ADHD für Coding Agents: Ein paralleler Reasoning-Ansatz im Tree-of-Thought-Stil

Ein CLI-Aufruf an ein LLM friert gelegentlich für 90 Sekunden ein. Wie sollten Retry- und Timeout-Logik aussehen? Die Lehrbuchantwort ist naheliegend: exponentielles Backoff mit Jitter, ein absolutes Timeout und ein automatischer Retry. Das ist nicht falsch. Aber vielleicht fehlt die wichtigere Frage: Ist wirklich das Netzwerk langsam, oder wurde schlicht das falsche Modell gewählt? Sollte der Button mit zunehmender Wartezeit dringlicher wirken und einen Klick anbieten, der auf ein schnelleres Modell wechselt?

ADHD ist für genau diese Problemklasse gebaut. Es ist kein Prompt, der dem Agent sagt: „Denk noch einmal nach.“ Es ist eine parallele Reasoning-Struktur für KI-Coding-Agents. Mehrere isolierte Branches divergieren durch unterschiedliche kognitive Frames. Danach bewertet ein separater Critic die Ergebnisse, clustert sie, schneidet Fallen weg und vertieft die überlebenden Ideen. Dieser Guide konzentriert sich auf Mechanismus, Grenzen und sinnvolle Einsatzpunkte.

Was ADHD ist (kein Prompt-Trick)

ADHD hat eine klare Positionierung: Es soll vorschnelle Konvergenz in autoregressivem Reasoning reduzieren, nicht nur motivierende Wörter in einen Prompt streuen.

Autoregressive Modelle erzeugen Token für Token. Sobald die ersten Schritte eine Richtung wählen, baut der Rest der Antwort um diese Richtung herum. Das ist effizient, zeigt bei offenen Engineering-Aufgaben aber eine Schwäche: Die erste plausibel wirkende Antwort wird zum Anker. Das Modell rutscht auf den häufigsten, lehrbuchartigsten Pfad. Diese Antwort ist oft gut genug, verpasst aber häufig die weniger offensichtliche Option, die mehr Wert hätte.

Normale Prompts können das Modell auffordern, „mehrere Optionen zu vergleichen“, „aus verschiedenen Blickwinkeln zu denken“ oder „nicht zu früh zu schließen“. Das Problem: Diese Branches teilen weiter denselben Kontext. Das Modell generiert und bewertet im selben Raum. Sobald eine frühe Richtung sichtbar ist, kommen spätere Branches schwer davon weg.

ADHD wählt einen härteren Ansatz. Die Divergenzphase wird in N vollständig isolierte Agent-SDK-Aufrufe aufgeteilt. Jeder Branch sieht nur das ursprüngliche Problem, einen kognitiven Frame und einen System-Prompt, der Bewertung verbietet. Die Branches teilen keinen Kontext. Erst danach nutzt die Focus-Phase einen separaten Critic-Aufruf, um Ergebnisse zu bewerten, zu clustern, zu beschneiden und zu vertiefen.

Kurz gesagt: CoT lässt einen Kopf langsamer denken, Tree-of-Thought lässt einen Kopf breiter suchen, und ADHD lässt mehrere Köpfe parallel anders denken, bevor ein Critic auswählt.

Zweistufiger Mechanismus: Eine harte Wand zwischen Diverge und Focus

ADHD basiert auf zwei Phasen: Phase 1 Diverge und Phase 2 Focus. Zwischen ihnen steht eine harte Wand. Während der Divergenz ist Bewertung verboten. Erst die Focus-Phase darf konvergieren.

Alibaba Cloud - Top-Wahl für Entwickler, exklusiv 15 % Rabatt auf Lighthouse-Server

15 % Rabatt sichern →Anzeige

Phase 1 Diverge: N parallele isolierte Branches

Die erste Phase wählt N kognitive Frames aus, standardmäßig N=5, und startet dann N isolierte Agent-SDK-Queries parallel. Jeder Branch erhält nur drei Eingaben:

1. Das ursprüngliche Problem.
2. Den Blickwinkel-Prompt eines Frames, etwa das Problem durch Latenz, Speicherlayout, Regulierung, On-Call-Druck oder Inversion neu zu betrachten.
3. Einen System-Prompt, der Bewertung, Ranking und Absicherung verbietet.

Branches können einander nicht sehen. Der Regulatory-Audit-Branch kann nicht lesen, was der Speedrunner-Branch geschrieben hat. Der Hardware-Engineer-Branch wird nicht durch den Ten-Year-Old-Branch verankert. Jeder Branch ist eine unabhängige stateless Session. Anchoring wird also nicht durch Disziplin des Modells unterdrückt, sondern strukturell entfernt.

Parallelität wird durch ein Semaphore kontrolliert, standardmäßig mit concurrency=4. Die Token-Kosten wachsen linear mit der Branch-Anzahl: O(N x jeder Branch), nicht quadratisch. Spätere Branches lesen nicht den vollständigen Inhalt früherer Branches erneut.

Phase 2 Focus: Ein separater Critic-Aufruf

Die zweite Phase wechselt zu einem separaten Critic-Aufruf. Er erledigt drei Aufgaben:

1. score: jeden Branch nach novelty, viability und fit auf einer Skala von 0 bis 10 bewerten, inklusive mechanistischer Begründungen für Fallen.
2. cluster: Ideen nach ihrem zugrunde liegenden Winkel gruppieren, nicht nach oberflächlichen Keywords.
3. deepen top-K: standardmäßig K=3 überlebende Ideen vertiefen, mit Skizzen, tragenden Risiken, ersten Aktionen und 3 bis 5 Teilideen.

Die wichtige Designentscheidung ist die mechanische Trennung von Generator und Critic. Die Generator-Phase darf nicht bewerten. Die Critic-Phase muss bewerten. Das sind nicht zwei Versprechen in einem Chat, sondern separate API-Aufrufe mit unterschiedlichen System-Prompts und gegensätzlicher Haltung.

Die Aufrufform eines isolierten Branches sieht ungefähr so aus:

const branches = await Promise.all(
  frames.map((frame) =>
    withSemaphore(concurrency, () =>
      callLLM({
        systemPrompt: `${frame.vantage}\n\nFORBIDDEN: evaluation, ranking, hedging. JSON array out.`,
        userPrompt: `${problem}\n\n${context ?? ""}`,
      }),
    ),
  ),
);

Zurück zum Retry/Timeout-Beispiel. Eine Baseline-Antwort tendiert zu einem Standard-Hybrid: 15 Sekunden Timeout bis zum ersten Token, 30 Sekunden Timeout zwischen Tokens, 90 Sekunden harte Obergrenze und ein automatischer Retry. Der Wert von ADHD liegt nicht darin, diese Antwort länger zu machen. Es kann eine zusätzliche Option wie „der Button wird dringlicher, je länger die Wartezeit dauert, und der Nutzer kann abbrechen und auf einem schnelleren Modell neu starten“ hervorholen. Gleichzeitig kann es amüsante, aber gefährliche Ideen wie „Tokens rückwärts streamen“ oder „nach Geduld abrechnen“ markieren, bevor Engineering-Zeit hineinfließt.

Strukturvergleich mit CoT und ToT

Drei tragende Unterschiede

Erstens ist ADHD Isolation, nicht Suche. ToT-Branches entfalten sich weiter in einem Baum, in dem frühe Nodes spätere Nodes beeinflussen. ADHD-Branches können einander während der Divergenz nicht sehen. Anchoring wird dadurch konstruktiv entfernt.

Zweitens nutzt ADHD Frames statt next-step variants. ToT erweitert oft die Frage „Was ist der nächste Zug?“ ADHD stellt das gesamte Problem aus einer anderen kognitiven Position neu. Es dreht nicht nur an einem Parameter, sondern betrachtet dieselbe Aufgabe durch Latenz, physische Einschränkungen, regulatorische Verantwortung oder 3-Uhr-morgens-On-Call-Druck.

Drittens ist die Trennung von Generator und Critic mechanisch, nicht nur versprochen. In einem einzigen Kontext zu sagen „noch nicht bewerten“ hindert das Modell nicht daran, Ideen während der Generierung zu vergleichen. ADHD trennt diese Arbeit durch andere Aufrufe, andere System-Prompts und andere Haltung.

Eine Klarstellung ist wichtig: Ein Frame ist keine Persona. Eine Persona sagt: „Sie sind diese Art von Person.“ Ein Frame sagt: „Stellen Sie dieses Problem mit diesen Einschränkungen und diesem Vokabular neu.“ Ersteres ändert ein Identitätslabel. Letzteres ändert den Problemrahmen.

Die 15 kognitiven Frames und eigene Anpassungen

ADHD bringt 15 kognitive Frames mit, die dasselbe Problem in unterschiedliche Richtungen biegen. codeMode bevorzugt standardmäßig Code- und Design-Perspektiven. Jeder Lauf behält außerdem einen wild slot, damit die Divergenz nicht zu ordentlich wird.

Beispiele für eingebaute Frames

Auswahlregeln

• Dasselbe Problem mit demselben Seed wählt dasselbe Frame-Set, was Läufe reproduzierbar macht.
• codeMode bevorzugt standardmäßig Code/Design-Frames, sodass eine Engineering-Aufgabe nicht vollständig an irrelevante Metaphern abgegeben wird.
• Jeder Lauf behält einen wild slot, damit das System aus einem zu ordentlichen Frame-Set ausbrechen kann.

Eigene Frames

Ein eigener Frame muss nicht lang sein. Er muss das Problem wirklich verändern. Ein guter Frame erfüllt mindestens zwei dieser drei Regeln:

KiloClaw - Managed OpenClaw für Unternehmen: AI-Agent-Orchestrierung und smartes Modell-Routing

Jetzt starten →Anzeige

1. Er hat unverwechselbares Vokabular, nicht nur „aus mehreren Blickwinkeln denken“.
2. Er hat eine unverwechselbare Haltung, zum Beispiel adversarial, konstruktiv, naiv oder extrem eingeschränkt.
3. Er hat eine reproduzierbare Verzerrung, die die Reasoning-Richtung zuverlässig verändert.

Für ein Subscription-Produkt könnten Sie zum Beispiel diesen Frame schreiben:

name: subscription_retention
vocabulary: ["subscription", "retention", "churn", "renewal", "lifecycle"]
stance: "Think in terms of subscription churn and lifetime value, not one-time transactions"
distortion: "Assume users will churn; design mechanisms that reduce churn"

Das labelt das Modell nicht einfach als „Growth Lead“. Es drückt das Problem in Einschränkungen rund um retention, churn und lifetime value.

Wann Sie es nutzen sollten und wann nicht

ADHD ist ein Tool für Entscheidungspunkte, nicht für jeden Tastendruck. Ein einfacher Test funktioniert gut: Wenn ein Junior-Entwickler es googeln kann, gewinnt die Baseline. Wenn ein Senior-Entwickler kurz stoppt und sagt „das muss ich aus einem anderen Winkel betrachten“, kommt ADHD infrage.

Geeignete Szenarien

Ungeeignete Szenarien

Installation und Start

Prüfen Sie den Drittanbieter-Skill vor der Installation. Lesen Sie mindestens die SKILL.md: Was soll der Agent tun, kann er externe Befehle ausführen, und kann er Verzeichnisse berühren, die Ihnen wichtig sind? Die Checkliste im OpenClaw Skill Security Review Guide ist ein guter Startpunkt.

Allgemeine Installation

Der allgemeine Installationsbefehl lautet:

npx skills add UditAkhourii/adhd

Er erkennt etwa 50 Agents automatisch, darunter Claude Code, Cursor, Antigravity, Codex, Cline, Gemini CLI und Windsurf, und installiert dann die passende Skill-Datei.

Codex-spezifische Installation

Wenn der allgemeine Befehl den Skill nicht in Codex registriert, erzwingen Sie das Ziel:

npx skills add UditAkhourii/adhd -a codex -g

Sie können ihn auch manuell installieren:

curl -o ~/.codex/skills/adhd/SKILL.md https://raw.githubusercontent.com/UditAkhourii/adhd/main/SKILL.md

Starten Sie Codex nach einer manuellen Installation neu, damit das Skill-Verzeichnis neu geladen wird.

Starten

Starten Sie ADHD mit:

/adhd "Problem"

Zum Beispiel:

🔥 Verschwende keine Monate für ungenutzte Produkte! Teste deine SaaS-Nutzenversprechen mit Adsterra bei kleinem Budget →

Jetzt testen →Anzeige

/adhd "Ein CLI-Aufruf an ein LLM friert gelegentlich für 90s ein. Wie sollten retry/timeout/UX gestaltet werden?"

Verdrahten Sie es nicht mit jeder Completion. Besser ist es, ADHD explizit an Architektur-, Interface-Design-, Naming- oder Debugging-Punkten zu starten.

Kosten und Wert

Kostendaten

Wertpositionierung

Die Projektpositionierung lautet: rund 0,30 USD ausgeben, um eine Architekturentscheidung im Wert von 50.000 USD zu stützen. Das ist kein Argument, ADHD bei jeder kleinen Frage laufen zu lassen. Es erinnert daran, dass eine falsche offene Engineering-Entscheidung deutlich teurer sein kann als ein einzelner Multi-Branch-Reasoning-Lauf.

In realen Projekten zählt auch Kontextkosten. In Claude Code oder einer ähnlichen Agent-Session kann jeder Branch den Basis-Projektkontext, Tool-Anweisungen und Repository-Regeln erneut laden. Der reine algorithmische Aufwand ist O(N x jeder Branch), aber die praktische Rechnung liegt eher bei N x (Basiskontext + Branch-Arbeit). Damit ist es ein Tool für „Sollten wir es so designen?“ und nicht für „Was ist die nächste Codezeile?“

Die Eval-Ergebnisse richtig lesen

Das ADHD-Projekt veröffentlicht eine Selbstbewertung: sechs offene Engineering-Aufgaben, dasselbe Modell, unabhängiges LLM-Judging und randomisierte A/B-Reihenfolge. Dieser Rahmen sollte sichtbar bleiben. Es ist kein akademischer Drittanbieter-Benchmark und keine menschliche Evaluation.

Vergleich über fünf Dimensionen

Einordnung der Bewertungsbedingungen

Diese Zahlen sind nützlich, um eine Richtung zu sehen, nicht als autoritative Benchmark-Claims. Sie beweisen nicht, dass ADHD jede andere Reasoning-Strategie schlägt. Sie stützen eine engere Lesart: Bei offenen Engineering-Prompts kann isolierte Divergenz plus separater Critic Breite, Neuheit und Trap Detection sichtbar verändern.

Schreiben Sie es daher nicht als „branchenführende Benchmark-Performance“. Sicherer ist: In der Selbstbewertung des Projekts über sechs offene Engineering-Aufgaben gewann ADHD fünf, mit dem größten Abstand bei trap detection. Wenn die faktische Grenze klar bleibt, kann der Leser selbst entscheiden, wie viel Gewicht die Zahlen haben.

Fazit

ADHD ist interessant, weil es Antworten nicht einfach länger macht, sondern „anders denken“ in Struktur gießt: Branches sind isoliert, Frames stellen das Problem neu, und ein separater Critic beschneidet die Ergebnisse. Diese Struktur passt gut zu einer typischen Schwäche von Coding Agents bei offenen Engineering-Aufgaben: zu früh auf die erste richtig wirkende Antwort zu konvergieren.

Nutzen Sie es an Entscheidungspunkten, nicht in alltäglichen per-keystroke Loops. Architektur, Interfaces, Naming, Migrationen und unscharfes Debugging sind zusätzliche 30 bis 90 Sekunden wert. Faktenrecherche, Bugs mit bekannter Ursache und einzeilige Boilerplate sind bei einem Baseline-Agent besser aufgehoben.

Wenn Sie Ihre AI-Coding-Toolchain sortieren, lesen Sie die AI-Coding-Tools-Landschaft 2026, um zu sehen, wo ein solcher Skill hineinpasst. Für längere Reasoning-Ketten hilft außerdem der DeepAgents-Architektur-Guide.