i-have-adhd: 44.000 Stars für 7,2 KB Regeln – was der Agent-Skill wirklich verbessert

Was ist i-have-adhd?

`i-have-adhd` verändert nicht, wie ein Sprachmodell programmiert oder Probleme löst. Der Skill verändert, wie ein Coding-Agent seine Arbeit präsentiert. Statt mit einer Einleitung zu beginnen, soll er die Antwort oder ausführbare Handlung zuerst liefern, offene Arbeit klar begrenzen und Fehler ohne beschwichtigende Floskeln melden.

Der kanonische Skill besteht aus natürlicher Sprache in einer Markdown-Datei. Es gibt kein spezialisiertes Modell, kein Training und keine eigene Inferenzschicht. Die eigentliche Produktidee ist ein kleines Protokoll für die Kommunikation zwischen Mensch und Coding-Agent.

Das Repository wurde laut GitHub-Metadaten am 13. Mai 2026 angelegt, steht unter der MIT-Lizenz und führte beim geprüften Commit die Manifest-Version 0.3.0. Beim Abruf waren keine GitHub-Releases und keine Tags veröffentlicht. Die Versionsnummer ist deshalb eine Manifest-Angabe, kein veröffentlichter Release-Tag.

Kerndatum	Geprüfter Stand	Quelle
Produktklasse	Markdown-basierter Agent-Skill mit plattformspezifischen Adaptern	Repository
Kernregelwerk	7.207 Byte, 142 Zeilen	`SKILL.md` am geprüften Commit
GitHub-Snapshot	44.720 Stars und 2.581 Forks am 14. September 2026	Repository
Manifest-Version	0.3.0	`package.json`
Lizenz	MIT	Lizenzdatei
Geprüfter Quellstand	Commit `4092de07ce3ed88389d77c0d623b7af89b40ac0e`, letzter Push am 14. September 2026 um 00:05:58 UTC	Commit

Warum ging ein kleiner Output-Skill viral?

Coding-Agenten können eine Aufgabe technisch korrekt bearbeiten und trotzdem eine schlechte Nutzererfahrung erzeugen. Häufig stehen zuerst mehrere Absätze Selbstbeschreibung, danach verstreute Statusmeldungen und erst am Ende die relevante Handlung. Bei partiellen Fehlern vermischen sich Erfolg, Vermutung und nächster Schritt. Genau diese Reibung adressiert `i-have-adhd`.

Die Resonanz war ungewöhnlich schnell. Aus dem Ausgangssnapshot mit 27.119 Stars vom 4. September 2026 und dem Endsnapshot mit 44.720 Stars vom 14. September 2026 ergibt sich ein Zuwachs um 17.601 Stars beziehungsweise 64,9 Prozent in zehn Tagen. Diese Rechnung beruht auf zwei Punktmessungen, nicht auf einer vollständigen Stargazer-Zeitreihe.

Auch die Hacker-News-Diskussion mit 538 Punkten und 372 Kommentaren beim Abruf ist ein starkes Community-Signal. Sie belegt aber keine Wirksamkeit. GitHub-Stars und Kommentare zeigen, dass viele Entwickler das Problem wiedererkennen. Sie messen weder aktive Installationen noch bessere Software oder einen medizinischen Nutzen.

Der Name verstärkt die Aufmerksamkeit, bringt aber ein Problem mit: Er vermischt eine nützliche Strukturidee mit einer medizinischen Diagnose. Das Projekt verweist in seiner README auf eine lose Inspiration durch „The Adult ADHD Tool Kit“. Eine klinische Evaluation des Skills oder ein Nachweis, dass er Menschen mit ADHS nachweisbar hilft, ist dort nicht dokumentiert.

Wie funktionieren die Regeln technisch?

Die `SKILL.md` formuliert zehn Regeln mit Ausnahmen. Sie verkürzen nicht pauschal jede Antwort. Sie priorisieren sichtbare Handlungen und begrenzen die Oberfläche, während der Agent intern weiterhin alle relevanten Aspekte berücksichtigen soll.

Regelgruppe	Vorgabe	Praktischer Effekt
Einstieg	Antwort oder nächste Handlung zuerst	Der nutzbare Teil steht vor Erklärung und Kontext
Ablauf	Mehrstufige Aufgaben als nummerierte, abgegrenzte Schritte	Komplexe Arbeit wird scanbar und überprüfbar
Nächster Schritt	Bei offener Arbeit genau eine konkrete Handlung nennen	Weniger parallele Aufforderungen und Entscheidungslast
Fokus	Nebenthemen bis zum Abschluss der Hauptaufgabe zurückstellen	Weniger Abschweifung während einer laufenden Aufgabe
Zustand	Arbeitsstand über mehrere Turns sichtbar halten	Der Nutzer muss nicht rekonstruieren, was bereits erledigt ist
Zeit	Konkrete Zeitangaben statt vager Schätzungen	Aufwand wird greifbarer, sofern er seriös schätzbar ist
Verifikation	Erledigte Arbeit und Belege sichtbar machen	„Fertig“ soll an Resultaten statt an Behauptungen hängen
Fehler	Ort, Ursache und Fix sachlich melden	Fehlermeldungen werden handlungsorientierter
Listen	Sichtbare Listen ungefähr auf fünf Punkte begrenzen	Weniger visuelle Überlastung, ohne die interne Analyse zu beschneiden
Sprache	Kein Vorgeplänkel, kein unnötiger Recap, keine Schlussfloskel	Kürzere Strecke bis zur relevanten Information

Wichtig sind die Escape Hatches. Bei ausdrücklich gewünschten Erklärungen darf der Agent ausführlich werden. Vor destruktiven Aktionen muss er weiterhin warnen und bestätigen lassen. Nach wiederholten Fehlschlägen soll er stoppen und diagnostizieren, statt endlos weiterzuprobieren. Echte Mehrdeutigkeit und höherrangige Regeln des Agent-Harness haben ebenfalls Vorrang.

Das unterscheidet den Skill von einem Ein-Satz-Prompt wie „Antworte kurz“. Reine Kürze kann Warnungen, Unsicherheiten und Entscheidungsgrundlagen zerstören. `i-have-adhd` versucht stattdessen, die Reihenfolge und Sichtbarkeit von Informationen zu steuern.

Was bringt das Repository zusätzlich zur Markdown-Datei?

Der Regelkern ist klein, das Repository ist es nicht. Im geprüften Stand umfasste der Commit 64 getrackte Dateien. Eine lokale statische Auswertung desselben Quellstands erkannte 2.117 Codezeilen sowie 3.185 Kommentar- und Dokumentationszeilen. Die GitHub-Einstufung als Python-Projekt stammt deshalb vor allem aus Tests und Eval-Harness, nicht aus einem komplexen Python-Kern des Skills.

Der zusätzliche Umfang erfüllt vier nachvollziehbare Aufgaben:

• Adapter und Manifeste bringen denselben Regelkern in unterschiedliche Agent-Clients.
• Session-Hooks sollen die Regeln automatisch und dauerhaft aktivieren.
• Synchronisationslogik hält plattformspezifische Kopien konsistent.
• Tests prüfen Adapter, Metadaten und Evaluationsfälle reproduzierbar.

Für Claude Code dokumentiert die Installationsanleitung einen verwalteten Plugin-Weg:

claude plugin marketplace add ayghri/i-have-adhd
claude plugin install i-have-adhd@i-have-adhd

Danach musst du Claude Code neu starten und `/i-have-adhd` eingeben. Die Installation allein aktiviert den Stil nicht automatisch.

Der technische Check gegen Commit `4092de0` bestand 52 Unit-Tests; auch die Validierung der Eval-Fälle lief erfolgreich:

python3 -m unittest discover -s tests -v
python3 scripts/run_evals.py validate

Das belegt, dass der geprüfte Test- und Adaptercode seine eigenen Tests besteht. Es belegt nicht, dass der Skill in jedem Agent-Client korrekt aktiviert wird oder reale Entwicklungsaufgaben verbessert.

Was zeigt der eigene Benchmark wirklich?

Die veröffentlichten Evaluationsergebnisse vom 2. August 2026 sind aussagekräftiger als virale Screenshots, aber enger als ein allgemeiner Wirksamkeitsnachweis. Der Lauf verwendete Claude Code CLI 2.1.220 und das Modell `claude-opus-4-8`; er umfasste 14 Testfälle mit jeweils drei Trials, also je 42 Antworten für Baseline und Skill. Dasselbe Modell bewertete die Antworten verblindet.

Dimension	Gewicht	Baseline	Mit Skill	Delta	Quelle
Korrektheit	35 %	4,333	4,524	+0,190	RESULTS.md
Autonomie	25 %	3,762	4,167	+0,405	RESULTS.md
Handlungsorientierung	20 %	3,905	4,619	+0,714	RESULTS.md
Sicherheit	10 %	4,643	4,667	+0,024	RESULTS.md
Prägnanz	10 %	3,429	4,571	+1,143	RESULTS.md
Gewichteter Score	Gesamt	4,045	4,473	+0,427	RESULTS.md

Der Skill gewann zehn von 14 Fällen, erreichte zwei Gleichstände und verlor zwei. Die größten Verbesserungen lagen dort, wo die Regeln am direktesten ansetzen: prägnante Antworten, Fortschrittsmeldungen und handlungsorientierte Fehlerberichte. Der Harness meldete 2,67 US-Dollar für die Generierung und 0,92 US-Dollar für das Judging, zusammen 3,59 US-Dollar. Eine unabhängige Abrechnung ist nicht veröffentlicht.

Warum scheiterte das Release-Gate trotzdem?

Das eigene Gate verlangte null Blocker. Die Baseline hatte sieben Blocker, der Skill reduzierte sie auf drei. Das ist eine Verbesserung, erfüllt aber die absolute Freigabebedingung nicht.

Zwei der drei verbliebenen Blocker entfielen auf `agent-owned-edit`. Der Test forderte einen echten Datei-Edit, der Runner wurde jedoch ohne Tools gestartet. Die Aufgabe war in dieser Umgebung nicht erfüllbar. Das ist ein Fehler im Versuchsaufbau, kein belastbarer Nachweis gegen den Skill.

Relevanter ist `partial-success`. Hier sank der Mittelwert von 4,52 auf 3,88, ein Delta von minus 0,63 Punkten. Die Regel zur direkten Fehlerkommunikation drängte das Modell dazu, eine konkrete Ursache zu behaupten, obwohl die Evidenz dafür fehlte. Genau hier wird Handlungsorientierung riskant: Eine klare, falsche Diagnose ist schlechter als eine knapp formulierte Unsicherheit.

Die Stichprobe bleibt klein. Es gab nur drei Trials pro Testfall, eine Standardabweichung von bis zu 0,95 und keine Cross-Model- oder Human-Evaluation. Zudem erzeugte und bewertete dasselbe Modell die Antworten. Der saubere Schluss lautet deshalb: Der Skill verbesserte in einem kleinen, selbst veröffentlichten Benchmark die mittlere Antwortqualität, bestand aber das eigene Release-Gate nicht.

Plugin, kopierter Skill oder User Rule: Was ist sinnvoll?

Die zehn Regeln benötigen nicht zwingend einen Plugin-Stack. Issue #187 diskutiert ausdrücklich, den Regelkern als Output Style oder globale User Rule einzusetzen. Für die reine Antwortstruktur kann das funktional ausreichen.

Ansatz	Vorteil	Nachteil	Geeignet für
Vollständiges Plugin	verwaltete Installation, Hooks, Adapter und Updates	größere Kompatibilitäts- und Supply-Chain-Oberfläche	mehrere Coding-Agenten und zentral gepflegte Regeln
Kopierte `SKILL.md`	kleiner, lesbarer Regelkern; lokal versionierbar	Updates und Zielpfade müssen selbst gepflegt werden	Agent-Clients mit nativem Skill-Verzeichnis
Globale User Rule	geringster Installationsaufwand	clientgebunden; keine standardisierte Umschaltung	dauerhaft prägnanter Stil in einem einzigen Client
Kurzer Aufgaben-Prompt	sofort testbar, kein dauerhafter Kontext	Ausnahmen, Zustandsregeln und Verifikation fehlen	einmalige Aufgaben und schnelle A/B-Tests

Meine Empfehlung: Beginne mit einer lokalen User Rule oder der geprüften `SKILL.md`. Wechsle erst zum Plugin, wenn du die automatische Aktivierung oder mehrere Adapter wirklich brauchst. Mehr Verpackung verbessert nicht automatisch die Regelwirkung.

Das gleiche Muster zeigt sich bei anderen Agent-Skill-Projekten. Matt Pococks modulare Agent Skills trennen einzelne Engineering-Disziplinen, während Superpowers für Coding-Agenten einen deutlich größeren Prozess-Harness vorgibt. `i-have-adhd` sitzt am schmalen Ende dieses Spektrums: Es steuert primär die Ausgabe, nicht den Entwicklungsprozess.

Welche technischen Grenzen und Risiken verschweigt der Hype?

Hooks können still ausfallen

Issue #156 dokumentiert für Codex CLI 0.154.0 einen Fehler im Always-on-Weg. Der `SessionStart`-Hook lieferte Plain Text, während Codex eine JSON-Hülle erwartete. Laut Reproduktion wurden die Regeln deshalb trotz installiertem Plugin verworfen. Der Bericht gilt für die dort genannte Version und beweist keinen Fehler in jeder späteren Codex-Ausgabe.

Ein ähnliches Aktivierungsproblem beschreibt Issue #129 für Claude Desktop unter macOS. Wenn `CLAUDE_PLUGIN_ROOT` nicht exportiert wird, kann der Always-on-Hook laut Bericht wirkungslos bleiben. Ein expliziter Aufruf oder eine User Rule ist dann transparenter als ein Hook, dessen Erfolg nicht sichtbar geprüft wird.

Mehr Klarheit kann falsche Sicherheit erzeugen

Der Benchmark-Fall `partial-success` zeigt das zentrale inhaltliche Risiko. Die Regel „Ursache und Fix direkt nennen“ muss zwischen belegter Ursache und Arbeitshypothese unterscheiden. Sonst macht der Skill die Antwort nicht besser, sondern nur überzeugender formuliert.

Eine robuste lokale Variante sollte daher verlangen: „Nenne eine Ursache nur dann als Tatsache, wenn Logs, Tests oder Code sie belegen. Kennzeichne sie sonst als Hypothese.“ Diese Ergänzung erhält den sachlichen Fehlerton, ohne Unsicherheit zu verstecken.

Auch Markdown erweitert die Vertrauensgrenze

Ein Agent-Skill besteht aus Instruktionen, die ein Agent mit Datei-, Shell-, Git- oder Deployment-Rechten befolgen kann. Lies deshalb nicht nur die beworbene Kurzbeschreibung. Prüfe die `SKILL.md`, referenzierte Dateien, Hooks und Installationsskripte vor der Aktivierung. Wie breit dieses Problem im Skill-Ökosystem ist, zeigt mein Artikel zu NVIDIA SkillSpector.

Issue #202 meldet beispielsweise eine Hermes-Warnung für ein ungepinntes `npm install`-Beispiel. Die genannte Abhängigkeit ist nicht für den Skill selbst erforderlich; die Warnung betrifft den Beispieltext. Ein Tessl/Snyk-Scan meldete für Commit `4c76175` keine Findings. Das ist kein Widerspruch: Commit, Scannerregel und geprüfter Pfad unterscheiden sich.

Eval-Kostenlimits können wirkungslos werden

Issue #181 beschreibt eine Budgetfalle im Eval-Harness: `–allow-unmetered` kann die Kostenmessung deaktivieren und damit `–budget-usd` faktisch aushebeln. Das betrifft nicht den Ausgabe-Skill, ist aber relevant, wenn du die Benchmarks mit bezahlten APIs reproduzierst. Ein konfiguriertes Budget ist nur dann ein Schutz, wenn der Runner die tatsächlichen Kosten auch erfasst.

Welche Claims sind nicht belegt?

Keine nachgewiesene Token- oder Kostenersparnis

Die Evaluation bewertet Antwortqualität, nicht reale Token- oder Rechnungsersparnis. Für eine konkrete Token- oder Kosteneinsparung findet sich in den veröffentlichten Ergebnissen kein Messwert. Der Maintainer schrieb in der Hacker-News-Diskussion ausdrücklich, dass die Reduktion des Tokenverbrauchs kein Ziel sei.

Kürzere sichtbare Antworten bedeuten außerdem nicht automatisch niedrigere Gesamtkosten. Wiederholte Hook-Injektionen erhöhen den Input-Kontext. Produktpreise können Input, Cached Input, Output, Requests oder Credits unterschiedlich abrechnen. Ohne getrennte Messung dieser Größen ist jede pauschale Kostenbehauptung Spekulation.

Keine medizinische Validierung

Der Name ist kein Wirksamkeitsnachweis. Die Projekt-README nennt eine Inspiration durch ein Selbsthilfebuch, aber keine klinische Studie zum Skill. Der Artikel bewertet deshalb die Informationsstruktur für Coding-Agenten, nicht eine Behandlung, Diagnose oder medizinische Accessibility-Wirkung.

Keine nahtlose Unterstützung jedes Clients

Das Repository enthält viele Adapter. Offene Berichte zu Codex und Claude Desktop zeigen trotzdem, dass Installation und tatsächliche Aktivierung zwei verschiedene Dinge sind. „Unterstützt“ sollte heißen, dass der Skill in der verwendeten Client-Version nachweisbar geladen wird, nicht nur, dass ein Manifest vorhanden ist.

GitHub-Stars sind kein Qualitätsbenchmark

Die 44.720 Stars im Snapshot vom 14. September 2026 belegen Reichweite und Resonanz. Sie sagen nichts darüber aus, ob der Skill in deinem Modell, deinem Harness und deinen Aufgaben bessere Ergebnisse liefert. Der gescheiterte interne Release-Gate ist für diese Frage informativer als die Star-Zahl.

Wie solltest du i-have-adhd selbst testen?

Teste zuerst die Regelidee, nicht die Verpackung. Verwende dasselbe Modell, denselben Agent-Client, identische Werkzeuge und frische Sessions. Vergleiche eine Baseline ohne Zusatzregel mit einem kurzen Prägnanz-Prompt, einer lokalen User Rule und dem vollständigen Skill.

Dein Aufgabenmix sollte mindestens diese Fälle abdecken:

• ein klarer, direkt ausführbarer Fix
• eine mehrstufige Änderung mit Fortschrittsmeldungen
• ein partieller Erfolg mit unklarer Fehlerursache
• eine destruktive Aktion mit notwendiger Bestätigung
• eine ausdrücklich gewünschte ausführliche Erklärung

Miss nicht nur subjektive Lesbarkeit. Prüfe Zeit bis zur ersten ausführbaren Handlung, Korrektheit, bestandene Tests, übersehene Warnungen, falsche Ursachenbehauptungen sowie Input- und Output-Tokens getrennt. Wiederhole die Fälle mehrfach und lass kritische Antworten zusätzlich von Menschen bewerten.

Entscheidend ist der Vergleich zwischen User Rule und Plugin. Wenn beide denselben Output liefern, kaufst du dir mit dem Plugin vor allem Installation, Updates und automatische Aktivierung. Wenn der Hook die Regeln in langen Sessions zuverlässiger erhält, hat die Verpackung einen messbaren Nutzen.

Für wen lohnt sich der Agent-Skill?

Zielgruppe	Einschätzung	Begründung
Nutzer mit sehr wortreichen Coding-Agenten	sinnvoller Test	Die Regeln adressieren direkt Reihenfolge, Fokus und Handlungsorientierung
Nutzer eines einzelnen Clients	meist als User Rule ausreichend	Geringere Installations- und Kompatibilitätsfläche
Teams mit mehreren Agent-Clients	Plugin potenziell sinnvoll	Gemeinsamer Regelkern, Adapter und Updates reduzieren manuelle Pflege
Sicherheitskritische Entwicklung	nur ergänzend	Prompt-Regeln ersetzen keine CI, Berechtigungen, Sandboxing oder Reviews
Kostenkritische API-Nutzung	nur nach eigener Messung	Eine Token- oder Kostenersparnis ist nicht veröffentlicht belegt
Menschen, die medizinische ADHS-Unterstützung suchen	nicht als Medizinprodukt einordnen	Es fehlt eine klinische Validierung des Skills

Quellen

• Repository `ayghri/i-have-adhd`
• Kanonische `SKILL.md` am geprüften Commit
• Installationsanleitung
• Evaluationsergebnisse
• Evaluationsmethodik
• Issue #187: Plugin, Output Style oder User Rule
• Issue #156: Codex-SessionStart-Hook
• Issue #129: Claude-Desktop-Always-on
• Issue #181: Eval-Budget und unmetered Runner
• Issue #202: ungepinntes npm-Beispiel
• Hacker-News-Diskussion
• Öffentliches NotebookLM-Research

*[Quellenstand: 14. September 2026. GitHub-Metriken sind Momentaufnahmen. Issues sind konkrete Fehlerberichte, keine Messung ihrer Häufigkeit.]*

FAQ: Häufig gestellte Fragen zu i-have-adhd

Ist i-have-adhd ein eigenes KI-Modell?

Nein. Es ist ein Markdown-basiertes Regelwerk für die Ausgabe bestehender Coding-Agenten. Modell, Werkzeuge und Ausführungsumgebung kommen weiterhin vom jeweiligen Agent-Harness.

Wie groß ist der eigentliche Skill?

Die geprüfte `SKILL.md` ist 7.207 Byte groß und umfasst 142 Zeilen. Der restliche Repository-Umfang entfällt vor allem auf Adapter, Hooks, Tests, Dokumentation und Evaluation.

Verbessert der Skill Coding-Ergebnisse?

Im eigenen Benchmark stieg der gewichtete Score von 4,045 auf 4,473. Der Lauf war klein, nutzte dasselbe Modell für Generierung und Bewertung und scheiterte am eigenen Release-Gate. Das ist ein positives Signal, kein allgemeiner Nachweis.

Kann ich nur die Regeln kopieren?

Ja. Die Diskussion in Issue #187 beschreibt genau diesen Weg als globale User Rule oder Output Style. Damit verlierst du automatische Updates und eventuell Always-on-Hooks, reduzierst aber die technische Oberfläche.

Funktioniert das Plugin mit Codex?

Ein Codex-Adapter ist vorhanden, aber Issue #156 dokumentiert für Codex CLI 0.154.0 einen fehlerhaften `SessionStart`-Output. Prüfe nach der Installation sichtbar, ob die Regeln wirklich geladen werden, oder nutze bis zur verifizierten Behebung eine lokale Regeldatei.

Spart i-have-adhd Tokens oder Kosten?

Dafür gibt es in den veröffentlichten Evals keinen belastbaren Nachweis. Kürzere Antworten können Output-Tokens reduzieren, während permanente Instruktionen den Input erhöhen. Entscheidend ist deine reale Providerabrechnung.

Ist der Skill wissenschaftlich für ADHS validiert?

Nein. Die README beschreibt nur eine lose Inspiration. Eine medizinische oder klinische Wirksamkeitsprüfung des Agent-Skills ist nicht dokumentiert.

Ist die Installation eines Markdown-Skills risikofrei?

Nein. Instruktionen können das Verhalten eines Agenten mit weitreichenden Werkzeugrechten verändern. Prüfe Skill-Dateien, Hooks und Installationsskripte wie andere Drittanbieter-Abhängigkeiten und verlasse dich nicht auf Stars oder einen einzelnen Scanner.

Fazit

`i-have-adhd` trifft ein reales Problem: Coding-Agenten brauchen nicht immer mehr Intelligenz, sondern oft eine klarere Übergabe ihrer Arbeit. Der kleine Regelkern ist nützlich, der virale Erfolg aber kein Wirksamkeitsbeweis. Starte mit der `SKILL.md` oder einer User Rule und nutze das vollständige Plugin nur, wenn Adapter, Updates und automatische Aktivierung den zusätzlichen Overhead rechtfertigen.

Weiterführend: Warum der Agent-Harness oft wichtiger als das Modell ist, wie modulare Agent Skills Engineering-Routinen abbilden, wann Superpowers für Coding-Agenten hilft oder bremst und wie NVIDIA SkillSpector Drittanbieter-Skills prüft.