adhd: 一个防止AI代理锚定偏见的并行发散式构想框架
adhd: 一个防止AI代理锚定偏见的并行发散式构想框架
What it solves
ADHD 解决了 "premature convergence" 和自回归推理中的锚定偏见。在标准的 Chain-of-Thought 或 Tree-of-Thought 中，代理往往会锁定在他们的第一个想法上，并且无法探索广泛的非显而易见的解决方案或识别其推理过程中的潜在陷阱。
How it works
该项目实现了一个两阶段循环，在生成和评估之间有严格的机械分离：
- Diverge：系统生成 N 个并行隔离的 LLM 调用。每个调用都会获得一个特定的 "cognitive frame"（优势点提示），并且被禁止评估结果。由于这些进程没有共享上下文，它们不可能相互锚定对方的想法。
- Focus：单独的评论家 LLM 调用根据新颖性、可行性和适配性对想法进行评分。然后它将想法进行聚类，修剪掉 "traps"（诱人但有缺陷的想法），并将顶部 K 个幸存者深化为详细的草图。
Who it’s for
它专为需要为复杂任务（如设计决策、API 表面设计、模糊调试、命名和战略规划）进行高质量构想的开发者和 AI 代理构建者而设计。
Highlights
- Architectural Fix：通过使用隔离的并行进程，将锚定视为结构问题而非提示问题。
- Trap Detection：具体识别并解释为什么某些常见但有缺陷的想法应该被避免。
- Agent-Agnostic：可以作为各种代理（Claude Code, Cursor, Windsurf 等）的技能安装，或作为 TypeScript 库/CLI 使用。
- Proven Performance：基准测试表明，与单次基线相比，新颖性和陷阱检测方面有显著提升。
SUMMARY: 一个通过在不同认知框架下生成孤立的并行推理过程来防止锚定偏见的 AI 代理推理框架，随后使用单独的评论家来收敛到最佳解决方案。
TITLE: adhd: 一个防止AI代理锚定偏见的并行发散式构想框架