给AI贴个ADHD标签，Token消耗砍半：AI编程助手提示词优化实践

1. 一个反直觉的发现给 AI 贴个“多动症”标签Token 消耗直接砍半先说结论省得你往下翻半天我在 Cursor 里给项目规则文件加了一段“我有 ADHD请用最短路径回答我”的提示词同一个重构任务Token 消耗从 1.2 万降到了 6000 出头响应速度肉眼可见地变快而且代码质量没有下降。这个发现纯属偶然但复盘之后发现背后的逻辑非常硬核值得单独拿出来讲。事情的起因很简单。我用 Cursor 做一个小型 Node 服务的重构任务不复杂就是把散落在三个文件里的工具函数抽成一个公共模块再补上单元测试。按理说这种活儿 Cursor 应该几分钟搞定结果它给我洋洋洒洒输出了一大段——先复述我的需求再分析现有代码结构然后给出三种重构方案并逐一对比优劣最后才开始动手改代码。整个过程消耗了将近 1.2 万 Token其中真正有用的代码改动可能只占三分之一。我当时就有点烦。不是心疼那点额度而是这种“过度表达”让整个交互变得很拖沓。你得等它把废话说完才能看到关键内容。于是我随手在项目规则里加了一句话“我有 ADHD注意力容易分散请直接给结果不要解释过程不要列多个方案让我选选你认为最好的直接做。” 然后重新跑了一遍同样的任务。结果让我愣了一下。Token 消耗降到 6000 左右输出内容精简了一大半但代码改动完全正确测试也一次性通过。更关键的是它不再问我“你希望用哪种方案”而是直接选了一个合理的方案执行。整个交互从“开会讨论”变成了“你说我做”。这个现象引起了我极大的兴趣。我开始系统性地测试不同表述方式对 Token 消耗的影响测试范围覆盖了 Cursor、ZCode 以及几个主流的 AI 编程助手。测下来发现“ADHD 提示词”并不是玄学它触发了模型行为模式的一个深层切换。下面我把整个测试过程、背后的原理、以及你可以直接抄的配置方案完整拆解一遍。2. 为什么“多动症”三个字能省 Token从模型行为模式说起2.1 大模型默认的“安全策略”就是多说废话要理解这个现象得先搞清楚大模型在面对编程任务时的默认行为逻辑。当前主流的大语言模型在训练阶段都经过了对齐处理核心目标之一是“有用且无害”。什么叫有用在模型的判断里给出多个方案、解释推理过程、确认用户意图这些都是“有用”的表现。什么叫无害不擅自做决定、不跳过确认步骤、不省略解释这些是“无害”的保障。这套逻辑在通用对话场景下没问题但在编程场景下就变成了负担。你让 AI 改一行代码它先给你分析这行代码在架构中的位置再列出三种改法然后问你选哪种。你选了之后它还要确认一遍“你确定要这样改吗”。这一套流程走下来Token 消耗自然就上去了。我做过一个粗略统计在 Cursor 默认配置下一个中等复杂度的编程任务Token 消耗的构成大致是这样的消耗类型占比说明需求复述与确认15%-20%把你说的话换个说法再说一遍方案列举与对比25%-30%给出多个方案并分析优劣过程解释20%-25%解释为什么这样改、改了什么实际代码输出30%-40%真正有用的部分也就是说超过一半的 Token 花在了“沟通”上而不是“干活”上。这就像你请了个装修师傅他每刷一面墙都要先跟你讨论用什么牌子的油漆、刷几遍、为什么选这个颜色讨论完了才动手。讨论本身有价值但如果你已经明确说了“你看着办”这些讨论就是纯浪费。2.2 “ADHD”提示词触发了什么机制那为什么“我有 ADHD”这句话能改变模型的行为关键在于它改变了模型对“用户画像”的推断。大模型在生成回复时会基于提示词构建一个用户画像然后根据这个画像调整输出策略。默认情况下模型假设用户是一个“需要被说服、需要被教育、需要被确认”的普通用户。但当你说“我有 ADHD”时模型会推断这个用户注意力容易分散长篇大论会让他失去耐心多方案选择会让他决策困难所以他需要的是直接、简洁、确定性的输出。这个推断链条一旦建立模型就会主动压缩输出中的“沟通成本”。具体表现为不再复述需求因为复述对 ADHD 用户来说是冗余信息不再列举多个方案因为多选对 ADHD 用户是决策负担不再解释过程因为过程解释对 ADHD 用户是注意力消耗。它直接跳到结果用最短路径完成任务。我实测下来这个机制在 Cursor 和 ZCode 上都有效但在不同模型上的表现有差异。Claude 系列对“ADHD”提示词的响应最明显Token 压缩率能达到 40%-50%GPT 系列大概在 30%-40%国产模型如 DeepSeek 和智谱的 GLM 系列压缩率在 25%-35% 之间。差异的原因在于不同模型对用户画像的敏感度不同但方向是一致的。2.3 这不是“偷懒”而是“精准匹配”有人可能会担心让 AI 少说话会不会导致它偷懒、漏掉关键步骤我一开始也有这个顾虑所以专门做了对照测试。同一个重构任务一组用默认配置一组用 ADHD 提示词然后对比输出的代码质量。测试结果让我放心了。在 20 个测试任务中ADHD 组的代码改动正确率是 95%默认组是 90%。ADHD 组反而略高一点。原因在于默认组因为输出太长有时候会在后半段出现“注意力漂移”改着改着就改偏了。而 ADHD 组因为输出短模型能把全部注意力集中在核心改动上反而更稳定。这就像写文章。你让一个人写 5000 字的分析报告他可能在第三部分就开始凑字数了。你让他写 500 字的结论他反而会字斟句酌。Token 少不代表质量低有时候恰恰相反。3. 实操方案在 Cursor 和 ZCode 里配置你的“ADHD 规则”3.1 Cursor 的配置方法Cursor 的项目规则文件是.cursorrules放在项目根目录下。这个文件会在每次对话时被注入到系统提示中相当于给 AI 定了一套“行为准则”。你可以直接在里面加入 ADHD 相关的指令。我目前用的配置是这样的你可以直接复制# 行为准则 - 我有 ADHD注意力容易分散请用最短路径回答 - 不要复述我的需求直接执行 - 不要列举多个方案让我选选你认为最优的直接做 - 不要解释过程除非我明确问“为什么” - 代码改动直接给 diff不要贴完整文件 - 如果任务复杂需要分步每步只做一件事做完等我确认这里有几个细节值得展开说。第一“不要复述我的需求”这条很关键。默认情况下 Cursor 会先把你说的需求换个说法复述一遍美其名曰“确认理解”实际上纯属浪费。加上这条之后它直接跳过复述环节。第二“选你认为最优的直接做”这条解决了多方案选择的问题。默认情况下 Cursor 喜欢给两到三个方案然后让你选。但很多时候你并不关心用哪种方案你只想要一个能跑的结果。这条指令让它自己做决定省掉了来回确认的 Token。第三“代码改动直接给 diff”这条对 Token 消耗的影响最大。默认情况下 Cursor 会把整个文件重新贴一遍哪怕只改了一行。改成 diff 之后输出量能减少 70% 以上。注意.cursorrules文件对 Cursor 的所有对话生效包括 Chat 和 Composer。如果你只想在特定任务中启用 ADHD 模式可以在对话开头临时加上“这次请用 ADHD 模式回答”。3.2 ZCode 的配置方法ZCode 的规则配置方式和 Cursor 略有不同。它支持在项目设置里配置“系统提示词”也支持通过.zcode/rules文件来定义项目级规则。我一般用后者因为可以跟着项目走换电脑也不用重新配。ZCode 的规则文件格式是 Markdown我用的配置如下# 项目规则 ## 输出风格 - 用户有 ADHD请保持输出简洁 - 直接给结果不要过程解释 - 不要问“你确定吗”直接执行 - 代码改动用 diff 格式 ## 任务执行 - 一次只做一件事 - 做完直接报告结果不要总结 - 遇到歧义时选最合理的方案不要问我ZCode 对规则文件的解析比 Cursor 更严格一些它会把规则文件的内容作为系统提示的一部分注入。实测下来ZCode 对“不要问‘你确定吗’”这条的响应特别好加上之后基本不会再出现确认弹窗式的追问。另外提一句ZCode 最近有个“Skill”机制可以把常用的规则集打包成一个 Skill在不同项目之间复用。我把 ADHD 规则做成了一个 Skill叫“concise-mode”新项目直接挂载就行不用每次都复制粘贴。3.3 不同场景下的规则微调ADHD 规则不是一刀切的不同任务类型需要微调。我整理了一个对照表任务类型推荐规则调整原因简单重构全量 ADHD 规则任务明确不需要讨论新功能开发保留“不要复述”但允许列方案新功能需要方案对比Bug 排查保留“直接给结果”但要求解释根因排查需要理解原因代码审查关闭 ADHD 模式审查需要详细说明学习型任务关闭 ADHD 模式学习需要过程解释这个表的逻辑很简单任务越明确、越偏向执行ADHD 规则就越适用任务越需要探索、越偏向学习就越应该让 AI 多说。4. 实测数据Token 消耗对比与质量验证4.1 测试环境与任务设计为了验证 ADHD 提示词的实际效果我设计了一组对照实验。测试环境是 Cursor 0.45 版本底层模型分别用 Claude 3.5 Sonnet 和 GPT-4o。测试任务是 10 个真实的编程任务涵盖重构、Bug 修复、单元测试编写、API 对接等类型。每个任务分别在默认配置和 ADHD 配置下各跑一次记录 Token 消耗和代码质量。Token 消耗直接从 Cursor 的用量面板读取代码质量由我自己人工评估评估维度包括改动是否正确、是否引入新 Bug、是否符合项目代码风格。4.2 Token 消耗对比数据先看 Token 消耗的对比。下表是 10 个任务的平均值模型默认配置 TokenADHD 配置 Token压缩率Claude 3.5 Sonnet11,8006,20047.5%GPT-4o10,5006,80035.2%Claude 的压缩率明显更高这和我之前的判断一致——Claude 对用户画像的敏感度更高一旦识别出“ADHD 用户”它会更激进地压缩输出。GPT-4o 相对保守一些但 35% 的压缩率也相当可观了。具体到单个任务差异最大的是一个“抽取公共模块”的重构任务。默认配置下 Claude 消耗了 15,200 TokenADHD 配置下只用了 5,800 Token压缩率 62%。差异最小的是一个 Bug 修复任务默认 8,000 TokenADHD 配置 6,500 Token压缩率 19%。这说明任务越复杂、默认输出越啰嗦ADHD 规则的压缩效果越明显。4.3 代码质量验证Token 省了质量有没有下降我逐个人工检查了 20 次输出的代码改动。结果如下评估维度默认配置ADHD 配置改动正确率90%95%引入新 Bug 次数2 次1 次代码风格符合度85%90%ADHD 配置在三个维度上都略优于默认配置。这个结果乍看反直觉但细想也合理。默认配置下AI 输出太长有时候会在后半段“跑偏”比如改着改着突然开始优化不相关的代码。ADHD 配置下输出短AI 的注意力更集中反而更稳定。实操心得ADHD 规则对“简单但重复”的任务效果最好比如批量改命名、统一代码风格、补类型注解。这类任务默认配置下 AI 会反复解释ADHD 配置下直接批量执行效率提升非常明显。5. 常见问题与避坑指南5.1 ADHD 规则不生效怎么办最常见的问题是规则写了但 AI 不遵守。我遇到过几次排查下来通常是这几个原因第一规则文件位置不对。Cursor 的.cursorrules必须放在项目根目录放在子目录里不生效。ZCode 的规则文件路径也要确认清楚不同版本可能有差异。第二规则表述太模糊。“请简洁一点”这种表述 AI 很难执行因为它不知道“简洁”的标准是什么。要具体到“不要复述需求”“不要列多个方案”这种可操作的程度。第三规则被其他配置覆盖。如果你在对话中临时加了其他指令可能会和 ADHD 规则冲突。比如你说了“详细解释一下”AI 就会优先执行这个指令忽略 ADHD 规则。第四模型本身不支持。不是所有模型都对用户画像敏感。我测试下来Claude 和 GPT 系列效果最好部分国产模型效果一般。如果你用的模型不响应可以试试换模型。5.2 什么时候不该用 ADHD 模式ADHD 模式不是万能的有些场景下用了反而坏事。我踩过的坑包括学习新框架时用了 ADHD 模式结果 AI 只给代码不解释我完全看不懂为什么这样写。后来关掉 ADHD 模式让 AI 详细解释每一步才真正学会了。代码审查时用了 ADHD 模式AI 只报告“这行有问题”不说明问题是什么、为什么有问题。审查的核心价值就是理解问题光知道有问题没用。需求不明确时用了 ADHD 模式AI 自己选了一个方案执行结果选错了方向返工成本更高。这种时候应该让 AI 列方案你来选。5.3 常见问题速查表问题现象可能原因解决方法规则不生效文件位置错误确认规则文件在项目根目录规则不生效表述太模糊改成可操作的具体指令规则不生效被临时指令覆盖检查对话中是否有冲突指令输出仍然很长模型不敏感换 Claude 或 GPT 系列模型输出太短漏了关键步骤规则过于激进适当放宽允许必要解释AI 不问确认直接改错了任务本身有歧义关闭 ADHD 模式先明确需求5.4 一个容易被忽略的细节规则顺序规则文件里的指令顺序会影响效果。我把“不要复述需求”放在第一条因为这是最基础的压缩指令。如果放在后面AI 可能已经复述完了才看到这条规则。同理“不要列多个方案”要放在“选最优方案直接做”前面先禁止列方案再告诉它怎么做。这个细节是我反复调整规则文件时发现的。同样的规则内容换个顺序效果能差 10%-15%。你可以把最重要的压缩指令放在最前面次要的放后面。6. 从“ADHD 提示词”延伸出去的几个玩法6.1 用“角色扮演”进一步压缩输出ADHD 提示词的本质是让 AI 调整输出策略。沿着这个思路你可以用更具体的角色设定来进一步压缩。比如“你是一个赶着下班的资深工程师用最少的字把活干完。”这个设定比 ADHD 更具体因为它给 AI 一个明确的“时间压力”场景。我实测下来这个提示词的压缩效果和 ADHD 差不多但输出风格更“干脆”适合那种你只想快速拿到结果的场景。另一个好用的角色是“你是一个不耐烦的技术主管不要跟我讨论直接告诉我改哪里”。这个设定对 Bug 修复类任务特别有效AI 会直接给 diff连“我找到了问题”这种话都省了。6.2 把 ADHD 规则和 Skill 机制结合ZCode 的 Skill 机制可以把规则集打包复用。我把 ADHD 规则做成了一个 Skill同时在里面预置了几套不同场景的变体。比如“concise-refactor”用于重构“concise-fix”用于 Bug 修复“concise-test”用于写测试。每个变体的规则略有不同但核心都是压缩输出。这样做的好处是新项目直接挂载 Skill 就行不用每次重新配规则。而且 Skill 可以分享给团队成员保证大家的 AI 行为一致。我们团队现在统一用这套 Skill代码审查时发现 AI 输出的风格明显统一了。6.3 反向操作用“话痨模式”做代码审查ADHD 模式的反面是“话痨模式”。在需要深度分析的场景下你可以反过来要求 AI 多说。比如“请用最详细的方式解释这段代码的问题假设我是一个刚入行的新人每个细节都要讲清楚。”这个提示词在代码审查和学习场景下特别好用。AI 会逐行分析指出潜在问题解释为什么这样写不好。虽然 Token 消耗上去了但换来的理解深度是值得的。关键是要根据场景切换模式而不是一套规则用到底。我现在的工作流是执行类任务用 ADHD 模式学习类任务用话痨模式审查类任务用默认模式。三种模式切换着用整体效率比只用一种模式高很多。6.4 一个进阶技巧用 Token 预算反向约束输出除了用提示词约束你还可以直接给 AI 一个 Token 预算。比如“这个任务请控制在 2000 Token 以内完成。”这个指令会让 AI 主动压缩输出因为它需要“省着用”。我实测下来给 Token 预算的效果和 ADHD 提示词类似但更精确。缺点是 AI 有时候为了省 Token 会跳过必要的步骤导致输出不完整。所以这个技巧适合那些你非常清楚任务复杂度、能给出合理预算的场景。我一般把 Token 预算和 ADHD 规则结合使用。先用 ADHD 规则让 AI 进入简洁模式再给一个预算上限双重约束下输出会非常精炼。7. 我踩过的坑和最后几条实在建议先说几个我踩过的坑帮你省点时间。第一个坑是规则写太狠。我一开始把规则写成“不要解释任何东西”结果 AI 连“改完了”都不说直接给个 diff 就结束了。有时候我需要知道它改了哪些文件但规则里没留口子只能自己去翻。后来改成“不要解释过程但要列出改动的文件”就好多了。第二个坑是忘了关。有次做代码审查忘了关 ADHD 模式AI 只报告“第 42 行有问题”不说什么问题。我盯着那行代码看了半天才发现是个空指针风险。审查场景一定要关掉 ADHD 模式或者至少允许 AI 解释问题。第三个坑是跨项目复制规则时没调整。不同项目的技术栈不同规则也要微调。比如前端项目里“不要贴完整文件”这条要慎用因为前端组件经常需要看完整结构才能理解改动。后端项目里这条就没问题。最后分享一个我最近在用的技巧把 ADHD 规则和“分步执行”结合。规则里写“如果任务需要多步每步只做一件事做完等我确认”。这样 AI 不会一口气把十步都做完而是做一步停一下。虽然交互次数多了但每次的 Token 消耗都很低而且你能及时纠偏避免 AI 一口气跑偏。这个方式特别适合复杂重构我现在的重构任务基本都用这个模式。另外如果你在用 Cursor 的 Composer 功能建议把 ADHD 规则同时写进.cursorrules和 Composer 的指令框里。Composer 有时候会忽略项目规则文件双重保险更稳。ZCode 那边也是类似规则文件和对话指令双管齐下效果比只写一处好。这套方法我用了大概两个月累计省下来的 Token 额度相当可观更重要的是交互效率提升明显。以前一个重构任务要来回确认三四次现在基本一次过。如果你也在用 AI 编程助手强烈建议试试这个思路。不用照搬我的规则根据自己的习惯调整就行核心是让 AI 知道你要的是结果不是讨论。