隔离上下文打破思维锚定：ADHD 如何强制模型跳出常规逻辑

大部分推理 Agent 的优化路径都集中在两点：要么堆砌更复杂的提示词，要么通过 Tree-of-Thought（ToT）扩大搜索空间。但 ADHD 项目（作者 Udit Akhouri）直接否定了这种思路：问题出在模型内部的信息流动上，而不是表面的提示设计。

共享上下文的陷阱：锚定效应如何形成

主流方法无论是线性思考链（Linear CoT）还是树状分支（ToT），都依赖同一个上下文窗口。这意味着第一步的结论、偏见或错误逻辑会像病毒一样传播到后续所有分支。模型看似在“发散思考”，实则是在为一个错误的初始假设做无用功。例如，如果第一个分支给出“指数退避重试”的标准答案，后续分支很难跳出这个框架，哪怕问题本身有更合理的解决方案。

ADHD 的核心突破在于：物理层面的信息隔离。它不依赖于“换个角度思考”这样的软性引导，而是通过架构设计强制断开进程间的联系。

如何实现思维隔离：极端框架与零上下文共享

ADHD 的关键在于运行 N 个完全独立的推理进程，每个进程都有各自的“扭曲认知框架”（Distorted Cognitive Frame）。以 API 超时重试为例：

• 传统模型会输出“指数退避、超时设置”等工程师惯用的套路。
• ADHD 模式则强制一个进程从“游戏化”（gamification）视角出发，另一个进程从“感知扭曲”（perceptual-distortion）视角切入。

结果是，模型能够提出“愤怒退出”按钮、用户主动切换到轻量级模型（如 Claude Haiku）等非标准方案。这些思路在共享上下文环境下几乎不可能自发产生，因为模型会被第一个结论的“重试逻辑”锚定。

生成与评审的严格分离

仅仅发散思考还不够——ADHD 将生成和评审过程完全解耦。具体步骤如下：

1. 独立进程生成：每个框架（如经济激励、感知扭曲、冗余竞争、技术债）单独运行，禁止交叉引用。
2. Critic 进程过滤：一个独立的“评论家”进程负责打分、聚类和剪枝，过滤掉“平庸/教科书式”的答案，只保留具有新颖性的路径。

这种设计基于一个观察：共享上下文时，第一个代理的结论会成为后续代理的锚点，导致思考变成了对初始假设的微调，而不是从零开始。通过物理隔离，ADHD 确保每个代理都从“干净”状态出发，避免被前序逻辑污染。

常用框架示例及执行流程

以下是 ADHD 采用的部分“认知框架”示例（命令保持原样）：

### Task: [填写核心任务]

# 隔离推理框架指令集 (ADHD-Style)

1. **[Frame: Economic Incentive]**
   - 视角：成本、资源分配、ROI。
   - 目标：暴露当前方案中最浪费资源的点。

2. **[Frame: Perceptual Distortion]**
   - 视角：极端用户体验（如响应极慢、UI 混乱）。
   - 目标：用户在压力下会如何感知系统？

3. **[Frame: Redundancy Race]**
   - 视角：过度设计、冲突、竞争。
   - 目标：寻找为了解决小问题而引入的复杂性。

4. **[Frame: Archeologist]**
   - 视角：遗留问题、技术债。
   - 目标：假设当前系统是 10 年前开发的，会有哪些隐患？

# 执行步骤
- **Step 1**：对每个框架独立运行推理，**严禁引用其他框架的结论**。
- **Step 2**：汇总所有输出，由 Critic 进程进行 **Trap Detection**（陷阱检测）。
- **Step 3**：剔除所有“Standard/Textbook”式的答案，仅保留 **Novelty**（新颖度）路径。

这种方法的核心在于，将“寻找新思路”转化为概率问题：通过增加隔离维度和极端框架，模型被迫跳出概率分布最高的“平庸路径”。目前，类似的“发散隔离 + 独立审计”模式已经被部分开发者纳入工作流，取代了单纯优化提示词的传统做法。