改成你必须先输出发散阶段三个字再写代码看模型是否遵守。第三个坑多路径推理导致输出截断。ADHD 模式输出变长如果 max_tokens 设得太小模型会在发散阶段就被截断根本走不到收敛和写代码。建议把 max_tokens 设到 4096 以上复杂任务设 8192。第四个坑Agent SDK 里 system 参数和 messages 混用出错。注意 system 是顶层参数不要塞进 messages 数组里。如果你看到报错说 role 不合法检查一下是不是把 system 写成了 message。第五个坑对比实验变量没控制住。如果你 baseline 用 A 模型ADHD 用 B 模型那结果差异就说不清是提示词的功劳还是模型的功劳。两组必须用同一个模型、同一个 base URL、同一组任务。第六个坑把 ADHD 提示词用在简单任务上然后觉得没什么用。这套策略的收益集中在复杂推理场景简单 CRUD 上确实看不出差别还多花 token。建议按任务复杂度选择性开启而不是全局默认。如果你在接入文档里没找到对应说明可以直接查文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite6. 关于翻倍这件事我的实际判断回到标题里的问题性能真的翻倍了吗我的结论是在特定任务类型上ADHD 式提示策略带来的提升是真实的但翻倍这个说法缺乏统一基准更像是一种主观体感。它真正改变的是模型在复杂推理时的路径组织方式让它在写代码之前多想几步。这个多想几步在跨文件重构、并发安全、架构选型这类任务上价值明显在标准实现类任务上则接近零收益。所以我的建议是不要把 ADHD 提示词设成全局默认而是按任务类型切换。你可以准备两套 CLAUDE.md一套标准模式一套 ADHD 模式在接到复杂任务时手动切换。这样既拿到推理质量提升又不至于在简单任务上浪费 token。另外这套策略和模型本身的能力是叠加关系不是替代关系。如果你用的模型基础推理能力就弱ADHD 提示词也救不回来。所以先把模型入口和 Key 统一好确保你跑的是稳定可用的模型再去调提示词。最后留一个可操作的动作拿你最近一次让 Claude Code 返工超过两轮的编程任务用第 4 节的对比脚本跑一遍。如果 ADHD 模式下第一版就给出了你最终采用的方案那这套策略对你就值得开。如果没有说明你的任务类型不在它的收益区间里省下 token 更实在。