为什么「治好 ADHD 的任务启动困难、不会拆解」和「让 LLM 不跑飞」其实是同一道工程题？
agent 用 planner-executor 循环分解长任务——同一套 harness 思路，两边都成立。
为什么「治好 ADHD 的任务启动困难、不会拆解」和「让 LLM 不跑飞」其实是同一道工程题？
给 agent 一个模糊的大目标,它会在原地打转或一头扎错方向;给 ADHD 者一个「把报告弄一下」,他会盯着屏幕两小时然后去洗了个碗。工程界给前者的答案叫 planning loop——把大目标编译成可执行步骤序列。后者需要的是同一个组件。
先解剖「启动困难」。它常被简化成「懒」,但细看有精确的结构:启动的阻力与任务的模糊度成正比——「写报告」启动不了,「打开文档写下三个小标题」通常可以。原因在执行功能:把大任务拆成步骤序列(规划)、从序列里挑出第一步(排序)、给第一步点火(启动)——这是三道工序,ADHD 三道都弱,叠加起来,面对模糊大块任务时系统直接死锁:不是不想做,是「做」这个动作没有可执行的形状。 旁证:ADHD 者在结构化极强的任务(游戏、有明确下一步的工作)里启动毫无障碍——差别不在动机,在任务的「形状」。
LLM 侧的证据充分:让模型一步到位地完成复杂任务,失败率高;强制「先规划再执行」(planning loop、task decomposition、chain-of-thought 的任务版),成功率显著上升。生产级 agent 框架无一例外内置 planner:大目标→子目标树→原子动作,每个原子动作都「无需再思考即可执行」。行业共识:不是模型能力不够,是任务没有被编译到模型能稳定执行的粒度。
这句共识就是 ADHD 任务管理的第一原理。落地成三条:
一、拆解外包:让 ChatGPT 当你的 planner
拆解本身是 ADHD 的弱项,那就别硬拆——丢给 ChatGPT:「把 X 拆成可执行步骤,每步两小时内,第一步必须 10 分钟内可完成,具体到打开什么、写下什么。」验收标准只有一条:读完第一步,你的身体知道该干什么。「开始调研」不合格;「打开浏览器,搜这三个关键词,把前五个结果的标题贴进文档」合格。粒度就是一切——agent 的原子动作粒度,同样是 planner 调教的核心参数。
二、「第一步」要专门优待
启动是三道工序里最疼的,给它单独加杠杆:5 分钟合同(只承诺 5 分钟,到点可光荣退出——启动后续航的阻力远小于启动本身);降低第一步的仪式成本(前一晚把明早第一步的现场摆好:文档开着、材料放着——早上的你只需坐下);烂开头特权(第一步允许产出垃圾:「写下三个烂标题」比「写下标题」的启动率高一倍,因为它豁免了质量审查这道隐形关卡)。
三、拆解的时机比拆解的质量重要
ADHD 特供的一条:拆解必须发生在「冷时刻」——接到任务的当下、状态好的时段,趁执行功能在线把计划编译好;千万别指望「到时候再拆」——「到时候」你面对的是模糊大块+已经衰减的动机,正是死锁配方。这精确对应 agent 架构里 planner 与 executor 的分离:计划在计划时段生成,执行时段只照单执行,执行现场不做规划决策。
还有一个安慰剂要打碎:市面上「教你拆解任务」的方法论,对 ADHD 常常失灵,原因不是方法错,是它们默认「学会了就能用」——但 ADHD 的问题不在「不会」,在「每次都要现场调用这个能力」。所以正解不是学会拆解,是把拆解制度化:固定的拆解时段(每天开工前 10 分钟/每周日)、固定的拆解工具(ChatGPT 模板)、固定的验收标准(第一步 10 分钟)。能力不可靠,制度才可靠。
边界
同构强度 A 级:任务分解对 LLM 表现的提升有直接研究(planning/decomposition 文献),ADHD 的规划与启动缺陷有扎实执行功能证据,两边都验证了「粒度决定成功率」这条工程规律。照例:机制不同,功能同构;启动困难若在完美拆解后依然常态失灵,查燃料层(睡眠/情绪/药物时效)——planner 再好,引擎没油也不点火;持续影响生活的,请专业评估。
今天就能试的 3 件事
- 挑一个搁浅任务,让 ChatGPT 编译:用上面那句 prompt,验收「第一步 10 分钟」标准,立刻执行那 10 分钟。
- 今晚摆好明早的现场:明天第一个任务的文档、材料,睡前全部就位。
- 设立你的固定拆解时段:每天开工前 10 分钟,只做一件事——把今天的大块编译成原子动作。
启动不了,不是你缺一台更强的引擎,是任务停在了引擎点不着的粒度。工程师给 agent 配 planner,不是嫌它笨,是懂得「编译」是执行的前提;给自己配一个,让每个大目标到你手里时,都已经是身体认识的形状。
参考来源
同构强度：B 级 —— 机制类比（ADHD 侧与 LLM/agent 侧均有真实文献，机制可映射）
- LBD同构对：自我调节与元认知 — Inhibitory control and emotion regulation in preschool child ↔ ObjexMT: Objective Extraction and Metacognitive Calibration — 证据等级：低（GRADE）
- LBD同构对：自我调节与元认知 — Emotion-related self-regulation and its relation to children ↔ A Reproducibility Study of Metacognitive Retrieval-Augmented — 证据等级：低（GRADE）
- The 12 Best AI Tools for 2026 (That People Actually Use) — 证据等级：低（GRADE）
- The AI Powered SuperApp for Work | Motion — 证据等级：低（GRADE）
- 11 Best ADHD Productivity Apps for Fluctuating Energy - rivva blog — 证据等级：低（GRADE）
- ADHD Apps: We tested 44 Apps and Here’re the Best 9 in 2026 — 证据等级：低（GRADE）
本文是「ADHD × AI」系列的第 18 篇，由 Devin 基于持续维护的双域研究语料（72,739 篇论文 + LLM Wiki）亲自撰写，并持续迭代更新。