核心分析¶

项目定位：ADHD 针对的是自回归推理中过早收敛与锚定的问题。它不是简单地加随机或多次采样，而是在架构层面用多个隔离的认知框架（frames）并行发散，随后用独立的 critic 做评分、聚类、剪枝并对幸存者深化，形成可执行候选集。

技术特点¶

• 并行且隔离的发散：每个 frame 在发散阶段不共享上下文，避免跨分支锚定。
• 生成/评判解耦：可用不同模型做生成与评估，降低共同偏差风险。
• 聚类/剪枝 + 陷阱标注：自动去重并为每个候选列出一行潜在风险理由，便于决策。

实用建议¶

1. 优先在设计类或模糊问题上尝试：命名、API 设计、策略制定、模糊调试等最能受益。
2. 从小规模试验开始：少量 frames + 低成本 scout 模型，确认多样性收益后再放大。

注意事项¶

• 并行调用会提高成本与延迟，需配置帧数和分层模型策略。
• 若底层 LLM 或 critic 本身不可靠，架构无法根除幻觉。

重要提示：把 frame 的意图与偏向写成 metadata（如“保守/激进/成本优先/反向思维”），以提高可解释性与复现性。

总结：ADHD 将发散探索工程化，是针对创意与决策类问题的一套系统性解决方案，能明显扩展搜索空间并提供可解释的剪枝与深化通路。

核心分析¶

问题核心：ADHD 把生成与评判解耦，目的是减少“生成器与评判器共享偏差”并提升陷阱检测与可解释性。

技术分析¶

• 优势：
• 降低共同偏差：不同模型或策略独立判断，减少同源错误。
• 分层效率：廉价模型做广域探索，昂贵或专精 critic 做筛选，能在成本/质量间取得平衡。

• 可解释剪枝：critic 提供一行陷阱理由，便于快速人工复核或自动规则化处理。

• 风险：

• critic 成为瓶颈：错误的评分逻辑会误剪高价值候选；需要校准与验证。
• 系统复杂度提升：更多模型、更多调用、更多运维点。
• 评分尺度不一致：不同 critic 输出需标准化到统一阈值或多判官投票机制。

实用建议¶

1. 多判官策略：对关键决策使用多名独立 critic 或混合规则+模型的评判器。
2. 校准与回溯：建立评判器日志与样本回放，定期用人工标注数据校准评分阈值。
3. 分层模型费用控制：用便宜模型做 scout，用更贵 critic 做最终筛选/深化。

注意事项¶

重要：不要假设 critic 永远优于人。将 critic 视为过滤与提示工具，并保留人工审查管道以纠正误剪。

总结：生成/评判分离是 ADHD 的关键工程创新，能显著提高多样性与陷阱检测，但需要通过校准、多判官和可观测性的工程实践来管理新引入的风险。

核心分析¶

问题核心：增加 frame 数量直接提升搜索广度，但也成比例提高 API 调用、成本与响应延迟。必须在质量收益与资源投入间做工程权衡。

技术分析¶

• 分层模型（scout → critic → deepen）：用廉价模型做广域探索（多数 frames），仅将 top-K 结果送入昂贵的 critic 和深化环节以节省费用。
• 早停与预算化：为每个 frame 设置 token/time 上限；达到既定的多样性或簇数阈值时停止新 frames。
• 分布式执行：将 frames 映射到 orchestrator 的临时节点并结合优先级队列与速率限制，控制峰值并行度。

实用建议¶

1. 从 3–6 个 frames 起步：记录每个 frame 带来的新增簇数与成本，按边际收益扩充。
2. 只对幸存者 run 深化：将昂贵的模型调用限定在 top 3–5 候选上。
3. 度量驱动扩容：监控“新增簇/调用”比率，低于阈值则停止扩展。

注意事项¶

重要：在交互式或低延迟主路径上避免直接并行大量 frames；把 ADHD 用作后台/建议生成或在用户可等待的场景中触发。

总结：采用“先广后深 + 分层模型 + 早停 + 可观测性”策略，能在受控成本下保留 ADHD 的核心收益，同时把延迟与峰值负载纳入可管理范围。

核心分析¶

问题核心：高质量的 frames 决定发散阶段的信噪比和互补性。随机或重复的 frame 会产生大量低价值或冗余候选。

技术分析¶

• 三要素：
  1. 明确偏向：每个 frame 写明其目标/评价指标（如“最大化创新/最小化成本/优先安全”）。
  2. 可执行模板：把偏向转成明确提示（例如限制资源、要求考虑特定失败模式、或采用特定度量）。
  3. 覆盖性度量：运行时统计候选的聚类、重复率与评分分布，衡量互补度。

• 实验闭环：先用 4–6 个手工互补 frame 作小规模试验，记录每个 frame 的输出特征并调整。

实用建议¶

1. 从对立视角开始：典型集合包括“保守/激进/成本优先/安全优先/反向思维/用户体验优先”。
2. 把 frame 的意图写成 metadata：以便审计、溯源与复现。
3. 自动化度量：启用聚类统计（候选去重率、簇数、每簇平均评分）作为调整依据。

注意事项¶

重要：过多但不互补的 frames 会浪费资源；过少则可能未覆盖盲区。优选“数量适中 + 高互补性”。

总结：把 frame 视为可测量的实验变量，使用小规模试验与聚类/覆盖度指标迭代设计，能在成本受控下获得高价值多样化候选。

核心分析¶

问题核心：critic 可能误剪高价值候选，导致损失创新或正确解。必须用工程手段验证与校准其决策边界。

技术分析¶

• 多判官/混合策略：对关键剪枝场景采用多个独立 critic（或规则+模型），用投票/加权决定是否删去。
• 置信度分级：把输出分为“高置信→自动剪”“中置信→人工复核”“低置信→保留/重试”。
• 审计回放与标注集：记录每次 critic 的理由与最终人工决策，构建用于评估和微调的校准数据集。
• 在线实验：通过 A/B 测试观测误剪造成的业务差异（回退/人工纠错成本）。

实用建议¶

1. 保守默认策略：上线初期把剪枝阈值设保守，优先降低误剪率，再逐步收紧以节约成本。
2. 建立回溯流程：保留所有被剪候选的快照和 critic 理由，便于人工抽样审计和训练数据制作。
3. 多模型判别：用不同架构或训练目标的模型做独立评判，减少共同偏差。

注意事项¶

重要：不应把 critic 视为无条件替代人工判断——它是过滤与提示工具，关键决策应保留人工复核或多判官保障。

总结：误剪风险可通过多判官、置信分级、审计回放和逐步收敛的阈值策略有效控制，同时为 critic 的长期改进提供数据基础。