为什么用 Claude 治 ADHD 的学习半途而废，和给 agent 套外部记忆/向量库是一回事？

ADHD 的学习史常常是一部「开头收藏史」:七门网课都停在第三节,五本书都有前五十页的划线,三门语言都会打招呼。每次重启都像从零开始——上次学到哪、当时想通了什么,全没了。agent 工程师对这个故障太熟了:没有外部记忆的 agent,每个 session 都是失忆重生。

先看「半途而废」的机件级成因,它不是「没毅力」三个字能打发的。其一,状态丢失:ADHD 的学习中断后,进度、思路、「上次卡在哪」这些状态没有存档,重启成本高到直接劝退——很多「放弃」其实是「无法恢复现场」;其二,新鲜感折旧:多巴胺系统对新刺激敏感、对重复钝感,第三节课的神经收益只剩第一节的零头;其三,没有中间奖励:学习的回报在远方,而 ADHD 的折扣曲线陡峭,远方≈不存在。三条里,第一条最被低估,也最可工程化——它正是 LLM 的原生病:上下文窗口一关,一切归零;行业的答案是外部记忆:向量库、对话历史、笔记文件,把状态存在模型外面,每次启动先加载。

用 Claude 给自己的学习装同款外部记忆:

一、给每门学习建「记忆库对话」

一门课/一本书/一门语言,固定一个 Claude 对话(或项目),它就是这门学习的向量库。每次学完,花 3 分钟存档三行:学到哪了(位置)、想通了什么(收获)、卡在哪/下次从哪开始(断点)。下次重启,先让 Claude 复述上次状态——重启成本从「翻书回忆半小时」降到「读 30 秒摘要」,而重启成本正是半途而废的第一杀手。这三行就是 agent 的 checkpoint 文件,谁写谁知道。

二、让 Claude 当「间隔重复引擎」

存档的内容顺手变成复习素材:每次开始新的学习块前,让 Claude 就上次内容出三个问题考你(主动回忆,比重读有效得多——这是学习科学里证据最硬的结论之一)。答错的,它自然知道该在下次再考——你等于用对话搭了一个简易的 spaced repetition 系统,而且素材全是你自己的断点和收获,比通用卡片切身。

三、用「重启仪式」对冲新鲜感折旧

新鲜感会衰减,这改不了;能改的是把重启做成低阻力仪式:固定时段+固定开场(读断点摘要→答三题→今天只学 25 分钟)。25 分钟合同专治「想到要学两小时就不想开始」——十次里八次会超时学下去,超不下去的那两次,25 分钟也比零分钟强。另外,允许并行两门(不是七门):折旧的科目 A 歇几天,切到 B,再切回来时 A 有轻度的新鲜感回血——有存档的切换是策略,没存档的切换才是放弃。

用错的姿势

把 Claude 当学习本身:让它讲一遍就当学会了——听懂的幻觉比不懂更危险,防法是永远以「我复述/我做题」收尾;囤积不加载:笔记记了从不回看——记忆库的价值在「重启时加载」,不在「存了多少」;开新坑上瘾:让 Claude 规划第八门课之前,先让它报一遍前七门的断点——记忆库的另一个功能,是让「已经开始的」对「想开始的」保持可见。

边界

同构强度 A 级:外部记忆对 agent 连续性的作用是标准架构实践,ADHD 工作记忆与动机维持缺陷证据扎实,主动回忆/间隔重复有强证据(普通人群),「三行存档」组合无对照研究。声明:半途而废若伴随普遍的兴趣快速熄灭+情绪低落,注意区分动机症状与抑郁,请专业评估;本文是学习工程,不是治疗方案。

今天就能试的 3 件事

1. 给最想捡回来的那门学习建记忆库对话:先补写一条「当前断点」。
2. 今天学 25 分钟:结束时存三行档,体验一次「有存档的中断」。
3. 明天重启时先答三题:让 Claude 就今天的内容考你,感受主动回忆和重读的差别。

半途而废的真相,一半是「途」根本没修好:没有存档点的路,走一半断了就只能从头走,谁都会放弃。给学习装上外部记忆——断点、收获、下一步,三行足矣——你会发现自己不是不能坚持,是从来没被允许「接着上次玩」。

参考来源

• Can ChatGPT be Your Personal Medical Assistant? — 证据等级：低（GRADE）
• One Billion Word Benchmark for Measuring Progress in Statistical Language Modeling — 证据等级：低（GRADE）
• Activation Sparsity Opportunities for Compressing General Large Language Models — 证据等级：低（GRADE）
• YouZhi: Towards High-Concurrency Financial LLMs via Adaptive GQA-to-MLA Transition — 证据等级：低（GRADE）
• FBI-LLM: Scaling Up Fully Binarized LLMs from Scratch via Autoregressive Distillation — 证据等级：低（GRADE）
• Prompt Injection Attack to Tool Selection in LLM Agents — 证据等级：低（GRADE）

---

本文是「ADHD × AI」系列的第 181 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。